제약이 먼저다
키르기스스탄을 포함한 중저소득국(LMIC)의 보건 체계는 세 가지가 부족하다. 재정, 인프라, 인력. 흔하고 복잡한 질병 모두에 표준 의약품 개발 절차를 적용하는 일이 이 나라들에서 점점 더 어려워지는 이유가 여기에 있다. 시간과 돈이 너무 많이 들기 때문이다.
정밀의료는 이런 질병들에 큰 가능성을 보여 준다. 그런데 실제 활용은 제한적이다. 키르기스스탄과 여러 LMIC에서 결핵과 심혈관질환은 늘어나고 있고, 높은 연구비를 피해 가는 치료 개발 방법이 필요하다.
재창출의 이점은 보통 ‘빠르고 싸다’로 요약된다. 그런데 이 장은 하나를 더 짚는다. 새 약을 조달할 필요가 없다는 것. 이미 필수의약품 목록에 올라 있는 흔한 화합물의 새 쓸모를 찾는 일이므로, 보건 체계는 추가 비용과 공급망 복잡성 없이 진료의 질을 올릴 수 있다.
이것은 부유한 나라에서는 부차적인 이점이지만, LMIC에서는 결정적인 이점이다. 약을 만드는 문제와 약을 구하는 문제는 다른 문제이고, 후자가 더 자주 사람을 죽인다.
1.1 이 장이 제시하는 표적 지도
| 표적 | 재창출 약물 | AI가 새로 밝힌 것 | 키르기스스탄 · LMIC의 이점 |
|---|---|---|---|
| 결핵 (TB) | 항고혈압제(아로티놀롤, 베라파밀), 스타틴 | 심혈관 약물을 결핵 내성 및 면역 경로와 연결 | 결핵과 고혈압의 이중 부담을 값싸고 구하기 쉬운 약으로 동시에 다룬다 |
| 바이러스 연관 심장질환 | 항바이러스제(라비다스비르, 소포스부비르, 인터페론-β) | 심장 문제를 일으키는 지역 바이러스 유전형에 항바이러스제를 대응 | 국제적으로 검증된 항바이러스제를 지역 유행에 맞춘다 |
| 소외질환 (NTD) | 구충제, 메트포르민, 펙시니다졸 | 검증된 약을 풍토병 경로에 매핑 | NTD 치료 도입의 비용과 시간을 줄인다 |
| 질환 교차 | 다목적 제제 | 여러 질환에 걸친 중첩 이익을 식별 | 희소한 자원을 최대한 활용한다 |
| 전략 | AI + 역학 | 이중 부담 표적화에 집중 | 다른 LMIC로 확장 가능한 모형 |
재창출이 정밀의료에 주는 약속
2.1 원리
재창출은 승인되었거나 개발 중인 약에서 원래의 의학적 용도를 넘어선 새 치료 용도를 찾는 전략이다. 이미 확보된 약리학·독성학·제조 지식이 신규 화합물의 개발 불확실성을 낮춘다. 기존의 안전성 자료와 약동학·약력학 데이터를 그대로 쓰므로 임상 전환이 빠르고 싸다.
원리 자체는 단순하다. 질환들 사이에 공유된 분자 경로, 단백질 표적, 표현형 반응을 찾는 것. 네트워크 약리학과 시스템 생물학의 발전으로 이 공유 기전을 체계적으로 찾아내는 능력이 개선되었다. 분자 상호작용 망, 경로 섭동, 질병–약물 연관을 이용해 화합물의 정밀한 대체 용도를 예측한다.
여기에 정밀의료가 결합하면 한 층이 더해진다. 환자 집단마다 다른 유전체·단백체 양상을 반영해 재창출 약물의 효과를 유지하는 것이다. GNN과 다중오믹스 분석을 결합하면 복잡한 생물학·임상 데이터에서 약–표적–질환 관계를 분석해 더 나은 후보를 고를 수 있다.
