CausalDiffChem: Causal Network Restoration for Therapeutic Prioritization and Repurposing Across Diseases
CausalDiffChem은 전사체 데이터와 구조적 인과 모델을 활용하여 질병 특이적 인과 네트워크 구조를 복구하는 개입을 시뮬레이션함으로써 다양한 상태에 걸쳐 인과적 동인(causal drivers)과 하위 효과(downstream effects)를 구별하고 약물 재창출 후보를 우선순위화하는 새로운 프레임워크이다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
기존 약물의 새로운 용도를 찾는 것은 종종 서로 간의 '맞춤'을 찾는 과정과 같습니다. 수십 년 동안 과학자들은 질병의 분자적 지문과 약물의 지문을 비교함으로써 약물을 재용도화하기 위해 노력해 왔습니다. 만약 어떤 약물이 질병의 유전적 스위치를 반대 방향으로 뒤집는 것처럼 보인다면, 연구자들은 그것이 치료제로 작용할 수 있다고 가정합니다. 이 접근 방식은 몇 가지 실질적인 성공을 거두었지만, 한 가지 맹점이 있습니다. 그것은 질병을 정적인 증상 목록으로 취급하며, 유전자가 인과관계의 복잡한 사슬 속에서 서로 대화를 나눈다는 사실을 간과한다는 점입니다. 어떤 유전자가 켜지는 이유는 그것이 문제의 근원이기 때문이 아니라, 상류(upstream)에서 일어나는 다른 현상에 반응하고 있기 때문일 수 있습니다. 원인을 고치지 않고 반응만을 치료하는 것은 연기를 멈추기 위해 입으로 바람을 부는 것과 같습니다.
이러한 한계를 넘어서기 위해, 한 연구팀은 질병의 숨겨진 메커니즘을 매핑하는 새로운 방법을 개발했습니다. 단순히 어떤 유전자가 활성화되어 있는지를 나열하는 대신, 그들은 유전자들이 서로 어떻게 영향을 미치는지 보여주는 모델, 즉 인과적 네트워크를 구축했습니다. 그런 다음 그들은 다양한 약물이 이 특정 네트워크를 통해 어떻게 파동처럼 퍼져나가며 시스템을 건강한 상태로 복구할 수 있는지 테스트했습니다. 그들이 'CausalDiffchem'이라 부르는 이 작업은, 질병의 구체적인 인과 구조를 이해함으로써, 단순한 유전자 활성 목록에서는 명확히 드러나지 않는 더 나은 후보군을 식찰할 수 있음을 시사합니다.
연구진은 이 방법을 네 가지 매우 다른 인간 질환에 적용했습니다: 면역 체계와 신경의 질환인 다발성 경화증, 폐와 다른 장기에 염증을 일으키는 육아종증(sarcoidosis), 기생충 감염인 리슈만편모충증, 그리고 치매의 일종인 알츠하이머병입니다. 각 질환에 대해 그들은 수백 명의 환자와 건강한 사람들의 데이터를 수집했습니다. 그들은 유전자가 어떻게 상호작용하는지에 대한 기존의 지도들을 사용하지 않았습니다. 대신, 컴퓨터 알고리즘을 사용하여 샘플 내에서 가장 활발한 20개의 유전자를 바탕으로 각 질병에 대한 고유한 인과 관계 지도를 재구성함으로써 데이터가 스스로 말하게 했습니다. 이 지도들은 서로 다른 구조를 드러냈습니다. 알츠하이머병의 경우, 네트워크는 아포리포단백질 D(apolipoprotein D)라고 불리는 단백질의 두 가지 측정값 사이의 강력한 연결에 의해 지배되었습니다. 육아종증의 경우, 지도는 대식세포(macrophages)로 알려진 면역 세포와 관련된 조절 축을 강조했습니다. 각 질서마다 고유한 형태와 정보의 흐름을 가지고 있었으며, 이는 단일하고 일반적인 접근 방식으로는 모든 질병의 특정한 논리를 포착할 수 없음을 증명했습니다.
이러한 질병 지도들이 구축된 후, 연구팀은 수천 개의 약물 효과를 시뮬레이션했습니다. 그들은 배양 접시나 살아있는 생물체에서 약물을 테스트한 것이 아니라, 수학적으로 표현된 각 약물을 질병 네트워크의 컴퓨터 모델에 도입했습니다. 그들은 약물의 시뮬레이션된 존재가 네트워크를 건강한 사람들에게서 보이는 상태로 다시 밀어 넣을 수 있는지 관찰했습니다. 그들은 이 '복구(restoration)'를 세 가지 방식으로 측정했습니다: 얼마나 많은 네트워크 구성 요소가 올바른 방향으로 움직였는지, 그 움직임이 얼마나 강했는지, 그리고 전체적인 변화가 질병에서 건강으로 가는 경로와 일치하는지 여부였습니다.
