2003년 인간 유전체 사업이 끝난 뒤 유전체 의학은 줄곧 자라났다. 이 장은 그 안의 두 기둥을 나란히 세운다. 서열을 바꾸지 않고 발현을 바꾸는 것과, 같은 약에 다르게 반응하게 만드는 것.
밑에 깔린 염기 서열의 돌연변이 없이 일어나는 기능적 유전자 발현의 변화다. 사이토신이나 아데닌의 메틸화, 히스톤의 메틸화·아세틸화·유비퀴틴화, 크로마틴 재구성 인자에 의한 뉴클레오솜의 위치 이동이 그것이다.
miRNA 같은 비암호화 RNA에 의한 유전자 침묵, 3차원 유전체 조직의 변경을 통한 전사 조절도 포함된다.
유전자의 차이가 약물에 대한 반응 방식에 어떻게 영향을 주는지를 연구한다. 혈액 희석제 클로피도그렐은 개인이 CYP2C19 유전자에 돌연변이를 지니면 흡수되지 않는다.
처방 전에 이런 변이를 검사하면 의사가 더 효과적인 약을 고를 수 있다. 정밀한 치료와 용량이 결정적인 암, 정신과, 심장학에서 특히 중요해진다.
유전체 의학, 정밀의료, 개인 맞춤 의료는 흔히 같은 뜻으로 쓰이지만 강조점이 다르다. 저자들은 의미의 혼란을 피하려고 셋을 구별한다.
의료와 진단, 치료에서 개인의 유전체 데이터를 쓰는 일을 특정해 가리킨다.
더 넓은 말이다. 유전체와 함께 환경적·생활습관적 요인까지 고려해 의료를 맞추고 그에 따라 개입을 제공한다.
정밀의료와 유전체학에서 얻은 통찰을 써서 환자 각자의 수준에서 진료를 맞추는 데 초점을 둔다.
이 분야는 모두에게 하나의 치수를 적용하던 전통적 치료를 개인화된 접근으로 옮겨 의료를 앞당겼다. 부작용을 줄이고 효과를 높이며 환자에게 힘을 준다. 패러다임의 전환이라 불리는 까닭은, 의료 제공자가 이제 증상이 나타나기 전에도 특정 질환의 위험을 식별해 더 이른 개입과 더 치료 가능한 단계에서의 발견을 가능케 하기 때문이다.
그러나 난관이 있다. 방대한 유전체 데이터를 정확히 해석하는 일이 주요 과제이며, 표준 임상 지침의 한계 탓에 여러 검사를 함께 쓰는 일이 환자 진료에 도입되기 어렵다. 검사에 대한 편향 없는 접근, 데이터의 사생활 보호, 그리고 유전에 근거한 차별의 가능성도 철저한 주의를 요구한다.
인공지능이 이 한계를 다룰 해법이 될 수 있다는 것이 이 장의 전제다. 복잡한 유전체 데이터의 해석을 앞당기고 질환과 관련된 유전적 변이와 양상을 정확히 찾아낸다. 다만 인공지능 자체도 난제를 낳는다. 연구를 재현 가능하게 만들기 위한 알고리즘의 투명성과, 실세계 데이터의 큰 편향이 그것이다.
인공지능의 계보는 상징 논리에서 데이터 기반 학습 알고리즘으로 옮겨 온 개념적·기술적 변화의 기록이다. 그 사이에 두 번의 겨울이 있었다.
인공지능이 여러 인지 과제를 수행할 기계를 만드는 목표를 지닌 과학 분야로 공식 수립되었다. 초기에는 상징 체계가 지배해 개념과 사고를 양상과 이유의 형태로 명확히 표현하려 했다. 이 시기를 첫 번째 인공지능의 봄이라 부른다.
이 체계들은 늘어나는 일상의 다양성과 불확실성을 따라가지 못했다. 라이트힐 보고서는 인공지능이 부차적 과제 외에 실용적 응용을 만들어내지 못했다고 평가했고, 연구비가 줄어 첫 번째 인공지능의 겨울이 왔다.
규칙 기반 기법이 인간 지능을 만들어내는 데 한계가 있음이 드러났다. 관리 비용이 지나치게 크고 유연성이 부족한 체계들이 상업적으로 실패했다.