2.2 LMIC 맥락에서의 이점
가장 큰 이점은 내장된 안전성 기록이다. 이미 사람에게 시험된 물질이 많으므로 초기 임상시험을 줄이거나 통째로 건너뛰고, 근본적인 질문 하나에 집중할 수 있다. “이 약이 이 새 질병에 실제로 듣는가.” 결핵, 말라리아, 신종 바이러스처럼 시급한 보건 위기를 다뤄야 하는 LMIC에서 이것은 결정적이다.
2.3 저자원 환경에서의 정밀의료
오랫동안 개발도상국은 정밀의료에 접근할 수 없었다. 유전자 검사에 비싼 장비가 필요했고 데이터 분석이 복잡했기 때문이다. 그런데 DNA 시퀀싱이 저렴해지고 휴대 가능해졌으며 AI 기반 분석이 보편화되면서 상황이 달라지고 있다.
저자원 환경에서 정밀의료의 핵심 이점은 자원의 최적화다. 가장 큰 이익을 볼 환자에게만 치료를 전달하므로 약이 낭비되지 않고 부작용도 줄어든다. 결핵 유행 지역에서 개별 Mycobacterium tuberculosis 균주의 유전 프로파일에 맞춰 치료 요법을 정하면 치료 기간이 짧아지고 약제 내성 위험이 낮아진다.
예방과 조기 개입에도 쓰인다. 예측 분석으로 고위험군을 찾아 표적 선별검사와 예방 조치를 하면 미래의 치료 비용이 줄어든다. 예산은 적고 질병 부담은 큰 보건 체계에서 이 조합은 상당한 투자 수익을 만든다.
2.4 세계 보건이 이미 보여 준 선례
통제된 재도입
최기형성 때문에 철수되었던 항염증제가 다발골수종과 나병 치료를 위해 통제된 조건에서 재도입되었다. 다른 치료 선택지가 없던 환자들에게 더 나은 결과를 냈다.
모기를 죽여 말라리아를 막는다
회선사상충증과 림프사상충증 치료용으로 개발된 구충제가, 모기를 죽인다는 성질 때문에 말라리아 전파 통제에 효과를 보였다. 잘 정리된 인체 안전성 이력 덕분에 아프리카와 아시아 일부에서 대량 투약 프로그램을 빠르게 시행할 수 있었고, 매개체 감염병이 상당히 줄었다.
협심증 → 발기부전 → 폐동맥고혈압
세 번째 용도가 LMIC에 특히 중요하다. 고가의 폐고혈압 치료제가 접근 불가능한 지역에서 이 약의 이중 용도는 치료적 이익과 경제적 이익을 동시에 준다.
보건 위기 대응
에볼라용으로 개발된 렘데시비르와 여러 염증 질환에 쓰이던 덱사메타손이 중증 코로나19 치료로 재창출되었다. 보건 비상 상황에서 재창출이 치료 대응 속도를 어떻게 바꾸는지 보여 준 사례다.
AI 네트워크 기반 프레임워크
3.1 왜 그래프 신경망인가
재창출에서 다뤄야 할 관계는 약–질환–단백질–경로가 얽힌 복잡한 구조다. 본래 그래프다. GNN의 메시지 전달(message passing) 기제는 여러 층을 거치며 국소 이웃에서 정보를 모으므로 직접적 관계와 간접적 관계를 모두 포착한다.
대규모 다층 그래프의 연결 예측
거대한 다층 그래프에서 재창출을 연결 예측(link prediction) 과제로 다룬다. 실제 치료 약물이 예측 상위 15개 안에 나타난다는 것을 보였다.
이종 GNN + HinSAGE
약–단백질–질환 관계에 부작용 정보를 결합해 연결 예측 능력을 높인다. HinSAGE로 저차원 노드 표현을 생성한다.
이 접근들이 보여 주는 것은 선형 모형에서, 서로 얽힌 생의학 데이터에 대해 추론할 수 있는 AI 시스템으로의 이행이다. GNN의 해석 가능하고 확장 가능한 구조가 새로운 약–질환 연관을 찾아냄으로써 정밀의료와 재창출 양쪽을 뒷받침한다.
