OpenAI, 보스턴 아동 병원과 AI 기반 희귀 질환 진단 연구 협력

전 세계 수억 명의 가족이 희귀 질환으로 고통받고 있으며, 평균 진단 시간은 6~7년에 달합니다. 이번 연구에서는 AI 기반 워크플로우를 활용하여 376개 사례를 분석, 이 중 18건의 희귀 질환을 진단하는 성과를 보였습니다. 이 대화는 양측의 연구 협력과 그 의미에 대해 다룹니다.

캐서린 브라운스타인 박사는 맨튼 센터 유전자 발견 부서의 과학 책임자로 유전체 분석 및 진단 장벽 연구에 집중하고 있습니다. 앨런 벡스 박사는 맨튼 센터 소장이자 인간 유전학 및 희귀 질환 분야에서 수십 년간 경험을 쌓은 전문가입니다. OpenAI의 수야 슈링거퍼는 기계 학습 연구원이자 통계 유전학자로 AI, 유전체학, 전산 생물학 분야를 연구하고 있습니다.

진단명은 환자들이 자신의 상태를 이해하고 적응하는 데 필수적인 정보를 제공합니다. 어떤 문제가 있는지 모를 경우 해로운 행동을 할 수도 있지만, 정확한 진단을 통해 환자들은 자신과 같은 질병을 가진 사람들과 공동체를 형성하고, 치료법 개발에 참여할 기회를 얻을 수 있습니다. 특히 가족 계획에 있어서 질병이 자녀에게 미칠 영향을 아는 것은 매우 중요하며, 현대 기술은 이러한 정보를 바탕으로 가족들이 미래를 계획할 수 있도록 돕습니다.

각 유전자는 다양한 방식으로 손상될 수 있으며, 현재 8천에서 9천 개의 유전자가 질병과 관련이 있다고 알려져 있습니다. 이러한 복잡성 때문에 희귀 질환의 원인이 되는 특정 유전자 변이를 찾아내는 것은 엄청난 시간과 노력이 필요한 일입니다.

유전자 분석 전문가는 수천 개의 변이 중 어떤 것이 실제 질병과 관련이 있는지 일일이 검토해야 합니다. 이 과정은 때로는 몇 시간의 분석 끝에 특정 변이가 원인이 아님을 깨닫고 다음 변이로 넘어가는 비효율적인 상황을 초래하기도 합니다. 이러한 반복적이고 시간이 많이 소요되는 작업은 전문가들의 피로도를 높이고, 진단 지연의 원인이 됩니다. 따라서 대규모 언어 모델(LLM)과 같은 AI 기술은 이 과정에서 분석 효율성을 크게 향상시킬 수 있는 중요한 기회를 제공합니다. AI는 방대한 데이터를 빠르게 처리하고 유의미한 패턴을 찾아내어 전문가의 부담을 줄이는 데 기여할 수 있습니다.

앨런이 언급했듯이, 병명을 아는 것은 해당 질병을 가진 사람들에게 공동체를 형성할 수 있는 '이름'을 부여하는 것과 같습니다. 이는 외로움을 줄이고 상호 지지를 가능하게 합니다. 또한, 병명은 미래의 예후와 어떤 유형의 미래가 자신을 기다리고 있는지에 대한 중요한 정보를 제공합니다. 이러한 정보는 환자와 가족이 미래를 대비하고, 경우에 따라서는 가족 계획을 세우는 데 필수적인 기초 자료가 됩니다. 정확한 진단은 단순히 질병을 알아내는 것을 넘어, 삶의 방향을 결정하는 데 큰 영향을 미칩니다.

캐서린이 지적했듯이, 많은 신생 돌연변이와 기타 변이들이 질병의 원인이 될 수 있습니다. 문제는 이러한 방대한 변이 목록에서 어떤 것이 가장 유망한 후보인지를 신속하게 식별하는 것입니다. AI는 이 목록을 짧게 줄여 전문가들이 집중해야 할 변이를 제시함으로써, 이들이 가장 유망한 가설에 시간과 노력을 집중할 수 있도록 돕습니다. 이는 진단 과정을 가속화하고, 전문가의 피로도를 줄이는 데 중요한 역할을 합니다.