연구가 데이터 기반 기법으로 옮겨 가면서 기계학습이 발전했고, 방대한 데이터를 다루는 의료 영역에서 상당한 가능성을 보였다. 결정트리, k-최근접이웃, 서포트 벡터 머신이 예측과 분류에 매우 효과적이었다. 대규모 데이터셋을 다루는 유전체학과 생물정보학에서 기계학습이 핵심이 되었다.
인간 뇌의 기능과 구조를 모방해 2000년대 초에 발전한 심층학습이 ImageNet 대회에서 AlexNet이라는 진보한 합성곱 신경망으로 영상 분류 정확도를 크게 개선했다. 이후 심층학습은 변이 호출, 비암호화 영역의 기능 주석, 유전자 발현 예측에 쓰였다.
방대한 유전체 데이터와 그래픽 처리 장치, 텐서 처리 장치 같은 처리 기술의 진보가 새로운 혁명을 시작했다. AlphaFold는 전례 없는 정확도로 단백질 구조를 예측하는 심층학습의 역량을 보여, 약물 개발과 특정 치료를 앞당길 잠재력을 지닌다.
기계학습 알고리즘은 지도학습, 비지도학습, 강화학습으로 나뉜다. 지도학습은 주석이 달린 데이터셋에 쓰이며 분류와 회귀로 각각 범주와 연속 결과를 예측한다. 비지도학습은 주석 없는 데이터에 쓰이며 k-평균과 계층적 군집화 같은 기법으로 차원 축소와 군집화를 수행한다. 강화학습은 보상에 근거해 경험에서 배우는 시행착오 방식으로 주로 의사결정에 관여한다.
유전체에서 발현에 영향을 주는 후성유전적 변형에는 DNA 메틸화, 히스톤 변형, 뉴클레오솜의 재배치, 비암호화 RNA에 의한 침묵이 있다. 서열은 바꾸지 않으면서 발현을 바꾸므로, 그 변화를 잡아내는 기법도 여럿으로 갈린다.
가장 흔한 형태는 사이토신 메틸화다. DNA 메틸전이효소(DNMT)가 C5 위치에 메틸기를 붙여 5-메틸사이토신을 만든다. 주로 프로모터의 CpG 아일랜드에서 일어나며 전사인자와 RNA 중합효소의 결합에 영향을 주어 발현을 바꾼다. 배아 발생과 세포 정체성에 필수적이면서 종양 발생에도 관여한다.
바이설파이트 처리로 메틸화되지 않은 사이토신이 티민으로 전환되고 메틸화된 것은 그대로 남는다. 메틸화·비메틸화 각각에 맞춘 프라이머 가운데 어느 것이 증폭에 성공하는지로 메틸화를 확인한다.
바이설파이트 전환 뒤 차세대 염기서열분석을 수행하고, 참조 유전체에 정렬해 전환 영역의 불일치를 찾는다. 제한효소 절단과 결합한 축약 표현 방식도 있다.
단일세포 해상도에서 전장유전체 메틸화 프로파일링을 수행해 집단 안 개별 세포 사이의 차등 메틸화 양상을 연구한다.
메틸화된 DNA를 칩에 혼성화한다. Illumina의 Human Methylation Infinium BeadArray는 메틸화 영역에 집중하는 비용·시간 효율적인 플랫폼이다.
HpaII, MspI처럼 제한 부위가 메틸화되면 절단하지 못하는 효소를 써서 비메틸화 부위만 선택적으로 자르고, 그 조각으로 라이브러리를 만들어 시퀀싱한다.
전사가 활발한 크로마틴은 느슨하고 전사되지 않는 영역은 뉴클레오솜으로 촘촘히 감겨 있다. 느슨하고 접근 가능한 영역을 유크로마틴, 촘촘하고 접근 불가능한 영역을 헤테로크로마틴이라 한다. 유크로마틴은 대개 프로모터와 인핸서, 전사인자 결합 부위다. 접근성은 뉴클레오솜의 위치, 히스톤의 조성과 변형, 그리고 DNA 메틸화 같은 후성유전적 기제로 유지된다.
DNase 1 효소로 크로마틴을 절단한다. 이 효소는 접근 가능한 크로마틴만 소화할 수 있다. 그 조각을 시퀀싱해 접근성 정보를 얻는다.
