유전체와 전사체와 단백체를 함께 보는 일이 이로운 까닭은 단순하다. 분자생물학의 기본 발상, 곧 DNA에서 RNA로, 다시 단백질로 이어지는 길을 그대로 따르기 때문이다. 그러나 이 층들을 실제로 잇는 일은 결코 단순하지 않다.
지난 몇십 년 사이 생물과학은 환원주의적 방법에서 통합적이고 시스템 수준의 연구로 옮겨 갔다. 고속 염기서열분석과 정교한 질량분석 기술의 등장으로 유전체·전사체·단백체 데이터의 생산은 연구실과 임상 양쪽에서 일상이 되었다.
이 데이터셋은 복잡한 생물학적 과정과 질병의 작동 방식을 이해할 상당한 잠재력을 지닌다. 그러나 오믹스 데이터의 방대한 규모와 다양성, 복잡성은 기존의 계산 기법에 만만찮은 도전을 던진다.
기계학습과 심층학습을 포함하는 인공지능은 유례없는 규모와 깊이로 오믹스 데이터를 통합하고 이해할 수 있게 만든 변화의 동인이다. 데이터의 성김, 서로 다른 측정 척도, 오믹스 플랫폼마다 다른 잡음 특성 같은 난제 앞에서 인공지능은 방대한 데이터셋을 다루고 분석하고 결합해 쓸모 있는 생물학적 통찰로 바꿀 계산력을 제공한다.
중심원리는 개념적으로는 한 방향의 외길이다. 그러나 각 단계마다 복잡한 조절 통제와 되먹임 고리, 맥락에 따라 달라지는 변이가 얹힌다. 서로 다른 오믹스 층의 데이터를 합치는 일이 어려워지는 까닭이다.
조절 요소와 비암호화 변이, 구조 변이를 정확히 짚어내는 일이 여전한 난제다. 비암호화 변이의 기능적 함의를 이해하려면 전사체와 단백체 데이터를 함께 보는 통합적 방법론이 필요하다.
RNA 염기서열분석은 유전자 발현과 이용되는 아이소폼을 측정한다. 그러나 전사체의 양과 단백질의 양 사이에 상관이 본래적으로 성립하지는 않는다.
단백질의 양과 구조, 관계, 번역 후 변형을 함께 다룬다. 핵산과 달리 단백질은 증폭할 수 없어 민감도가 낮고 변이가 크다.
DNA 서열과 RNA 전사체, 단백질 발현 수준처럼 성격이 다른 데이터를 하나의 분석 틀에 넣는 일이 핵심이다. 배치 효과, 결측 데이터, 데이터 입도의 차이가 이 일을 한층 어렵게 만든다.
기계학습의 큰 강점은 복잡하고 고차원인 데이터셋에서 통찰을 일반화하는 능력이다. 오믹스 데이터셋이 유전자와 전사체와 단백질처럼 수천 개의 특징을 지니면서도 표본은 소수에 그치는, 이른바 차원의 저주 앞에서 특히 그렇다.
라벨이 붙은 데이터셋으로 모형을 훈련한다. 유전체 변이에 근거해 질환 표현형을 정확히 예측하는 것 같은 분류나 회귀 과제를 수행하게 한다.
라벨 없는 데이터에서 숨은 양상이나 군집을 찾는 데 집중한다. 기존 범주에 들어맞지 않는 유전자 발현 프로필을 살펴 새로운 암 아형을 식별하는 식이다.
오믹스에서 아직 널리 쓰이지는 않으나, 약물 설계나 조절 네트워크의 작동 규명처럼 복잡한 과정이 얽힌 최적화 과제에서 잠재력이 크다.
서포트 벡터 머신, 결정트리, k-최근접이웃 같은 모형은 수작업으로 빚은 특징에 의존하며 대개 작은 데이터셋에 적합하다.
대신 해석 가능성이 높다. 특정 특징이 예측에 어떻게 기여하는지를 연구자가 이해할 수 있어, 설명 가능성이 결정적인 생의학 맥락에서 값진 속성이다. 표준 하드웨어에서도 돌아간다.
