유방암 세포를 과학적 배경과 함께 표현한 이미지. 중국 웨스트레이크대 연구팀 등은 AI '가상세포'가 유방암 세포의 단백질 변화를 학습해 실제 환자의 치료 결과와 관련된 신호를 예측했다. 사진=게티이미지뱅크 내 암에는 어떤 항암제가 더 잘 들을까. 환자마다 다른 암의 특성을 인공지능(AI)이 읽어 치료 반응을 미리 가늠할 가능성을 보여준 연구가 나왔다. 약물을 넣은 뒤 암세포 속 단백질이 어떻게 달라지는지 학습한 AI '가상세포'가 실제 유방암 환자의 치료 전 조직에서도 이후 치료 경과와 연관된 신호를 찾아냈다. 물론 환자에게 가장 잘 맞는 항암제를 직접 골라주는 단계는 아직 아니다. 다만 AI 가상세포를 정밀치료에 활용할 가능성을 한층 넓혔다. 중국 웨스트레이크대 연구팀 등은 '프로틴톡스(ProteinTalks)'라는 AI 가상세포 모델을 개발한 연구 결과를 9일 국제학술지 《네이처(Nature)》에 발표했다. 약 넣은 뒤 6·24·48시간⋯단백질 변화 3800만건 학습 이번 연구는 암세포의 한순간 모습만 보지 않았다. 약물을 넣은 뒤 시간이 흐르면서 세포 안 단백질이 어떻게 달라지는지를 AI에 가르쳤다. 유방암 세포주 18종에 미국 식품의약국(FDA)이 승인한 항암제 63종과 약물 조합 59종을 처리했다. 이 가운데 16종은 삼중음성유방암(TNBC) 세포주였다. 약물을 넣기 전과 6시간, 24시간, 48시간 뒤에는 5585개 단백질군의 양을 측정했다. 무료릴게임 시간대별로 쌓인 측정값은 모두 3800만건을 넘었다. ProteinTalks는 이 자료를 바탕으로 특정 약물을 처리했을 때 단백질의 양이 어떻게 달라지고, 그 변화가 암세포의 약물 반응과 어떻게 이어지는지를 학습했다. 여기서 '가상세포'는 실제 암세포 하나를 컴퓨터 안에 그대로 복제했다는 뜻은 아니다. ProteinTalks는 약물 자극을 받은 뒤 세포 안 단백질이 어떻게 변하는지를 계산해 암세포의 반응을 예측하는 데 특화된 AI 모델이다. 처음 본 81개 약물 반응도 88% 맞혀 다음 시험은 AI가 한 번도 보지 못한 약물이었다. ProteinTalks는 학습 자료에 없던 81개 약물에 대한 암세포 반응을 88%의 정확도로 구분했다. 이미 본 약물의 결과를 외운 데 그치지 않고, 새로운 약물이 들어왔을 때 나타나는 반응까지 상당 부분 짚어낸 셈이다. 약물을 함께 썼을 때 생기는 효과를 가늠하고, 약물 내성과 관련된 단백질을 찾는 데도 모델을 썼다. 다만 88%를 실제 환자에게 잘 맞는 항암제를 찾아낸 비율로 받아들일 수 없다. 실험실에서 배양한 암세포를 대상으로, 학습하지 않았던 81개 약물의 반응을 얼마나 정확하게 구분했는지를 나타낸 수치다. 연구팀은 다음으로 실제 환자에게서 얻은 종양 조직에 모델을 적용했다. 인터넷예시게임 항암치료를 시작하기 전 삼중음성유방암 환자 501명에게서 채취한 종양 조직을 분석해 3651개 단백질의 정보를 확보했다. 연구팀은 이 단백질 정보와 환자가 실제로 받은 치료법을 ProteinTalks에 입력해 치료 뒤 경과를 예측했다. 그 결과 모델이 상대적으로 예후가 좋을 것으로 본 환자와 그렇지 않은 환자 사이에서 무재발생존과 전체생존에 차이가 나타났다. 즉 치료 전 종양의 단백질 정보만으로 이후 치료 경과와 관련된 신호를 어느 정도 가려낸 것이다. 다만 ProteinTalks가 여러 항암제 가운데 환자에게 가장 잘 맞는 약을 먼저 골라준 것은 아니다. 이미 치료를 받은 환자의 치료 전 조직과 실제 치료 결과를 비교해 모델의 예측력이 통하는지 확인한 연구다. AI가 고른 약을 환자에게 투여해 기존 치료보다 효과가 좋은지 시험한 임상연구와도 다르다. 왜 삼중음성유방암을 택했나 삼중음성유방암은 암세포에서 에스트로겐 수용체(ER), 프로게스테론 수용체(PR), HER2 등 치료 표적으로 삼는 세 가지 특징이 모두 나타나지 않는 유방암이다. 따라서 ER·PR을 겨냥하는 내분비치료나 HER2 표적치료를 쓰기 어렵다. 같은 삼중음성유방암이라도 암세포의 분자적 특성이 환자마다 달라 어떤 약이 더 잘 들을지 미리 판단하기도 쉽지 않다. 삼중음성유방암은 전체 유방암의 약 15~20%를 차지한다. 최근 면역항암제와 항체약물접합체(ADC) 등 치료 선택지는 늘었지만, 환자마다 효과가 클 것으로 예상되는 치료를 가려내는 일은 여전히 중요한 과제다 모바일 카카오야마토 먹튀 . 연구팀은 ProteinTalks의 예측이 실제 환자의 암에 가까운 환경에서도 통하는지도 시험했다. 환자 3명의 종양 조직을 실험실에서 입체적으로 키운 '오가노이드', 이른바 작은 모형 종양을 만들었다. 이어 3000개 약물 후보 가운데 각 오가노이드에 효과가 있을 것으로 예상되는 약물을 ProteinTalks가 먼저 추리게 한 뒤 실제로 약물을 처리해 반응을 확인했다. 그 결과 AI가 우선순위를 매긴 후보 가운데 실제 오가노이드에서 약물 반응을 보이는 약들이 확인됐다. 세포주에서 학습한 정보를 이용해 환자 종양에서 시험할 약의 범위를 좁힐 수 있다는 가능성을 보여준 것이다. 아직 연구 단계⋯AI가 항암제 골라주는 건 아냐 이번 연구의 의미는 실험실 암세포에서 학습한 AI가 실제 환자의 종양 조직에서도 치료 결과와 관련된 신호를 찾아냈다는 데 있다. 병원에서 환자의 조직을 넣으면 AI가 최적의 항암제를 골라줄 수 없다. 다른 병원과 환자군에서도 같은 결과가 나오는지 먼저 확인해야 한다. 더 중요한 검증이 남아 있다. AI가 추천한 치료를 실제 환자에게 적용했을 때 기존 방식보다 치료 성적을 높일 수 있는지 전향적 임상연구로 확인해야 한다. 이번 연구는 암세포 안 수천 개 단백질의 움직임을 AI가 학습하면 환자의 치료 반응을 가늠하는 데 활용할 수 있다는 가능성을 보여줬다. 암세포 전체를 컴퓨터 안에 그대로 옮겨놓은 '완벽한 가상세포'라기보다, 환자에게 맞는 치료 후보를 좁히는 도구에 한발 더 가까워진 셈이다. 암세포 반응을 8