AI 가 한의학의 전체론을 정량화하고 현대 의학과 통합하는 새로운 프레임워크 정립
Contents
01. 연구 배경과 미해결 과제
현대 생체의학은 유전자 및 분자 수준의 환원주의적 접근을 통해 질병 이해와 치료 개발을 가속화해 왔습니다. 그러나 복잡하고 만성적인 질환의 경우, 시스템 전체의 복잡성과 개인차로 인해 이러한 접근법에는 한계가 존재합니다. 반면, 전통 한의학 (TCM) 은 복잡한 증상 패턴을 '증후'로 압축하고 개별화된 복합 처방으로 대응하는 전체론적 접근을 제공합니다. 하지만 그 정성적인 성격이 현대 의학과 체계적인 정량적 통합을 방해해 왔습니다.
기존 계산 방법은 주로 쌍별 관계에 기반한 네트워크 모델에 의존했으며, 딥러닝 모델은 고차원성을 처리할 수 있지만 해석 가능성에欠ける 경향이 있습니다. 본 연구는 한의학의 '압축 - 확장' 논리를 AI 의 인코딩 - 디코딩 메커니즘으로 파악하고, 증후를 증상 패턴과 처방을 연결하는 저차원 병목 현상으로 기능하게 함으로써 이 문제를 해결하고자 합니다.
02. 이 논문에서 밝혀진 핵심 내용
연구진은 8 만 4 천 건 이상의 고전 한의학 처방 기록을 활용하여 Transformer 기반 오토인코더를 훈련하고 'TCM 임베딩 공간 (TCM-ES)'을 구축했습니다. 이 공간은 증후 라벨이나 명시적인 한의학 원칙 주석 없이 학습되었음에도 불구하고, 전통 한의학의 '한 - 열 - 허' 등의 증후 분류와 일치하는 구조를 보여주었습니다. 또한, 이 공간에 생체의학적 실체 (질병, 단백질, 화합물) 를 매핑한 결과, 공간 내 거리 관계가 인간의 단백질 - 단백질 상호작용 (PPI) 네트워크 및 특정 생물학적 과정 (열 생성, 기도 염증, 지방산 산화 등) 과 강력하게 일치함이 확인되었습니다.
임상 데이터를 활용한 검증에서는 TCM-ES 상에서 환자의 증상 패턴과 처방 간의 거리가 이후의 임상적 개선 정도와 음의 상관관계를 가지는 것이 확인되었습니다. 즉, 공간상에서 가까운 조합일수록 치료 효과가 기대된다는 정량적 근거가 확보되었습니다. 또한, 류마티스 관절염 (RA) 등을 예로 들어 TCM-ES 를 활용하면 기존 유전자 정보로는 간과되기 쉬운 질병의 이질성이나 새로운 치료 후보의 우선순위 설정이 가능함을 시사했습니다.
03. 연구 설계와 기술적 포인트
본 연구의 핵심은 증상 패턴과 처방을 쌍으로 입력하고 증후 라벨을 전혀 사용하지 않고 학습하는 자기지도학습 접근법입니다. 모델은 증상과 처방을 저차원 벡터로 변환하는 인코더와 이를 재구성하는 디코더로 구성되며, 대조 학습 (contrastive learning) 과 Transformer 의 어텐션 메커니즘을 결합하여 고차 비선형 관계를 포착합니다.
- 학습 데이터: 84,491 건의 고전 한의학 처방 기록 (모델 적합 26,339 건)
- 모델 구조: Transformer 기반 오토인코더 + 대조 학습
- 검증 데이터: 일반 한의학 사례, 장기화 COVID-19, COVID-19 임상 데이터의 3 개 세트
- 생체의학 통합: 기존 지식 베이스를 활용하여 TCM-ES 고정 후 생체의학적 실체 매핑
04. 질환 연구 및 신약 개발에 대한 시사점
TCM-ES 는 증상 기반 관점에서 질병 간 관계를 재정의할 가능성을 내포합니다. 기존 유전자 및 분자 마커 기반 분류에 더해, 환자의 임상 증상 패턴을 반영한 질병 네트워크를 구축할 수 있으며, 이를 통해 서로 다른 메커니즘을 가진 질병 간에도 공통 치료 표적이 발견될 수 있습니다.
신약 개발 관점에서 이 공간을 활용하면 특정 증상 패턴에 효과적일 가능성이 있는 기존 약물이나 천연 화합물을 우선적으로 선정할 수 있습니다. 특히 류마티스 관절염과 같은 복잡한 자가면역 질환에서 환자의 증상 프로파일 (한형 또는 열형 등) 에 기반한 개인화된 치료 전략 수립에 도움이 될 것으로 예상됩니다.
05. 전임상 모델 및 연구 도구와의 연관성
본 논문에서 제안된 AI 프레임워크는 특정 유전자나 단백질을 표적으로 하는 유전자 편집 마우스나 인간화 마우스 모델을 활용한 전임상 연구에서 새로운 가설 검증 수단으로 활용될 수 있습니다. 예를 들어, TCM-ES 에서 특정된 '열형'이나 '한형'의 분자 메커니즘을 규명하기 위해 특정 염증 경로나 대사 경로를 조작한 모델 동물을 이용한 검증 실험이 유효합니다.
또한, TCM-ES 가 시사하는 질병 간 새로운 연관성은 질병 모델의 구축 및 평가에서 기존 분류를 넘어선 새로운 엔드포인트 선정이나 복합 증상을 재현하는 모델 설계에 기여합니다. Cyagen 이 제공하는 CRISPR/Cas9 을 활용한 녹아웃 (ALB 인간화 마우스 모델) 또는 녹인 (HTT 인간화 마우스 모델) 마우스, 인간화 면역 시스템 마우스 (HIS) 등은 이러한 복잡한 메커니즘을 규명하기 위한 중요한 도구가 됩니다.
06. 정리
본 논문은 인공지능을 활용하여 전통 한의학의 전체론적 접근을 정량화하고 현대 생체의학과 통합하는 획기적인 프레임워크를 제시했습니다. TCM-ES 는 복잡한 질병 이해를 심화시키고, 개인 맞춤형 의료 및 신약 개발에서 새로운 가설 생성을 가능하게 하는 강력한 도구입니다. 향후에는 이 AI 가 시사하는 관계를 유전자 편집 동물 모델이나 세포 모델을 활용한 실험적으로 검증하여 실제 임상 적용으로 이어가는 것이 기대됩니다.