다층 신경망이 데이터의 위계적 표상을 자동으로 학습한다. 효과적인 훈련에 큰 데이터셋을 요구하지만 복잡한 비선형 양상의 포착에 매우 뛰어나다. 합성곱 신경망은 유전체 서열에서 공간적 특징을 자동으로 뽑아내고, 트랜스포머는 유전자 조절 네트워크의 장거리 의존을 포착한다.
가장 큰 한계는 블랙박스 성격이다. SHAP과 LIME 같은 해석 가능한 방법이 개발 중이나 모형의 책임성이 무엇보다 중요한 임상 환경에서 난제는 여전히 크다. GPU와 대용량 메모리 같은 상당한 계산 자원도 요구한다.
다중오믹스 통합의 전략은 결국 합류 지점을 어디에 둘 것인가의 문제로 수렴한다. 특징 수준에서 합칠 것인가, 잠재 표현 수준에서 합칠 것인가, 아니면 결정 수준에서 합칠 것인가. 셋은 각기 다른 이점과 한계를 갖는다.
연결(concatenation) 기반 통합이라고도 한다. 모형을 적용하기 전에 서로 다른 오믹스 데이터셋을 특징 수준에서 병합해 모든 특징을 하나의 데이터 행렬로 다룬다.
직관적이지만 오믹스 유형마다 다른 척도와 성김, 잡음 수준에 발목이 잡힐 수 있다. 특징 정규화와 대치가 대개 필요하다. 전사체 데이터가 특징 수에서 압도하면 중요한 유전체 신호가 가려지는 데이터 불균형이 생긴다.
오믹스 층마다 별도의 모형을 두고, 융합은 잠재 특징 수준에서 일어난다. 오토인코더, 변분 오토인코더(VAE), 정준상관분석(CCA) 같은 방법으로 각 데이터셋에서 저차원 표상을 학습한 뒤 이를 결합해 복합 모형을 만든다.
각 오믹스 유형의 고유한 속성을 보존하면서도 포괄적인 결합 분석을 가능케 한다. 차원이나 잡음의 수준이 크게 다를 때 특히 유용하며, 환자 층화와 바이오마커 식별, 경로 분석에 성공적으로 적용되었다.
결정 수준 융합이라고도 한다. 각 오믹스 층을 따로 분석한 뒤 예측이나 군집 같은 결과를 앙상블 방법이나 투표 체계로 결합한다.
데이터 유형이 서로 크게 다르거나, 각 모형이 그 작동을 관찰 가능한 방식으로 이해될 수 있어야 할 때 특히 유용하다. 다만 더 많은 정보를 줄 수 있는 복잡한 층간 상호작용의 포착에는 약하다. 모듈성과 투명성, 계산의 단순함이 중요한 상황에서 나름의 이점을 갖는다.
점점 두드러지는 흐름은 이질적인 입력을 효율적으로 처리하는 다중모달 심층학습 구조의 채택이다. DeepMO와 MOFA+가 그 예로, 공유된 잠재 표상과 각 양식에 고유한 잠재 표상을 함께 써서 서로 다른 오믹스 데이터셋을 결합한다. 모형이 공통의 밑바탕 양상을 학습하면서도 각 양식 고유의 신호를 보존하게 하는 방식이다. 종단간 학습이 가능하고, 다중오믹스 연구의 고질인 결측 데이터를 잘 다루며, 생존 분석과 약물 반응 예측, 경로 추론 같은 과제에서 기존 방법론을 능가하는 성능을 보였다.
TCGA와 GTEx, ENCODE 프로젝트는 정밀 약물치료의 개발에 필요한 유전체 정보를 제공한다. 새로운 치료 표적과 바이오마커를 찾는 데 쓰이며, 진보한 계산 기법과 결합될 때 신약 개발 주기의 정확도와 성공률을 크게 높인다.
다양한 암종을 아우르는 방대한 유전체 데이터베이스로, 항암 약물치료에 관여할 수 있는 유전자를 찾고 연구하는 데 결정적이다.