3.2 다중오믹스 통합
유전체, 전사체, 단백체, 대사체를 동시에 분석하면 분자생물학의 전체 그림에 다가갈 수 있다. 이 층들을 통합하면 질병 기전과 약물 상호작용에 대한 정밀한 이해가 만들어지고 예측이 좋아진다.
- AGMI — 각 세포주마다 다중 엣지 그래프를 만들고, 어텐션 기반 GNN으로 다중오믹스 특징을 결합해 약물 반응을 예측한다. 기존 방법을 앞선다.
- MOTGNN — XGBoost로 오믹스별 그래프를 먼저 구성한 뒤 양식별 GNN을 적용해 계층적 표현을 학습한다. 데이터 층마다 해석 가능성이 보존된다.
- BioNeuralNet — 모듈형 파이프라인으로 종단간 다중오믹스 네트워크 분석을 수행한다. 복잡한 고차원 다중오믹스 데이터에서 GNN 호환 임베딩을 생성한다.
정밀의료 재창출에서는 예측만큼 생물학적 기전의 이해가 중요하다. 다양한 오믹스 층을 GNN 구조로 통합하면 예측적이면서 동시에 해석 가능한 모형이 나온다는 점이 이 절의 요지다.
3.3 현지 데이터라는 조건
저자원 환경에서 정밀의료의 성패는 현지 데이터 수집에 크게 달려 있다. 키르기스스탄이라면 진료 기록, 지역별로 우세한 결핵균 균주의 유전체 정보, 고유한 역학 양상이 그것이다. 키르기스 특이 데이터셋에 관한 공식 발표는 아직 적지만, 국가 보건 등록부와 병원 저장소, 지역 감시 체계를 통한 데이터셋 구축은 실현 가능하고 또 필수적이다.
참고할 선례는 있다. 코로나19 재창출에서 바이러스–숙주 단백질 상호작용과 약물 표적 프로파일을 결합해
후보 화합물을 걸러 낸 작업, 그리고 전 세계 생의학 데이터베이스로 구축한 DRKG 지식그래프가
이종 네트워크에서 재창출 후보의 우선순위를 매기는 방법을 보여 주었다.
여기에 지역 질환–유전자 연관, 인구학적 데이터, 치료 반응 데이터셋을 더하면
키르기스스탄 맥락에 맞게 변형할 수 있다.
텍스트 마이닝과 분자 도킹 기반 재창출은 대규모 계산 자원과 방대한 큐레이션 데이터베이스를 요구한다. LMIC에는 둘 다 부족하다.
반면 AI 네트워크 약리학은 다중오믹스와 임상 데이터를 이해 가능한 네트워크 모형으로 처리하므로 비용이 낮고 확장성이 크다. 기술 선택은 성능만의 문제가 아니라 가용 자원과의 정합성 문제이기도 하다.
사례 — 무엇을 어디에 다시 쓸 것인가
4.1 결핵 — 혈압약을 결핵에 쓴다
키르기스스탄에서는 고혈압과 결핵이 모두 흔하다. 이 이중 부담이 이 절의 출발점이다. 이미 널리 보급되어 있고 값싼 심혈관 약물로 결핵 치료 결과를 개선할 수 있다면, 새 약을 개발하는 데 드는 비용과 시간이 필요 없다.
α/β 차단제
고혈압과 떨림 치료에 쓰인다. 시험관 스크리닝에서 대식세포 배양과 무균 배양 모두에서 유의한 항마이코박테리아 활성을 보여 재창출 후보로 떠올랐다.
유출 펌프 억제
고혈압과 협심증 치료제다. 세균의 유출 펌프를 억제해 기존 결핵 치료의 효과를 높인다. 다제내성(MDR) 및 광범위내성(XDR) 결핵균에 대한 리팜피신과 이소니아지드의 최소억제농도를 낮춘다.
보조 요법
고지혈증 치료와 심혈관 위험 감소에 쓰인다. 면역조절 효과와 자가포식 유도 성질이 결핵 보조 치료제로서의 잠재력으로 확인되었다.
AI 네트워크 약리학이 하는 일은 여기서 명확하다. 생물학적 경로 분석과 지역 균주 데이터를 결합해 항고혈압제와 심혈관 약물을 결핵 보조 요법 후보로 체계적으로 식별하는 것이다. 우연히 하나씩 발견하는 것이 아니라 목록 전체를 훑는다.