결과는 어떤 약물이 효과가 있을지에 대한 새로운 관점을 제공했습니다. 육아종증의 경우, 항암제인 시스플라틴(cisplatin)이 승인된 의약품 중 1위를 차지했습니다. 리슈만편모충증에서는 이미 알츠하이머 치료에 사용되는 메만틴 하이드로클로라이드(memantine hydrochloride)가 초기 연구부터 임상 시험에 이르는 모든 단계에서 1위를 차지했습니다. 알츠하이머 자체의 경우, 또 다른 약물인 메카밀아민 하이드로클로라이드(mecamylamine hydrochloride)가 1위를 차지했습니다. 이러한 발견이 주목할 만한 점은, 연구진이 공유된 설정이나 사전 설정된 규칙 없이 각 질환에 대해 독립적으로 질병 지도를 구축하고 약물을 테스트했다는 것입니다. 동일한 약물들이 서로 다른 라이브러리와 서로 다른 질병 전반에서 계속해서 최상위 후보로 등장했다는 사실은, 이 방법이 무작위적인 우연이 아니라 진정한 신호를 찾아내고 있음을 시사합니다.
그러나 연구는 높은 점수가 모든 이야기를 들려주는 것은 아니라는 점도 밝혀냈습니다. 어떤 약물은 많은 유전자를 고칠 수는 있지만 가장 중요한 연결은 바로잡지 못할 수도 있고, 혹은 옳은 유전자를 고치면서도 나머지 네트워크를 잘못된 방향으로 밀어낼 수도 있습니다. 알츠하이머병의 경우, 상위 순위의 약물은 많은 유전자를 교정했지만, 질병 네트워크의 가장 강력한 연결인 두 아포리포단백질 D 측정값 사이의 연결은 거의 건드리지 않은 채로 남겨두었습니다. 육아종증의 경우, 시스플라틴은 핵심적인 면역 유전자 그룹을 강력하게 교정했지만 다른 유전자들은 건강한 상태에서 더 멀어지게 만들었습니다. 이는 어떤 약물이 모든 것을 완벽하게 고치지 못하더라도 강력한 후보가 될 수 있으며, 서로 다른 약물들이 서로 다른 메커니즘을 통해 효과를 낸다는 것을 보여줍니다.
연구진은 또한 자신들의 방법이 이미 효과가 있다고 알려진 약물들을 찾을 수 있는지 확인했습니다. 알츠하이머병의 경우, 확립된 치료제인 도네페질(donepezil)과 메만틴(memantine)이 1위는 아니었지만 상위 10% 안에 포함되었습니다. 다른 질환에서도 알려진 치료제들이 높은 순위를 기록했지만, 특정 스테로이드와 같은 일부 약물은 낮은 순위를 기록했습니다. 이는 컴퓨터 모델이 이러한 약물들이 작동하는 방식에 대한 실제 생물학적 진실을 포착하고 있음을 시사하지만, 동시에 이 모델이 임상적 지식을 완벽하게 대체할 수는 없다는 점도 강조합니다. 모델은 특정 유전자 집단에 집중하며, 신체 다른 곳에서 일어나거나 약물 전달 방식에 의존하는 더 넓은 효과를 놓칠 수 있습니다.
연구팀은 자신들의 작업이 시뮬레이션임을 인정합니다. 약물의 효과는 실험실에서 측정된 것이 아니라 화학 구조를 기반으로 추정되었으며, 질병 지도는 상대적으로 적은 수의 환자 집단을 바탕으로 구축되었습니다. 그들은 이 약물들이 사람들에게 질병을 완치할 것이라는 점을 증명한 것이 아닙니다. 대신, 그들은 가설을 생성하기 위한 해석 가능한 새로운 프레임워크를 제공했습니다. 약물이 특정 질병의 인과적 네트워크를 통해 어떻게 이동할 수 있는지를 보여줌으로써, 그들은 어떤 후보가 실험실에서 테스트될 가치가 있는지를 우선순위화하는 방법을 제시합니다. 서로 다른 질병과 서로 다른 개발 단계에서 동일한 약물이 반복적으로 나타난다는 것은, 이 접근 방식이 단순한 유전자 목록만을 보는 것보다 놓치기 쉬운 유망한 단서들을 식별할 수 있다는 것을 의미하며, 기존 약물의 새로운 용도를 찾는 데 있어 더 미묘하고 정교한 길을 제시합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.