암 치료 반응 예측 모델 FORGE 개발

주장연구진은 암세포 생존에 필수적인 유전자 의존성을 결합해 표적 항암제 반응을 예측하는 새로운 모델인 FORGE를 제시했습니다. 기존 오믹스 기반 모델이 가진 기계적 근거 부족 문제를 보완해 생물학적 타당성을 확보했습니다.

팩트FORGE는 Factorization Of Response and Gene Essentiality의 약자로, 약물 반응과 표적 유전자 의존성을 공동 모델링하는 행렬 분해 프레임워크입니다. 이 모델은 기초 유전자 발현 데이터를 활용해 치료 잠재력을 나타내는 이득 점수를 산출합니다.

팩트엘로티닙을 투여한 미학습 세포주 실험에서 FORGE는 의존성 예측에서 0.69, IC50 예측에서 0.62의 일치도를 기록했습니다. 이득 점수가 높을수록 약물 의존성은 증가하고 IC50 값은 감소하는 경향을 보입니다.

교차검증단일 작업 방식과 비교했을 때, 공동 모델링 방식은 예측 성능을 개선하고 유전자 수준의 효과 간 일치도를 향상시켰습니다. 통계적 유의성 검정 결과 P값은 0.039로 나타나 모델의 신뢰성을 뒷받침합니다.

팩트독립적인 데이터셋 검증 결과, 높은 이득 점수는 환자 유래 이종이식 모델에서의 종양 퇴행과 상관관계를 보였습니다. 또한 Tahoe-100M 데이터셋에서도 예측된 약물 감수성과 일치하는 결과를 확인했습니다.

주장이번 연구는 기계학습 모델이 단순히 데이터를 학습하는 것을 넘어, 암세포의 약물 감수성을 결정짓는 유전자 프로그램을 기계적으로 분석할 수 있음을 입증합니다. 이는 앞으로 환자 맞춤형 정밀 항암 치료 전략을 수립하는 데 중요한 도구가 됩니다.

팩트이번 연구는 인도 IIIT-델리 대학 연구진이 수행했으며, 닐라브자 바타차르지와 스리람 찬드라 무르티 필라가 공동 저자로 참여했습니다. 연구 결과는 2026년 6월 8일 네이처 커뮤니케이션즈에 게재되었습니다.

교차검증연구진 중 한 명인 D.S.는 정밀 종양학 솔루션 기업인 GeneSilico의 주주이자 최고과학책임자로 재직 중입니다. 이러한 이해관계는 연구의 객관적 해석 과정에서 고려해야 할 요소입니다.

팩트연구 지원은 미국 국립보건원(NIH), 인도 생명공학부(DBT), 인도 의학연구협의회(ICMR)에서 이루어졌습니다. 연구에 사용된 그래픽 요소는 NCBI BioArt 및 BioIcons의 오픈 라이선스 자료를 활용했습니다.

출처해당 연구는 네이처 커뮤니케이션즈(https://www.nature.com/articles/s41467-026-73977-2)를 통해 공개되었으며, 상세 데이터 및 보충 자료를 교차 검증했습니다.