DF-CAGE 방법론은 체세포 돌연변이와 복제수 변화 같은 다중오믹스 데이터를 결합해 항암제가 겨냥할 수 있는 잠재적 유전자를 식별한다. GS-TCGA 같은 도구는 유전자 집합 기반의 평가로 생존 분석과 유전자 공발현 네트워크의 조사를 가능케 한다.
인체의 다양한 조직에 걸친 유전자 발현의 동역학에 관한 풍부한 자료를 제공한다. 조직 특이적 유전자 조절의 기전을 규명하고, 약물 투여에서 생길 수 있는 표적 외 효과를 식별하는 데 필수적이다.
TCGA와 결합하면 종양학에서 유전자 발현 양상을 더 상세히 연구할 수 있어, 키메라 항원 수용체(CAR) 치료 같은 새 요법에 쓰일 종양 연관 항원과 치료 표적을 찾아내는 능력이 크게 개선된다.
인간 유전체의 기능적 요소를 상세히 지도로 그린 작업으로, 정밀의료 전체 틀의 핵심을 이룬다.
유전자 조절과 후성유전적 변화의 작동을 이해하는 기본 벽돌이며, 이 둘은 사람이 약물에 어떻게 반응하는지와 내성이 생길 수 있는지에 큰 영향을 미친다.
다만 이 데이터를 임상 실무로 옮기는 데는 상당한 난제가 따른다. 규제 승인을 뒷받침할 표준화된 데이터 모형과 틀이 필요하며, Precision-DM 같은 사업이 임상–유전체 의사결정을 수월하게 할 표준 데이터 모형을 만들어 이 문제에 대응하고 있다. 유전체 연구로 보강된 기존 의약품의 변형은 전통적 개발보다 비용 효율적인 대안이지만, 안전성과 유효성을 확인할 성실한 검토와 임상적 자격 검증을 요구한다.
인공지능의 적용은 생물학적 발견과 질환 이해, 치료제 개발에서 상당한 돌파를 낳았다. 이 절은 각 층위에서 인공지능이 무엇을 가능하게 했는지를 훑고, 이어 층을 가로지르는 통합의 성과로 나아간다.
가장 이른 응용의 하나가 변이 호출이었다. DeepVariant 같은 모형은 염기서열분석의 오류 양상을 학습해 변이 유전형을 정확히 예측함으로써 전통적 도구를 앞섰다. 희귀 변이의 식별과 위양성 감소에 특히 효과적이다.
비암호화 영역의 기능 주석에서도 결정적이었다. DeepSEA와 Basset 같은 모형은 합성곱 신경망으로 서열 변이가 염색질 접근성과 전사인자 결합에 미치는 조절 효과를 예측한다. 전장유전체 연관 연구에서 나온 질환 관련 단일염기다형성의 우선순위를 매기는 데 쓰인다.
3차원 유전체 조직의 예측도 가능해졌다. Akita 같은 모형은 DNA 서열에서 직접 염색질 상호작용 지도를 예측해 인핸서–프로모터 고리와 유전자 조절에 대한 통찰을 준다. 비암호화 변이를 표적 유전자에 연결하는 데 결정적인 접근이다.
나아가 인구 규모의 유전체학은 자동 품질 관리, 조상 추론, 유전형 대치에서 이득을 본다. 랜덤 포레스트와 경사 부스팅은 UK 바이오뱅크 같은 대규모 연구의 데이터 관리에 흔히 쓰인다.
유전자 발현의 분류와 군집화가 가장 흔한 응용이다. k-평균 군집화, 계층적 군집화, 자기조직화 지도 같은 비지도학습이 특정 생물학적 과정과 연결된 공발현 유전자 모듈을 식별한다. 오토인코더와 변분 오토인코더는 고차원 발현 행렬의 차원 축소와 잡음 제거에 쓰인다.
