치매 연구 AI 활용 정리: 뇌 영상 유전체 분석부터 지식 그래프와 언어 모델까지

핵심 메시지

• 알츠하이머는 아직 병의 진행 자체를 바꾸는 약이 없어, 새로운 치료 표적 유전자를 찾는 일이 연구의 출발점이 된다.
• 진단명 대신 뇌 영상이나 바이오마커 수치 같은 연속적인 값을 표현형으로 쓰면 같은 데이터에서도 더 많은 유전적 신호를 잡아낼 수 있다.
• 유전율이 높은 복셀끼리 묶어 만든 뇌 지도는 기존 해부학 기반 지도보다 유전 연관 분석에서 더 많은 결과를 냈다.
• 여러 층위의 증거가 한 유전자를 가리킬 때 그 발견을 신뢰할 수 있다는 것이 연구팀의 판단 기준이다.
• 지식 그래프와 대형 언어 모델은 서로를 보완한다. 언어 모델은 문헌에서 새 지식을 캐 그래프를 갱신하고, 그래프는 언어 모델의 환각을 줄인다.

쉽게 이해하기

펜실베이니아대 AI·과학 세미나에서 생물통계·정보학 분야 연구자가 치매와 노화 연구에 AI를 어떻게 쓰고 있는지 발표했다. 문제의식은 분명하다. 알츠하이머와 관련 치매는 사회적 부담이 큰데도 병의 진행을 되돌리는 약이 사실상 없다. 그래서 대규모 유전체·영상·임상 데이터를 함께 분석해 약이 겨냥할 유전자와 단백질을 찾아내는 것이 연구의 목표가 된다.

발표자가 참여한 컨소시엄은 전장 유전체 시퀀싱 데이터를 대규모로 모으고, 여러 기관에서 제각각 수집된 뇌 영상과 인지·행동 평가를 서로 비교 가능한 형태로 맞추는 작업을 병행한다. 이렇게 정리된 데이터로 유전자·단백질 후보를 뽑고, 그 후보를 겨냥할 기존 약물을 찾는 약물 재창출까지 이어지는 구조다. 데이터는 클라우드에 모아 공동 분석한다.

핵심 아이디어 하나는 표현형을 바꾸는 것이다. 환자와 정상인을 나누는 진단명만 쓰면, 서로 다른 원인으로 같은 진단을 받은 사람들이 뒤섞여 신호가 묻힌다. 대신 MRI로 잰 뇌 위축, 아밀로이드 축적 같은 연속적인 값을 쓰면 통계적 검정력이 올라가고 하위 유형을 잡아낼 여지도 생긴다. 연구팀은 여기서 한 걸음 더 나아가, 뇌를 복셀 단위로 유전율을 추정한 뒤 비슷한 값을 가진 이웃 복셀끼리 묶어 유전 분석에 최적화된 뇌 지도를 새로 만들었다. 기존 해부학 지도로 뽑은 영역보다 유전율이 높았고, 전장 유전체 연관 분석에서 더 많은 유의미한 결과가 나왔다.

영상과 유전 정보를 잇는 방법으로는 두 데이터의 상관을 최대화하는 정준상관분석을 쓰되, 표본 수보다 변수가 훨씬 많아 과적합되기 쉬운 문제를 희소성 제약으로 다뤘다. 여기에 이미 알려진 연관 정보를 선호 행렬 형태로 넣어 모델이 그 조합을 우선 고려하도록 했고, 유전자 변이 수가 너무 많아지는 경우에는 신경망 기반 확장을 적용했다. 이런 분석을 유전자 발현 데이터, 매개 분석과 겹쳐 본 결과 중추신경계에서 높게 발현되는 후보 유전자 하나가 여러 증거에서 동시에 지목됐다.

약물 재창출 쪽에서는 표적 단백질의 결합 부위에 화합물을 도킹시켜 얻은 결합 특징과 화합물 구조 특징을 함께 넣어 결합력을 예측했고, 예측값과 실측값의 결정계수가 0.78 수준으로 나왔다. 이 밖에도 단일세포 데이터에서 사람이 손으로 하던 세포 분류를 자동화하는 시도, 생존 분석과 군집화를 동시에 수행해 해석 가능한 아형과 진행 단계를 찾는 방법, 성별 같은 민감 속성에 따라 모델 성능이 치우치지 않게 하는 공정성 연구가 소개됐다.

발표 후반부는 언어 모델과 지식 그래프의 결합이었다. 지식 그래프는 만들어 두면 금세 낡는다는 약점이 있는데, 언어 모델로 논문을 훑어 새로운 개체와 관계를 뽑아내면 그래프를 계속 갱신할 수 있다. 반대로 질문에 답할 때 그래프에서 관련 지식을 끌어와 프롬프트에 넣으면 언어 모델의 환각을 줄일 수 있다. 연구팀은 여기에 소득·환경 같은 사회적 건강 결정 요인을 문헌과 진료 기록에서 추출해 그래프에 더했고, 링크 예측 성능이 개선되는 것을 확인했다. 표 형태 데이터를 다루도록 개조한 언어 모델로 예측과 그 근거를 함께 생성하는 실험도 진행 중이다.

주요 인사이트

• 데이터를 더 모으는 것만큼이나, 어떤 값을 표현형으로 삼느냐가 발견의 양을 좌우한다. 진단명이라는 이분법을 연속적인 측정값으로 바꾸는 것만으로 놓치던 신호가 드러났다.
• 기존 뇌 지도는 해부학이나 기능 연구를 위해 만들어졌지, 유전 분석을 위해 만들어진 것이 아니다. 목적에 맞춰 영역 구획 자체를 다시 학습시킨 접근이 결과 차이를 만들었다.
• 단일 분석의 유의성보다 서로 다른 층위의 증거가 겹치는지를 본다. 변이–유전자 발현–영상–임상 결과가 한 방향을 가리킬 때 후속 실험에 자원을 쓴다는 판단 기준이다.
• 모델 성능이 같아도 특정 집단에서만 잘 맞으면 임상에서는 문제가 된다. 불균형과 공정성을 별도의 설계 목표로 두는 이유다.
• 언어 모델과 지식 그래프의 관계는 한쪽이 다른 쪽을 대체하는 것이 아니라 서로의 약점을 메우는 구조에 가깝다.

자주 묻는 질문

관련 AI 소식