기계학습방법론(Density-PINNs)을 통한 세포 간 이질성 원인 규명. 기초과학연구원(IBS) 제공국내 연구진이 항암 효과를 낮추는 '세포 간 이질성'의 최소화 전략을 찾았다.
기초과학연구원(IBS) 수리 및 계산 과학 연구단 의생명 수학 그룹 김재경 CI(Chief Investigator) 연구팀은 인공지능을 이용해 동일 외부 자극에 개별 세포마다 반응하는 정도가 다른 '세포 간 이질성'의 근본적인 원인을 찾아내고, 이질성을 최소화할 수 있는 전략을 제시했다고 17일 밝혔다.
연구진은 기계 학습 방법론인 'Density-PINNs(Density Physics-Informed Neural Networks)'를 개발해 신호 전달 체계와 세포 간 이질성의 연결고리를 찾았다. 세포가 외부 자극에 노출되면 신호 전달 체계를 거쳐 반응 단백질이 생성되는데 시간에 따라 축적된 반응 단백질의 양을 이용하면 신호 전달 소요 시간의 분포를 추론할 수 있다.
이러한 분포는 신호 전달 체계가 몇 개의 경로로 구성됐는지를 알려준다. 즉 'Density-PINNs'를 이용하면 쉽게 관측할 수 있는 반응 단백질의 시계열 데이터로부터 직접 관찰하기 어려운 신호 전달 체계에 대한 정보를 추정할 수 있다는 의미다.
또 연구팀은 실제 대장균의 항생제에 대한 반응 실험 데이터에 Density-PINNs를 적용, 세포 간 이질성의 원인도 찾았다. 신호 전달 체계가 단일 경로로 이뤄진 때(직렬)에 비해 여러 경로로 이뤄졌을 때(병렬)가 세포 간 이질성이 적다는 것을 알아낸 것이다.
김 CI는 "복잡한 세포 신호 전달 체계의 전 과정을 파악하려면 수십 년의 연구가 필요하지만 우리 연구진이 제시한 방법론은 수 시간 내에 치료에 필요한 핵심 정보만 알아내 치료에 활용할 수 있다"며 "이번 연구를 실제 현장에서 사용되는 약물에 적용하여 치료 효과를 개선할 수 있기를 기대한다"고 말했다.
연구 결과는 국제학술지 셀(Cell) 자매지인 '패턴스'에 지난해 12월 26일 실렸다.