4.2 심혈관 — 항바이러스제를 지역 유전형에 맞춘다
중앙아시아의 심장 후유증에 대한 항바이러스제 재창출 문헌은 아직 많지 않다. 다만 다른 지역의 연구가 유용한 참조가 된다.
- DNDi의 라비다스비르 + 소포스부비르 — 동남아시아 2/3상 시험에서 병용요법으로 97퍼센트의 완치율을 달성했다. 맥락 특이적 재창출이 지역 보건 수요에 어떻게 답하는지 보여 주는 모형이다. 바이러스 병원체가 만성 심혈관 영향을 일으키는 경우에 특히 그렇다.
- 인터페론-β — 코로나19 같은 바이러스 유행 시기에 항바이러스제와 면역조절제의 신속 재창출이 이루어졌다. 폐 및 전신 염증을 줄이기 위해서였고, 이 염증은 종종 심혈관 합병증으로 이어진다. 로피나비르/리토나비르와의 병용은 초기 임상 연구에서 바이러스 부하 감소와 환자 결과 개선을 보였다.
키르기스스탄과 중앙아시아를 위한 프레임워크는 세 가지를 요구한다. 지역 바이러스 유전형에 대한 지식, AI 기반 약–바이러스 상호작용 모형, 그리고 후보 항바이러스제의 심장보호 효과 평가다.
4.3 다른 고부담 질환으로
펙시니다졸
인간 아프리카 트리파노소마증(수면병)의 최초의 완전 경구 치료제가 되었다. 빈곤 지역에 감당 가능한 해법을 제공한다.
유니티올 · 마리마스타트
미국의 비영리 조직이 LMIC에서 2B상 임상시험을 지원해 뱀에 물린 상처 관리를 위한 경구 치료제를 평가하고 있다. 충족되지 않은 임상 수요를 겨냥한다.
이 선례들은 LMIC의 고부담 질환에 여러 기회가 열려 있음을 시사한다. 말라리아, 내장 리슈만편모충증, 자궁경부암, 대사질환이 그 목록에 있다. 키르기스스탄이라면 대사–감염 질환 연결을 겨냥한 메트포르민의 면역조절 응용과 농촌의 소외 질환에 대한 구충제 탐색이 우선 후보가 된다.
네 개의 장벽, 네 개의 대응
- 공개 · 인구 대표성 데이터뱅크 — 임상·영상·역학 데이터를 체계적으로 관리하고 익명화 공유를 허용한다.
- 합성 데이터 생성 — 생성 모형으로 프라이버시를 지키는 현실적 데이터셋을 만든다. 다만 편향의 재생산을 막고 데이터 충실도를 유지하려면 검증이 철저해야 한다.
- 연합학습 — 데이터를 합치지 않고 여러 기관이 함께 모형을 개발한다. 양과 프라이버시를 동시에 얻는다.
- 현지 주제별 데이터 수집 챌린지 — 아프리카의 선례를 본떠 지역 이해관계자가 데이터 생성의 주체가 되게 한다.
- 기술적 — 다양한 데이터셋 학습, 구조 안에 공정성 기준 내장, 적대적 편향 제거와 공정 집계를 결합한 연합학습, 다양한 데이터로부터의 전이학습.
- 비기술적 — 임상의, 윤리학자, 지역사회 지도자의 능동적 참여. 모형이 문화적 맥락과 평등 원칙을 존중하도록 만든다. 이쪽의 중요성은 기술적 대응에 못지않다.
- 공정성 감사와 이해관계자 감독 위원회 — 예측 결과가 키르기스스탄의 실제 사회문화·인구학적 특성과 맞는지 지속적으로 확인한다.
- WHO의 보건 분야 AI 6대 기본 원칙을 표준화의 토대로 삼되, 각국 맥락에 맞게 조정한다.
- 유연한 규제 프레임워크 — AI 모형 평가 프로토콜, 약물 모니터링 체계, 신규 용도에 대한 승인 절차를 포함한다.