대체 스플라이싱의 탐지도 핵심 영역이다. SpliceAI 같은 도구는 심층 신경망으로 유전체 서열에서 직접 스플라이스 접합부를 예측하고 스플라이싱을 바꾸는 변이를 식별해, 비정상 스플라이싱과 관련된 질환 기전의 발견을 돕는다.
전사체 데이터에서 유전자 조절 네트워크를 추론하는 일도 가능해졌다. 랜덤 포레스트 기반의 GENIE3와 경사 부스팅 기반의 GRNBoost2는 전사인자가 발현 양상에 미치는 조절 영향을 모형화해 네트워크를 재구성한다.
단일세포 전사체학에서는 scVI와 DCA 같은 심층학습 접근이 발현 데이터의 잡음을 걷어내고 세포의 상태와 계보, 공간적 조직을 추론해 단일세포 데이터 특유의 성김과 탈락 문제를 다룬다.
아미노산 서열에서 단백질 구조를 정확히 예측하는 AlphaFold의 등장은 단백질의 구조와 상호작용을 연구하는 방식을 완전히 바꾸었다. AlphaFold3는 단백질 구조 예측에 집중하던 모형의 구조를 단순화해 생체분자 상호작용을 폭넓게 예측할 수 있게 되었고, 단백질만이 아니라 리간드와 핵산, 다중 서브유닛 조립체에도 작동한다.
저온전자현미경 실험 데이터와 분자동역학 시뮬레이션을 통합할 수 있다는 점이 강점이다. 플라스토시아닌–사이토크롬 f 복합체 연구에서는 저온전자현미경과 핵자기공명으로 얻은 구조와 AlphaFold3의 예측을 비교했는데, 상호작용 계면과 동적 형태 변화를 성공적으로 예측했다. 드물지만 기능적으로 중요한 매듭 단백질의 예측에서도 실험 데이터와 잘 부합하는 결과를 보였다.
RNA에서는 명암이 갈렸다. 작은 헤어핀에서 큰 리보자임까지 200개 RNA 분자를 분석한 연구에서 중소형 RNA에 대해서는 전문 RNA 모델링 도구와 대등한 결과를 보였으나, 복잡한 3차 상호작용이 얽힌 큰 RNA에서는 정확도가 크게 떨어졌다. 단백질 중심으로 설계된 구조의 한계가 드러난 대목이다.
학습된 양상에 지나치게 기대는 탓에 물리적 개연성이 부족한 과신 예측을 내놓는 문제도 지적된다. 유연하거나 비전형적인 계에서 신뢰성이 흔들리는 것이다. 고도로 유연하고 비정준적인 계에서의 성능 개선, 리간드와 보조인자 데이터의 통합을 통한 상호작용 모델링의 개선, 다성분 조립체에 대한 적응성 강화가 개선의 여지로 남는다.
세 층을 함께 보면 각 층을 따로 볼 때 숨어 있던 복잡한 생물학적 기전이 드러난다. 다중뷰 학습은 여러 오믹스 데이터셋에서 동시에 정보를 길어 올리는 기법이며, DeepMO와 MAUI 같은 틀은 층을 가로지르는 공통 특징과 고유 특징을 함께 찾아낸다. 질환 아형 분류와 환자 층화의 정확도를 높인다.
암 연구에서 특히 변혁적이었다. 베이즈 잠재변수 모형인 iClusterPlus와 다중오믹스 인자 분석인 MOFA+는 유전체·전사체·단백체 데이터를 결합해 고유한 분자 서명을 지닌 새로운 암 아형을 찾아냈고, 그것이 전통적 조직학 분류보다 임상 결과와 더 밀접히 연관되었다.
약물 반응과 내성의 예측도 개선되었다. DeepDRP는 유전체 돌연변이와 발현 프로필, 단백체 표지자를 결합해 특정 화학요법제에 대한 민감도를 예측한다. 경로 강화 분석과 시스템 생물학에서도 netDx와 PUMA 같은 도구가 방대한 다중오믹스 데이터로 생물학적 경로와 네트워크 모듈을 조립해 잠재적 약물 표적을 찾아낸다.