미크로코쿠스 뉴클레아제가 히스톤에 결합한 뉴클레오솜 DNA만 남기고 나머지를 소화해 접근성이 낮은 영역을 농축한 뒤 시퀀싱한다. 뉴클레오솜의 위치를 알아낸다.
DNase와 MNase 시퀀싱 양쪽을 대신할 수 있다. 조작된 과활성 Tn5 전이효소로 유크로마틴을 자르면서 동시에 시퀀싱 어댑터를 양 끝에 연결하고, 고속 시퀀싱으로 접근 가능한 영역의 정보를 얻는다.
DNA와 그 결합 단백질을 포름알데히드로 교차 결합하고 크로마틴을 절단한 뒤, 관심 단백질에 대한 항체로 끌어내려 시퀀싱해 그 단백질의 유전체 전역 점유를 본다.
ChIP로 특정 단백질이 결합한 DNA 조각을 침강시킨 뒤 바이설파이트 시퀀싱으로 그 조각의 메틸화 상태를 조사한다.
인핸서–프로모터 상호작용으로 생기는 크로마틴 고리와 위상 결합 도메인(TAD) 같은 염색체의 공간 배열을 연구한다. 교차 결합으로 상호작용을 고정하고 뉴클레아제로 절단한 뒤 상호작용하는 조각을 다시 연결해 Hi-C 지도를 만든다.
ChIP로 특정 단백질에 결합한 교차 결합 조각을 침강시키고, 근접 결찰로 그 조각을 포착해 쌍끝 태그를 붙여 시퀀싱한다. 그 단백질이 매개하는 크로마틴 상호작용의 정보를 준다.
단백질로 번역되지 않으나 발현 조절 등 여러 기능에 관여하는 전사체를 분석한다. tRNA, rRNA, miRNA, 긴 비암호화 RNA가 여기 속한다. 단일세포 RNA 시퀀싱과 신생 RNA를 보는 GRO-seq, RNA–단백질 상호작용을 보는 ChIRP와 lncRNA 면역침강이 변형 기법이다.
지난 20년 사이 약물유전체학은 임상 지침의 개발을 향해 상당한 진전을 이루었다. 기술의 진보가 정밀의료에서 유전적 변이를 분석하는 새 방법을 낳았고, 차세대 염기서열분석은 시간과 비용의 부담을 줄이며 더 포괄적이고 효율적인 접근을 제공한다.
DNA 추출에서 시작해 단편화, 말단 수복, 어댑터 결찰로 이어진다. 전장엑솜분석, 표적 시퀀싱, RNA 시퀀싱, ChIP 시퀀싱이 그 폭넓은 응용이다. 단일 유전자 분석에서 다유전자 평가로 넘어가는 진화를 가능케 했다.
흔한 변이와 드문 변이를 함께 포착해 단일염기 변이와 복제수 변이를 정확히 식별한다.
새로운 파마코진과 이미 알려진 파마코진을 결합하는 데 쓰이는 맞춤 패널이다.
전장유전체는 유전체 전역을 포괄하고 전장엑솜은 암호화 영역에 국한된다. 시퀀싱 비용이 낮아지면 전장유전체가 우선 플랫폼이 될 것으로 본다.
상용 또는 맞춤 마이크로어레이로 수행되며 현재 약물유전체학에서 가장 널리 쓰이는 플랫폼이다. 단일 유전자의 몇 개 변이부터 유전체 전역의 수천 개까지 미리 정해진 집합을 담는다. PharmGKB는 그 변이를 모은 데이터베이스다.
두 개의 병렬 PCR 반응으로 야생형과 돌연변이 대립유전자를 구별한다. 하나는 야생형 서열에 상보적인 프라이머를, 다른 하나는 돌연변이 서열의 프라이머를 쓴다. 프라이머가 표적에 정확히 맞을 때만 증폭이 일어난다.
다형성을 둘러싼 프라이머와 야생형·돌연변이 각각의 형광 탐침을 쓴다. 증폭 중 Taq 중합효소의 5′ 엑소뉴클레아제 활성이 혼성화된 탐침을 절단해 리포터 염료를 소광제에서 분리하고, 그 형광으로 실시간 판별이 가능해진다.
마이크로어레이는 DNA 탐침을 체계적으로 배열한 유리 슬라이드로, 단일염기다형성 유전형 분석에 가장 널리 쓰인다. 질량분석은 이온화된 입자의 질량 대 전하 비를 평가해 넓은 질량 범위에서 검출과 정량을 수행하는 분석 기법이다.