- 민관 협력(PPP) — LMIC의 시범 사업이 자원 공유와 협업으로 성과를 낸 전례가 있다.
- 현지 규제 역량 — 모형 감사·검증 절차와 배치 후 감시 인프라를 국내에 갖춘다.
- 포용적 설계 원칙 — 사용자의 다양한 사회문화적 배경과 인구학적 특성을 존중한다.
- 실질적 접근 조건 — 농촌 인구를 위해 오프라인에서 작동하고, 현지 언어를 쓰며, 감당 가능한 가격이어야 한다. 이 셋을 못 갖추면 형평은 구호에 그친다.
- 참여적 설계 — 보건 인력, 환자, 지역사회 구성원이 AI 개발과 거버넌스에 참여해야 신뢰가 생긴다.
“오프라인에서 작동하고, 현지 언어를 쓰며, 감당 가능한 가격.” AI 윤리 논의는 대개 편향과 투명성 같은 추상 개념에 머문다. 이 장은 거기에 전기와 인터넷과 언어와 가격이라는 물질적 조건을 붙인다.
정확도 0.97짜리 모형도 인터넷이 끊기는 진료소에서는 0이다. 형평은 알고리즘의 속성이 아니라 배치 조건의 속성이라는 것 — 이것이 앞의 세 장에는 없던 관점이다.
역량을 심는 법
키르기스스탄 보건 체계에 AI를 심는 일은 디지털 인프라와 인적 자본에 대한 기초 투자에서 시작한다. 많은 LMIC가 파편화된 보건 데이터 체계와 상호운용 가능한 전자의무기록의 부재로 AI 도입에 어려움을 겪는다. 이 간극을 메우려면 보건 기술, 데이터 수집, 보고에 대한 국가 표준을 세워야 한다. 상호운용성과 데이터 품질의 토대가 거기서 나온다.
정부 기관, 학술 조직, 시민사회가 함께 접근할 수 있는 공개 인구 대표성 데이터뱅크가 필요하고, 분산 기관 모형인 연합학습이 민감 정보를 지키면서 여러 기관에 걸친 학습을 가능하게 한다. 그리고 역량 강화 프로그램이 없으면 어떤 도구도 현장에서 쓰이지 않는다. 보건 전문가에게 디지털 문해력과 AI 활용 기술을 가르치는 맞춤 교육이 대규모 채택을 이끈다.
6.1 민관 협력과 국제 협력
코로나19 대응의 PPP 사례
지역사회 신뢰 구축, 양방향 데이터 공유, 상호 가치 창출, AI 기반 분석을 결합해 복잡한 보건 문제를 풀었다. 공동 운영위원회와 다중 이해관계자 자문단이라는 구조화된 거버넌스가 위험 분담과 단계적 배치, 윤리 감독을 가능하게 했다.
국제 파트너십
정부, 학계, 산업, 자선이 자원을 모아 소외질환 R&D 해법을 개발한 사례다. 키르기스스탄 상황에도 적용 가능한 모형으로 제시된다.
6.2 단계적 도입
시범
도시나 자원이 충분한 의료 기관에서 시작한다. 통제된 환경에서 시스템을 검증하고, 현지 업무 흐름에 맞게 다듬고, 효과를 평가한다. 기술 개발과 엄격한 훈련·이해관계자 참여가 함께 가야 수용성과 준비도가 생긴다.
확장과 제도화
인프라를 확대하고 정책 틀을 공식화한다. 데이터 거버넌스, 상호운용성 표준, 규제 명확성을 세우고 민관 협력을 통해 디지털 인프라를 넓힌다.
국가 통합
지속가능성과 광범위한 접근성이 관건이다. 모바일과 원격의료 플랫폼으로 농촌까지 AI 도구를 전달하고, 비용 효과성·형평·보장 범위 개선을 지속적으로 모니터링·평가한다.
6.3 모니터링과 평가
강력한 모니터링·평가 체계가 있어야 AI 개입이 책임 있게 작동하고 변화하는 조건에 적응한다. 관리정보시스템이 서비스 전달 지표, 자원 사용, 비용을 기록해 실시간으로 추적한다. 평가는 적합성, 효과성, 효율성, 영향, 지속가능성이라는 다섯 축으로 이루어진다.