인공지능이 가능케 한 다중오믹스 통합의 가장 중요한 성과 하나는 분자 수준에서 질환 기전을 더 깊이 이해하게 된 것이다. 단일 오믹스 접근은 질환 표현형을 조절하는 정교한 조절 층위와 번역 후 층위를 놓치기 일쑤였다.
새로운 유발 돌연변이, 조절이 흐트러진 경로, 면역 회피 기전의 발견으로 이어졌다. DNA 메틸화와 mRNA 발현, 단백체 데이터를 결합한 TCGA 분석은 종양 진행과 치료 내성의 핵심 조절자를 식별했다.
알츠하이머병과 파킨슨병에서 전장유전체 연관 연구의 결과를 전사체·단백체 데이터와 통합해 미토콘드리아 기능장애, 산화 스트레스, 면역 활성화가 얽힌 수렴 경로를 드러냈다. 여기서 나온 통찰이 현재 임상시험 중인 후보 치료 표적의 개발을 이끌었다.
당뇨와 비만에서 후성유전체·전사체·단백체 데이터를 통합 분석해 인슐린 신호와 지질 대사의 새로운 조절자를 밝혀냈다. 정밀 치료와 조기 진단으로 가는 길을 연다.
유전 위험 점수를 혈장 단백체·전사체와 결합한 모형이 임상 점수만 쓸 때보다 위험 층화의 정확도를 크게 높였다.
여러 질환의 통합 오믹스 프로필을 비교해 자가면역 질환과 신경퇴행 사이의 공통된 염증 서명을 드러냈다. 약물 재창출과 공통 개입 전략의 가능성을 시사한다.
통합 모형은 질환의 궤적을 예측하는 조기 바이오마커를 식별해 선제적 개입을 가능케 한다.
변혁적 잠재력에도 불구하고 널리 쓰이는 일과 임상으로의 이행을 가로막는 난제가 여럿 남아 있다. 기술적·계산적·생물학적 영역에 걸쳐 있다.
다중오믹스 데이터셋은 유형과 척도, 단위, 형식이 크게 다르다. 유전체 데이터는 대체로 이산적이고(SNP 등) 전사체와 단백체는 연속적인 발현 수준을 나타낸다. 이런 데이터를 정합적인 모형에 넣으려면 광범위한 전처리와 정규화, 변환이 필요하며, 제대로 수행되지 않으면 편향과 인공물이 끼어든다.
표준화된 파이프라인과 형식의 부재는 연구 간 비교를 어렵게 만든다. 유전체·보건 국제연합(GA4GH)과 FAIR 원칙(찾을 수 있고, 접근 가능하며, 상호운용 가능하고, 재사용 가능할 것) 같은 시도가 필수적이나 연구 공동체 사이의 채택은 여전히 고르지 않다.
대부분의 오믹스 연구가 이른바 “큰 p, 작은 n” 문제를 안는다. 특징은 수천 개인데 표본은 상대적으로 적다. 이 불균형은 과적합의 위험을 키우며, 방대한 훈련 데이터를 요구하는 심층학습 구조에서 특히 그렇다.
정칙화와 특징 선택, 전이학습이 부분적 해법을 주지만 일반화 가능성은 여전한 걱정거리다. 단일세포 염기서열분석과 단백체 데이터셋은 높은 실험 비용과 기술적 제약 탓에 표본 수가 제한되어 큰 유전체 데이터셋과의 통합이 어렵다.
실제 오믹스 데이터셋에는 결측값이 잦다. 검출 한계, 실험 실패, 플랫폼 차이에서 비롯한다. 이 빈칸은 모형의 정확도와 생물학적 해석 가능성에 큰 영향을 미친다. k-최근접이웃, 행렬 분해, 심층 생성 모형 같은 대치 방법이 도움이 되지만 보편적으로 효과적이지는 않다.
시료 처리, 염기서열분석 플랫폼, 실험실의 차이에서 생기는 배치 효과가 신호의 해석을 왜곡한다. 이는 진짜 생물학적 신호를 가리고 잘못된 이해를 낳는다. 견고한 배치 보정 방법이 필요하되, 진정한 생물학적 변이를 보존하도록 세심하게 조율되어야 한다.