Agendia의 MammaPrint와 Roche의 AmpliChip CYP450이 여러 유전자 변이를 분석하는 미국 식품의약국 승인 마이크로어레이 검사다.
Affymetrix와 Illumina의 상용 SNP 어레이는 100만 개가 넘는 인간 단일염기다형성을 높은 정확도와 재현성(호출률 99.5% 초과)으로 식별하며 복제수 변이 탐지에도 쓸 수 있다.
패널 기반 유전형 분석으로 약물 반응과 관련된 단일염기다형성을 식별해 개인화된 임상 의사결정 지원을 제공하는 대표적 프로그램이다.
높은 민감도와 특이도를 제공하면서 여러 분석을 동시에 수행할 수 있어 결정적인 생물학적 시료의 평가에 유용하다.
비행시간형과 오비트랩 같은 고해상도 장비의 진보로 질량분석이 연구실을 넘어 임상 체계로 들어왔다. 질량분석 기반 대사체학과 단백체학은 종양 특이 생체표지자와 치료 표적의 발굴에 기여했다.
기술의 목록이 짝을 이루었듯 응용도 짝을 이룬다. 왼쪽은 복잡한 후성유전 조절 양상을 해독하는 일이고, 오른쪽은 유전 프로필로 약물 반응을 내다보는 일이다.
여러 질환이 특정 유전체 위치의 후성유전적 변화에서 비롯한다. 전역 메틸화 데이터셋으로 심층학습 모형을 훈련하면 암 특이 위치의 메틸화를 탐지하고 종양 발생 잠재력을 지닌 새 메틸화 위치를 예측할 수 있다.
혈액 혈장에서 분리한 세포유리 DNA의 전장유전체 바이설파이트 시퀀싱 데이터로, DNA 서열 정보와 메틸화 데이터를 통합해 만든 심층학습 기반 초고감도 암 탐지법이다.
경직성 뇌성마비 청소년군과 대조군의 메틸화 민감 제한효소 시퀀싱 데이터를 비교해 후성유전 프로필을 생체표지자로 삼은 기계학습 접근도 개발되었다.
치료 결정과 환자 관리에는 질환과 그 아형에 대한 지식이 필수다. 아형이 알려진 경우에는 지도학습으로 분류하고, 정보가 불완전해 아형이 알려지지 않은 경우에는 비지도학습이 유용해진다. 전장유전체 연관 연구, ATAC-seq, Methyl-seq, ChIP-seq 같은 대규모 데이터에 심층학습과 합성곱 신경망을 적용하면 더 정확하고 빠른 분석이 가능해진다.
유방암 분류를 위한 두 단계 틀이다. 1단계는 아형을 분류하는 심층학습망 Methylnet으로, 오토인코더로 차원을 줄이고 순방향 신경망으로 분류한다. 2단계는 생체표지자 발굴 알고리즘 MethylBDA다. 얻은 표지자로 유전자 집합 강화 분석을 수행해 14개의 약물화 가능 유전자와 아형 특이 경로를 찾아냈다.
엘라스틱 넷, LASSO, 릿지, 분류회귀트리 같은 기계학습으로 갈색세포종·부신경절종과 다른 17종 암의 RNA 시퀀싱 데이터를 분석해 해당 종양에 특이적인 긴 유전자간 비암호화 RNA를 식별하고 시료를 5개 분자 아형으로 분류한 연구도 있다.
병인학은 질병의 원인과 발생 방식을 다루는 연구다. 기계학습과 심층학습으로 질환과 후성유전 양상의 연관을 식별하면 발병 기전의 이해를 돕는데, 희귀질환에서 특히 유리하다. 엘러스–단로스 증후군, 겸상적혈구빈혈, 낭포성 섬유증, 뒤셴 근육퇴행위축, 혈우병이 그런 예다.
계층적 군집화와 다차원 척도법으로 신경 발달 유전자 위치에서 두 개의 유전체 DNA 메틸화 에피시그니처를 찾아냈다. 이 에피시그니처로 선형 커널 서포트 벡터 머신을 훈련해, 발달 지연을 지닌 미진단 환자의 큰 코호트에서 ADNP 증후군 환자를 성공적으로 식별했다.