- MEASURE Evaluation — 보건정보체계의 방법론 도구와 역량 강화를 제공해 LMIC의 데이터 품질, 거버넌스, 근거 기반 의사결정을 개선한다.
- FURM 프레임워크 — 고급 모형을 위한 종합 평가 틀이다. 윤리 심의, 시뮬레이션 기반 유용성 추정, 재정 지속가능성 전망, IT 실행가능성 분석, 전향적 모니터링 계획을 포함한다. 시제품에서 대규모 배치로 넘어가는 전환을 신뢰할 수 있게 만든다.
다섯 개의 권고
이 장의 결론은 발견이 아니라 권고다. 다섯 개의 살이 하나의 원을 떠받치는 유르트 천장의 틀 — 툰둑 — 처럼, 다섯 항목은 서로가 서로를 지탱한다. 하나가 빠지면 나머지도 서지 못한다.
이 장이 남기는 것
AI 재창출의 병목은 알고리즘이 아니다. 이 장이 다루는 나라들에서 병목은 데이터, 규제, 인력, 전기와 인터넷이다. 같은 기술을 놓고도 부유한 나라와 가난한 나라의 질문이 다르다는 사실을 이 장이 드러낸다.
결핵과 고혈압이 함께 흔한 나라에서 항고혈압제를 결핵 보조 요법으로 쓰는 일은 두 문제를 하나의 약으로 다루는 일이다. 아로티놀롤, 베라파밀, 스타틴. 셋 다 이미 국가 처방집에 있다. 희소한 자원 아래서는 이런 중첩이 곧 전략이다.
오프라인 작동, 현지 언어, 감당 가능한 가격. 이 셋이 없으면 어떤 정확도도 의미가 없다. 형평을 모형의 속성이 아니라 배치의 속성으로 본 것이 이 장의 기여다.
거버넌스, 데이터 인프라, 인적 자본, 민관 협력, 모니터링과 형평. 다섯 권고 중 어느 하나만 실행하는 것으로는 로드맵이 되지 않는다. CAREC과 SCO 같은 지역 협력체, 중앙아시아 원헬스 프로그램, 지역 AI 허브가 그 무대로 제시된다.
먼저 성격을 분명히 해 두는 편이 좋다. 이 장은 실험 결과 논문이 아니라 입장문이자 설계도다. 새 데이터를 생산하지 않았고 새 모형을 검증하지도 않았다. 원저자들도 그것을 숨기지 않는다. 키르기스스탄 특이 데이터셋에 관한 공식 발표가 아직 적다고 스스로 적었고, 중앙아시아의 항바이러스제 재창출 문헌이 제한적이라고도 적었다. 그러므로 이 장의 근거 무게는 앞의 세 장과 다르게 계산해야 한다. 표 4.1은 이미 확인된 성과의 목록이 아니라 탐색해야 할 가설의 목록이다.
그 점을 인정하고 나면 이 장의 값어치가 오히려 분명해진다. 1장부터 3장까지는 ‘AI가 무엇을 할 수 있는가’를 물었다. 그 질문은 자원이 있다는 전제를 깔고 있다. 이 장은 그 전제를 걷어내고 묻는다. 자원이 없는 곳에서는 무엇이 달라지는가.
답은 뜻밖에도 ‘더 나빠진다’가 아니다. AI는 실험실 인프라라는 진입 장벽을 낮추기 때문에 오히려 격차를 좁힐 수 있는 몇 안 되는 기술이다. 다만 그것은 가능성이지 필연이 아니다. 편향된 데이터로 학습한 모형, AI 조항이 없는 규제, 인터넷이 없는 진료소는 같은 기술을 정반대 방향으로 작동시킨다. 격차를 좁힐 수도 있고 벌릴 수도 있다는 것 — 어느 쪽이 될지를 정하는 것은 알고리즘이 아니라 제도다. 이 장이 알고리즘 대신 거버넌스와 표준과 교육과 협력을 말하는 이유가 여기에 있다.