심층학습 모형은 예측 정확도에서 탁월하나 해석 가능성이 부족한 경우가 많다. 생의학 연구와 임상 환경에서는 결정적인 요건이다. 임상의와 생물학자, 규제 당국을 아우르는 이해당사자는 기전적 통찰을 제공하고 개별 예측을 설명할 수 있는 투명한 모형을 요구한다.
SHAP과 LIME, 어텐션 기제 같은 노력이 유망하지만 아직 보편적으로 적용되지 않았다. 통합 모형의 복잡성이 때로 거짓 발견이나 과잉 해석으로 이어지기도 한다. 생물학적 검증이 뒤따르지 않을 때 특히 그렇다.
고차원 오믹스 데이터로 심층 신경망을 훈련하려면 상당한 계산 인프라가 필요하다. GPU와 대용량 메모리, 분산 컴퓨팅이 요구되는데 많은 연구 집단에게는 접근하기 어렵다. 대규모 훈련에 드는 시간과 에너지 비용은 지속가능성과 재현성의 우려도 낳는다.
주석이 붙은 데이터가 부족한 것은 오믹스 데이터셋의 고질적 문제다. 지도 기계학습 모형의 효과적 훈련을 가로막는다. 준지도·비지도 학습과 전이학습이 라벨 없는 데이터나 유사 영역의 데이터를 활용해 이 장벽을 넘으려 하고 있으며, 더 크고 표준화된 데이터셋의 구축도 완화책이 된다.
오믹스에 기반한 표적 의약품 개발에는 접근 불가능한 데이터, 부실한 라벨링, 배치 사이에 생기는 자연적 변이가 늘 따라붙는다. 유전체·전사체·단백체·대사체를 아우르는 이 데이터를 결합하고 신중히 연구하는 일이 정밀의료의 전진에 매우 중요하다.
인공지능 기반 다중오믹스 통합이 임상 응용에 다가갈수록 윤리적 고려가 한층 중요해진다. 오믹스 데이터, 특히 전장유전체 서열은 식별 가능성이 매우 높고 민감하기 때문이다.
비식별화된 데이터라 해도 공개된 정보와 결합하면 재식별될 수 있어 개인의 프라이버시를 위협한다. 연합 학습과 동형암호 같은 기술이 데이터를 중앙에 모으지 않고도 안전한 분산 훈련을 가능케 하는 해법을 제시하나, 아직 채택 초기 단계다.
환자와 참여자는 자신의 데이터가 어떻게 쓰이고 저장되고 공유되는지를 온전히 알아야 한다. 그러나 인공지능 모형과 다중오믹스 연구의 복잡성은 진정한 동의를 어렵게 만든다. 인공지능이 만들어낸 바이오마커나 위험 점수 같은 파생 통찰의 소유권을 명확히 하는 일도 법적·윤리적 과제다.
모형은 훈련된 데이터만큼만 공정하다. 대부분의 오믹스 데이터셋이 유럽계 인구에 크게 치우쳐 있어 알고리즘 편향과 과소대표 집단에서의 성능 저하가 우려된다. 이는 건강 격차를 악화시키고 정밀의료의 형평을 훼손할 수 있다. 훈련 데이터셋의 다양화, 공정성 지표의 도입, 인구집단별 성능 감사가 필요하다.
인공지능 기반 도구가 진단과 치료 계획에 편입되면서 책임의 소재가 문제가 된다. 인공지능에 근거한 오진의 책임은 개발자에게 있는가, 임상의에게 있는가, 기관에게 있는가. 규제의 틀은 진화하고 있으나 혁신과 환자 안전, 책임성 사이의 균형을 잡아야 한다.
기술의 지속적 진보는 현재의 한계를 넘어설 뿐 아니라 시스템 생물학의 이해를 크게 넓히고 정밀의료를 다시 짤 발견의 길을 열 것으로 전망된다.