가장 유망한 응용의 하나다. 유전 프로필과 임상 프로필에 근거해 환자가 특정 약물에 어떻게 반응할지를 예상하는 일이다. 랜덤 포레스트, 서포트 벡터 머신, 심층 신경망 같은 지도학습이 방대한 유전체 데이터를 분석해 환자를 반응군과 비반응군으로 분류한다. 합성곱 신경망은 유전 정보의 공간적 양상을 추출하고, 장단기 기억망은 환자의 이력과 치료 시간선을 모형화한다.
약물유전체 정보와 화학 정보를 합성곱층으로 통합해 이상약물반응 예측에서 높은 정확도를 보였다. 성능은 정확도, 정밀도, 재현율, AUC-ROC로 평가된다.
임상적 관련성도 자라고 있다. GenoPharm과 미국 식품의약국이 승인한 와파린 용량 알고리즘은 실제 적용의 예를 보여준다.
치료가 제한되거나 내성이 생긴 질환에서 새 표적을 찾는 일은 필수다. 표적 발굴의 PandaOmics와 분자 설계의 Chemistry42를 통합한 플랫폼이 대표적이다.
특발성 폐섬유증의 새 표적으로 TNIK를 식별하고 잠재적 치료제 ISM001-055(렌토서티브)를 개발했다. 제5장에서도 같은 사례가 다루어진다.
IBM의 Watson for Genomics는 자연어처리로 유전체 정보와 전자건강기록, 의학 문헌을 분석해 종양 돌연변이를 식별하고 근거 기반의 암 치료를 권고하며, 흔히 전문 종양학자의 판단과 일치한다.
GenoPharm은 아프리카계 개인에게 흔한 46개 파마코진에 걸친 120개 단일염기다형성을 분석해 유전형에 근거한 처방을 제공하며, 최적화된 용량에 대한 실행 가능한 통찰을 주고 높은 정확도와 재현성을 보였다.
오토인코더와 변분 오토인코더가 차원 축소에 널리 쓰여 잡음을 줄이면서 유의한 특징을 추출한다. 다중모달 심층학습 모형은 유전 변이에서 임상 결과까지 생물학적 층을 가로지르는 복잡한 관계를 학습해 이 기법을 한층 강화한다.
트랜스포머 기반 심층학습 모형으로 상승 작용을 내는 약물 조합을 예측한다. 약물–표적 프로필, 유전자 발현, 유전자 의존성 정보를 통합하고 자기 어텐션으로 유전자 상호작용을 모형화한다. 섀플리 가법 유전자 집합 강화 분석(SA-GSEA)으로 상승 작용을 이끄는 핵심 유전자를 식별한다.
복잡한 투약 요법을 지닌 집단에서 환자의 안전을 보장하려면 결정적인 일이다. 임상시험과 시판 후 감시 같은 전통적 방법은 범위와 속도가 제한되어 인공지능의 채택을 불렀다.
DeepDDI는 심층 신경망으로 약물의 화학 구조를 분석해 86가지 유형의 상호작용을 예측한다. 19만 개가 넘는 약물쌍의 DrugBank 데이터셋으로 평균 92.4%의 정확도를 얻었다. AttentionDDI는 구조·단백질 표적·유전자 발현 같은 유사도 행렬을 통합하는 샴 어텐션 구조로 예측 정확도와 해석 가능성을 함께 높였다.
이 장의 난제 절은 구체적이다. 표본 30명으로 훈련한 모형이 내부 정확도 90%를 넘기면서도 실제 진단에서는 실패할 수 있다는 것, 건강 대조군이 환자보다 다섯 배 많은 데이터가 소수 집단을 놓치게 만든다는 것, 그리고 잘못된 판정의 책임이 누구에게 있느냐는 것.
후성유전 데이터셋의 고차원 성격이 과적합에 취약하게 만든다. 암 환자 30명의 메틸화 데이터만으로 훈련한 모형은 내부 정확도가 90%를 넘을 수 있으나, 배경과 합병증이 다양한 더 큰 집단에 적용하면 실제 진단 성능이 나쁘다. 잘못된 분류는 위양성 암 예측으로 불필요한 검사와 치료를 낳는다. 차원 축소와 정칙화가 이를 줄일 수는 있으나 임상 오류의 가능성을 완전히 없애지는 못한다.