인간 분석가는 유전 정보에서 인구 집단에서 흔한 변이를 걸러내는 작업을 수행하지만, 여전히 수천 개의 유전자 변이가 남습니다. 전문가들도 8천 개에 달하는 모든 질병 유전자에 대해 상세히 알 수는 없지만, LLM은 이 방대한 정보를 보유하고 있습니다. 연구팀은 환자의 임상 증상(수치형 코드로 정의된 표현형)과 함께 이 유전 정보를 LLM에 전달합니다. LLM은 이를 기반으로 어떤 임상 증상이 어떤 유전자 변화와 관련이 있는지 교차 분석하여 가능한 원인에 대한 보고서를 제공합니다. 이 과정은 인간 진단 전문의를 대체하는 것이 아니라, 인간 분석가가 고려해야 할 정보의 범위를 극적으로 줄여주어 진단의 효율성과 정확성을 높이는 데 기여합니다.

O3 모델을 통해 S1PR1 유전자와 관련된 환자 사례가 발견되었을 때, 연구팀은 이 유전자를 1988년에 복제한 연구자가 보스턴 아동 병원 바로 옆에 있다는 사실을 구글 검색으로 빠르게 확인했습니다. 해당 연구자에게 연락하여 협력을 시작했고, 이는 난치병 연구를 심화하는 계기가 되었습니다. 이 사례는 만약 사람이 직접 연구했다면 엄청난 시간과 노력이 들었을 작업을 모델이 매우 빠르게 처리했음을 보여줍니다. 연구자들이 PubMed에서 수많은 논문을 검토하며 지쳐갈 때, 모델은 30페이지가 넘는 자료를 분석하여 이러한 핵심 정보를 발견했습니다. 이는 O3 모델이 수많은 사례 중 하나일 뿐이지만, 앞으로 더 많은 사례를 검토하며 좋은 결과를 기대하고 있습니다.

현재는 희귀 질환 진단을 위해 3차 의료기관을 방문해야 하는 경우가 많지만, 목표는 이러한 도구를 누구나 사용할 수 있도록 만드는 것입니다. 이를 통해 환자들이 어디서든 가장 높은 수준의 진단과 모든 유전자 변이 평가를 받을 수 있도록 하는 것이 최종 목표입니다. 이러한 대중화는 진단의 형평성을 높이고, 더 많은 환자들이 조기에 정확한 진단을 받을 수 있게 할 것입니다.

캐서린이 언급했듯이, 새로운 논문이 발표되거나 관련 지식이 업데이트될 때마다 AI 모델을 사용하여 이전 사례를 재분석하는 능력은 매우 혁신적일 것입니다. 모델이 충분히 발전하여 새로운 관련 소견을 확신하고 연구자에게 이메일이나 알림으로 알려줄 수 있다면, 연구자들은 정말로 어려운 미진단 사례에 집중할 수 있게 됩니다. 현재는 5%의 사례만 해결할 수 있었지만, 여전히 해결되지 않은 95%의 어려운 사례가 남아 있습니다. AI의 이러한 재분석 기능은 연구자들이 해결되지 않은 난제에 더 많은 시간을 할애하고, 궁극적으로 더 많은 환자에게 진단을 제공할 수 있도록 도울 것입니다. 이로써 의료 지식의 지속적인 발전을 진단 과정에 실시간으로 통합할 수 있게 됩니다.

즉, 유전체 분석의 조기 도입이 미진단 상태로 남아 있는 환자들에게 어떤 해결책을 제공할 수 있는지에 대한 논의가 필요하다는 점을 강조했습니다. 이는 진단 여정의 초기 단계에서부터 포괄적인 유전 정보 분석을 통해 불필요한 시행착오를 줄이고, 환자들이 더 빨리 정확한 진단을 받을 수 있도록 돕는 방안을 모색하려는 의도를 담고 있습니다.