딥러닝 기반 암 전이 예측 모델 EmitGCL 개발

주장암 전이는 암 환자 사망의 주요 원인입니다. 검증된 바이오마커와 평가 방법의 부재로 인해 전이 예측은 임상 현장에서 해결해야 할 난제로 남아 있습니다.

팩트연구진은 이러한 한계를 극복하기 위해 딥러닝 프레임워크인 EmitGCL을 새롭게 제안했습니다. 이 모델은 7개의 환자 코호트에서 6가지 암 유형을 대상으로 벤치마킹을 수행했습니다.

팩트EmitGCL은 기존 계산 도구보다 우수한 민감도와 특이도를 보이며 전이 예측 성능을 입증했습니다. 특히 림프절 음성 유방암 환자에게서 기존 영상 진단법으로 발견하지 못한 잠재적 전이 세포를 성공적으로 포착했습니다.

팩트해당 환자는 이후 실제 전이성 질환이 있는 것으로 확인되어 모델의 임상적 유효성을 증명했습니다. 연구진은 이를 바탕으로 유방암 전이를 예측할 수 있는 바이오마커로 HSP90AA1과 HSP90AB1 유전자를 식별했습니다.

팩트식별된 유전자는 420명의 환자로 구성된 5개의 독립적인 코호트에서 검증을 마쳤습니다. 연구진은 약리학적 억제 실험을 통해 해당 유전자를 억제할 때 암세포 이동이 감소함을 확인했습니다.

팩트연구진은 YY1 전사 인자가 유방암 전이의 핵심 동인임을 밝혀냈습니다. 이는 인실리코 분석과 크리스퍼 기반 이동 분석, 생체 내 마우스 폐 집락 형성 실험을 통해 다각도로 검증되었습니다.

주장YY1 전사 인자는 향후 유방암 치료를 위한 잠재적 표적으로 활용 가능합니다. 이번 연구는 단순한 예측을 넘어 새로운 치료 전략 수립의 가능성을 제시했다는 점에서 산업적 가치를 지닙니다.

교차검증본 연구의 저자인 Q.M.과 X.W.는 해당 기술과 관련하여 특허를 출원했습니다. 연구 결과가 상업적 이해관계와 연결되어 있으므로 향후 임상 현장 도입 시 독립적인 추가 검증이 필요합니다.

교차검증이번 연구는 딥러닝 모델의 성능을 강조하지만, 실제 임상 환경에서의 데이터 다양성과 인종적 차이에 따른 모델의 일반화 가능성은 추가 연구가 필요합니다. 또한 모델의 복잡성으로 인해 임상 현장에서의 해석 가능성을 확보하는 것이 중요한 과제로 남았습니다.

팩트이번 연구는 미국 국립보건원(NIH)의 연구 보조금 R01GM152585, P01CA278732, R01CA285967을 지원받았습니다. 또한 펠로토니아 면역종양학 연구소(PIIO)의 재정적 지원이 포함되었습니다.

팩트연구진은 연구 결과를 국제 학술지 네이처 커뮤니케이션즈에 게재했습니다. 해당 논문은 연구의 과학적 타당성을 검증하는 과정을 거쳤습니다.

출처네이처 커뮤니케이션즈(https://www.nature.com/articles/s41467-026-76277-x)를 통해 연구 내용을 교차 검증했습니다.