결핵균 항생제 내성 예측 인공지능 모델 개발

주장합성곱 신경망(Convolutional Neural Networks)을 활용한 인공지능 모델이 결핵균의 항생제 내성을 임상 수준의 정확도로 정량화합니다. 이 모델은 기존의 이진 분류 방식을 넘어 연속적인 변수를 예측함으로써 환자의 치료 반응까지 사전에 파악합니다.

팩트연구진은 결핵균 유전자 서열을 바탕으로 8가지 항생제에 대한 최소 억제 농도를 예측하는 모델을 구축했습니다. 해당 모델은 약물 농도 두 배 범위 내에서 89%의 예측 정확도를 보였습니다.

팩트모델은 세계보건기구(WHO)의 결핵 약물 내성 돌연변이 카탈로그 데이터 중 52% 이하의 데이터로 학습했습니다. 그럼에도 카탈로그에 등재된 돌연변이 효과의 97%를 정확하게 예측하며 높은 일반화 성능을 입증했습니다.

교차검증기계학습 모델이 임상적 수준의 정확도를 달성하려면 진화 정보와 단백질 생화학적 특성 등 다차원적인 생물학적 데이터의 통합이 필요합니다. 유전자 데이터에 도메인 지식을 결합하는 방식이 해석 가능성과 정확도 확보에 유리합니다.

팩트리팜피신 감수성 결핵 환자 373명을 대상으로 진행한 코호트 연구에서 인공지능이 예측한 리팜피신 최소 억제 농도가 높을수록 치료 결과가 저조했습니다. 이는 내성 임계값 미만의 미세한 농도 차이도 임상적으로 중요한 의미가 있음을 보여줍니다.

주장이번 연구는 도메인 지식을 활용한 인공지능 모델이 해석 가능하면서도 임상적 등급의 정확도를 확보할 수 있음을 증명했습니다. 이는 결핵 치료를 위한 개인 맞춤형 정밀 의료를 실현하는 기술적 토대가 됩니다.

팩트연구진은 하버드 의과대학의 오케스트라 고성능 컴퓨팅 클러스터를 활용해 모델을 학습했습니다. 해당 컴퓨팅 자원은 미국 국립보건원(NIH)의 지원을 받아 운영됩니다.

팩트이번 연구에는 미국 하버드 의과대학, 매사추세츠 대학교, 남아프리카공화국 스텔렌보스 대학교 등 세계 각국의 연구 기관이 참여했습니다. 한국에서는 한국결핵연구원의 김경종 박사가 연구진으로 참여했습니다.

교차검증생물학적으로 연관된 연속 변수를 예측하는 작업은 최적화가 어려워 많은 인공지능 모델이 이진 분류 작업에 머물러 있습니다. 이번 연구는 기술적 난제를 극복하고 연속적인 농도 예측을 가능하게 했다는 점에서 학술적 가치가 큽니다.

출처Nature Communications에 게재된 'Convolutional neural networks quantify antibiotic resistance in Mycobacterium tuberculosis with diagnostic grade accuracy and predict treatment response' 논문을 교차 검증했습니다.