희귀질환과 낯선 종에서 특히 그렇다. 신경 질환의 통계적 오류는 모형이 질환 표현형을 기능 없는 CpG 부위와 잘못 상관시키게 만들 수 있다. 이런 오류는 검증에 돈과 실험 자원을 낭비시키면서 의사를 오도한다. 질 높은 공개 데이터셋의 부족은 재현성을 제약하고 널리 쓸 수 있는 모형의 창출을 늦춘다.
인핸서 예측과 DNA 서열 분류에 자주 쓰이는 합성곱 신경망은 복잡한 양상을 알아보는 능력에도 불구하고 의사결정 과정이 대체로 불투명하다. 메틸화 서명에 근거해 어떤 환자를 고위험으로 판정했는데 어느 유전 요소가 그 판정에 관여했는지 드러내지 않으면 의사는 자신 있게 대응할 수 없다. SHAP과 LIME이 도움이 되지만, 강조된 영역이 알려진 발암유전자와 일치하는지 확인하는 것 같은 생물학적 근거가 없으면 임상적 유용성은 여전히 제한된다.
여러 후성유전 데이터셋에서 건강 대조군이 환자보다 다섯 배 많을 수 있다. 이런 편중된 데이터로 훈련된 알고리즘은 전체적으로는 잘 작동하면서 소수 집단을 놓친다. 데이터 대부분이 비반응자에서 왔다면, 약물에 반응하는 암 환자를 비반응자로 잘못 판정해 효과적인 치료를 박탈할 수 있다. 합성 과표집이나 사전훈련, 데이터 증강은 철저한 검증 없이 쓰면 거짓 편향을 만들거나 해석 가능성을 떨어뜨린다.
인공지능 체계가 질환을 잘못 규정했을 때 책임은 기관에 있는가, 개발자에게 있는가, 임상의에게 있는가. 이 책임 공백이 중대한 문제다. 불확실한 모형은 환자의 자율성도 훼손할 수 있다. 메틸화 데이터로 정신질환을 예측하는 알고리즘을 생각해보라. 환자도 의료진도 그 예측의 근거를 이해하지 못하면 충분한 설명에 의한 동의와 신뢰가 무너진다. 후성유전 데이터는 태내 노출이나 정신질환 감수성처럼 극히 사적인 정보를 드러낼 수 있어 프라이버시 보존 체계와 철저한 규제 감독이 절실하다.
견고한 모형을 세우는 데 핵심 장애는 질 높은 약물유전체 데이터셋의 필요인데, 그것이 임상 실무에서 일상적으로 쓰이지 않는다는 사실이다. 데이터의 부족은 서로 다른 집단에 일반화되지 않는 모형으로 이어져, 충분히 대표되지 않은 집단에서 약물 반응을 부정확하게 예측하게 만든다.
유전체·단백체 데이터를 임상 데이터와 함께 모으는 일이 과정을 방해한다. 잘 주석된 전자건강기록으로 한 기관에서 세운 모형은 기록이 조각나 있고 다르게 분류된 기관에 배치하면 성능이 떨어져 치료적 가치가 줄어든다.
스티븐스–존슨 증후군은 약물유전체 연구에서 드물어, 소수 집단이 전혀 대표되지 않는 매우 편중된 데이터를 낳는다. 크고 대표성 있는 표본이 공급되지 않으면 알고리즘은 이런 편중된 정보에서 배우지 못한다. 그 결과 드물지만 심각한 이상반응을 피해 가는 모형이 만들어져, 치료 권고에 쓰일 때 진짜 임상적 우려를 낳는다.
핵심 약물유전체 정보는 대개 비정형 임상 문서에 있거나 여러 전자건강기록과 약국 시스템에 흩어져 있어 추출과 취합이 어렵다. 정보를 놓치거나 잘못 해석해 불완전한 환자 프로필과 실망스러운 치료 권고로 이어질 가능성이 커진다.
체계 안의 편향은 지속적으로 부정확한 예측을 낳으며, 개발과 배치에서 개방성과 공정성이 중요함을 부각한다. 한편 유전 데이터 자체의 복잡성도 큰 장벽이다. 많은 유전 변이를 분석하고도 표본의 크기는 매우 작으며, 그 변이 대부분은 임상 결과에 유의성이 없어 모형을 복잡하게 만들고 과적합의 위험을 키운다. 실제 임상에서 재현되지 않는 거짓 연관을 만들어내면 도구에 대한 신뢰가 흔들린다.