어텐션 기반 구조, 반사실적 추론 기제, 인과 추론 모형 같은 방법론은 단순한 예측을 넘어 질환의 밑바탕 과정에 대한 기전적 통찰을 제공하려 한다. 확립된 경로와 상호작용 네트워크 같은 기존 생물학 지식을 모형에 넣으면 해석 가능성이 높아지고 예측이 생물학적으로 개연성 있는 범위로 제한된다.
착용형 생체 센서나 최소 침습 채취로 얻은 시계열 전사체·단백체 데이터가 늘면서 질환의 동적 감시와 조기 개입의 기회가 열린다. 시간적 동역학을 반영하도록 설계된 순환 신경망과 트랜스포머가 이 복잡한 데이터셋의 해석에 결정적이 된다.
표적 전사체 염기서열분석과 인공지능을 결합해 혈액암과 고형암을 정확히 구별한 연구가 있다. 기하평균 나이브 베이즈 분류기 같은 알고리즘이 암종 진단에서 AUC 0.841에서 1에 이르는 정확도를 보였다.
2021년까지 90%의 청사진을 완성한 이 사업은 단백체학과 인공지능의 통합으로 질환 기전의 이해를 깊게 한 본보기다. 방대한 단백체 데이터셋을 탐색해 질환의 진행과 치료 선택지에 관한 발견을 낳았다.
가장 효과적인 바이오마커의 식별, 실험 결과의 예측, 가장 정보량이 큰 표본의 선택을 돕는다. 능동 학습과 베이즈 최적화가 특히 유망한 경로로 꼽힌다.
프라이버시 보존과 확장성을 동시에 갖춘 해법의 필요가 커지고 있다. 엣지 컴퓨팅과 연합 학습은 환자의 기밀을 지키면서 분산 데이터 분석을 수행하게 하여 다기관 연구와 분산 바이오뱅크에 특히 적합하다.
영상 기술, 상세한 임상 기록과 전자건강기록, 환경 데이터까지 아우르는 폭넓은 데이터 원천의 통합이 예상된다. 비전 트랜스포머와 다중모달 오토인코더 같은 모형이 그 목표의 실현에 기초가 된다.
데이터 표준화와 내재된 편향, 윤리적 딜레마가 여전히 큰 걸림돌로 남는다. 인공지능 알고리즘의 해석 가능성을 높이는 일이 임상으로의 안전한 편입에 결정적이며, 모형을 임상에서 믿고 쓸 수 있는지 확인할 전향적 연구가 계속 필요하다.
인공지능은 통합 오믹스 연구의 지형을 다시 짜고 있다. 유전체와 전사체와 단백체를 하나의 모형으로 합성함으로써 복잡한 생물학적 계를 열고 질환의 이해와 진단, 치료를 바꿀 열쇠를 쥔다. 데이터 표준화와 계산 부담에서 윤리적 고려에 이르는 난제가 여전하지만, 기계학습 방법론과 계산 인프라의 진전이 계속 전진을 밀고 있다. 연구자와 임상의, 정책결정자와 윤리학자의 협력이 이 잠재력을 책임 있고 공평하게 길어 올리는 데 결정적이다.
열두 명의 저자가 여덟 개 기관에 걸쳐 쓴 장이다. 그만큼 폭이 넓지만 절 사이의 중복과 배치의 어긋남도 눈에 띈다. 원문을 옮기며 걸린 대목을 감추지 않고 적어둔다. 인용 시 유의할 지점의 목록이다.
Perlinska et al. (2024)로 인용되는데,
RNA 부분은 Callaway (2024), McDonnell et al. (2024)와 함께 묶여 있어
어느 결과가 어느 문헌의 것인지 분간하기 어렵다.
본 요약에서는 저자명을 특정하지 않고 결과만 옮겼다.
Yang et al. (2022.07.24)처럼 날짜가 섞인 연도가 있다.
또 11.3절에는 “an impresely high level of accuracy”(impressively) 같은 오식이 남아 있다.