합성곱망 같은 복잡한 알고리즘은 그 구조 탓에 흔히 블랙박스로 분류되어, 입력 데이터와 예측 사이의 연결을 밝히기가 매우 까다롭다. 설명가능 인공지능이 알고리즘의 결정과 예측을 설명해 명료성을 높이려 하며, 이는 임상의의 신뢰를 얻고 임상적으로 실행 가능한 결정을 내리는 데 결정적이다. 어떤 인공지능 체계가 왜 특정 약을 처방했는지 이해하지 못하면 임상의는 그 권고를 따르기를 망설이게 된다.
다차원 데이터셋 안의 관계를 식별함으로써 인공지능은 전통적 방법으로는 탐지할 수 없던 통찰을 제공한다. 질환의 위험 요인과 약물 반응, 치료 결과에 대한 정확한 예측이 개별 환자에 맞추어 가능해지는 길이다.
개인의 유전 프로필 전체와 현재 복용 중인 약을 함께 분석해 유전자–약물 상호작용과 약물–약물 상호작용을 예측한다. 여러 약을 함께 처방받는 만성질환 노인에게 특히 이롭다. 이상 상호작용을 발생 전에 식별해 합병증을 줄인다.
약을 처방할 때 환자의 대사에 영향을 줄 수 있는 유전 변이가 있으면 의사에게 알리는 체계를 세울 수 있다.
바이오뱅크 데이터셋과 국가 보건 데이터베이스를 써서 다양한 인구집단에 걸쳐 약물 반응과 연결된 새 유전 변이를 밝힐 수 있다. 이 발견은 결국 새로운 지침을 요구하게 된다.
기계학습 모형으로 액체생검 시료를 분석해 DNA 메틸화의 비정상 양상을 해석할 수 있다. 비침습적이며 암의 더 이른 발견을 가능케 한다. 후성유전 기반 암 진단의 특이도와 민감도를 함께 높인다.
DNA 메틸화 양상으로 생물학적 나이를 추정하고 나이와 관련된 질환의 위험을 예측하는 연구가 진전되었다. 더 이른 개입과 더 정밀한 예방 진료로 이어진다.
방대한 후성유전체 데이터셋을 분석해 질환에 중요한 역할을 하는 가역적 변형을 식별할 수 있다. 이 변형은 새 약물 표적이 될 잠재력을 지니며, 암과 신경발달 장애, 자가면역 질환을 위해 후성유전체를 ‘재프로그램’하는 치료의 개발을 돕는다.
이 전환의 잠재력을 열려면 디지털 기반과 임상 훈련, 규제 틀에 대한 지속적 투자가 필수적이다.
21세기는 인공지능 분야의 지수적 진보를 목격했다. 고성능 의료는 인공지능과 인간의 역량이 만나면서 새 시대로 들어서고 있다. 인공지능은 실시간 데이터 통합과 예측적 통찰, 진보한 분석을 제공해 진단의 정밀도와 치료 결과를 개선하며 인간의 의사결정을 강화한다. 이 협업은 의료를 반응적 진료에서 선제적 진료로 바꿀 수 있다.
이 장은 다루는 범위가 넓고 기술의 목록이 충실하다. 다만 본문의 언어에 특이한 패턴이 있고, 몇 곳의 기술 서술은 사실과 어긋난다. 원문을 옮기며 걸린 대목을 감추지 않고 적어둔다.
integration prediction”으로 되어 있으나
내용은 interaction(상호작용)이다.
본 요약에서는 모두 원래 의미로 복원해 옮겼다.
1900s에 데이터 기반 기법으로 옮겨 갔다”고 적는다.
문맥상 1990년대를 뜻한다. 본 요약에서는 1990s로 옮겼다.
Ryu et al., 2018Ryu et al. (2018)”처럼
인용이 두 번 겹쳐 붙어 있다.
0.5”는 ISM001-055의 오식으로 보인다.
이 사례(TNIK · 특발성 폐섬유증 · 렌토서티브)는 제5장 4.4절에서도 다루어진다.
두 장의 서술은 서로 보완적이니 함께 읽는 편이 좋다.