현대 의학은 인공지능과 유전체 정보를 결합하여 암 치료의 새로운 전기를 맞이하고 있습니다. 특히 환자 고유의 유전 변이에서 발생하는 '신생 항원'을 예측하여 개인 맞춤형 면역 항암제를 개발하는 연구가 주목받고 있습니다. 보스턴 다나파버 암 연구소의 사례에 따르면, 유전체 정보를 기반으로 제작된 신생 항원 백신은 피부암 환자들에게서 매우 높은 치료 효과를 보였습니다. 백신 접종 후 대다수 환자가 재발 없이 건강을 유지했으며, 재발한 경우에도 추가 치료를 통해 완전 관해에 도달하는 등 정밀 의료의 실제적인 가능성을 입증했습니다.

이러한 신생 항원 기반 치료의 핵심은 특정 변이가 실제로 면역 반응을 유도할 수 있는지 정확히 예측하는 기술에 있습니다. 연구진은 두 가지 기계 학습 모델을 결합하여 이 문제를 해결했습니다. 첫 번째 모델은 신생 항원이 세포 내 주조직 적합성 복합체(MHC)와 얼마나 잘 결합하는지 예측하며, 두 번째 모델은 암 변이 단백질이 실제로 항원 형태인 펩타이드로 잘 분해되어 생성될 가능성을 평가합니다. 대규모 질량 분석 데이터를 학습한 이 인공지능 시스템은 각 환자의 유전체 변이 중 최적의 치료 표적을 선별해내는 정교한 역할을 수행하게 됩니다.

정밀 의료의 영역은 암 치료를 넘어 정신 건강 분야로도 확장되고 있습니다. 최근 연구에 따르면 혈액에서 얻은 후성 유전체와 전사체 정보를 인공지능으로 분석하여 우울증의 정도와 자살 위험도를 높은 정확도로 예측할 수 있습니다. 자살 시도자와 중증 우울증 환자군을 분류하는 모델은 약 93%의 정확도를 기록했으며, 이는 설문 기반의 점수와도 높은 상관관계를 보였습니다. 이러한 다중 데이터 분석 기술은 객관적인 수치로 진단하기 어려웠던 질병의 위험도를 사전에 파악하고 예후를 정확하게 예측하는 데 중요한 기반이 됩니다.

기계 학습과 바이오 유전체 빅데이터 기반의 정밀 의료가 가능하려면 알고리즘의 개선도 중요하지만, 무엇보다 양질의 데이터를 확보하는 게 훨씬 더 중요합니다.

하지만 인공지능 기반 정밀 의료가 항상 성공적인 것은 아닙니다. 과거 큰 기대를 모았던 정밀 의료 시스템 'IBM 왓슨'의 사례는 데이터 품질과 지역적 특성의 중요성을 일깨워 줍니다. 서구권 데이터 중심으로 학습된 시스템은 한국인 특유의 유전적 특성이나 국내 의료 환경의 차이를 충분히 반영하지 못해 실제 임상에서 불일치하는 결과를 낳기도 했습니다. 이는 단순히 알고리즘의 성능을 높이는 것보다, 실제 적용 대상에 맞는 양질의 데이터를 확보하고 학습시키는 것이 정밀 의료의 성패를 결정짓는 핵심 요소임을 시사하는 대목입니다.

이에 따라 한국에서도 한국인에게 특화된 유전체 빅데이터를 구축하려는 노력이 활발히 진행되고 있습니다. '울산 만명 게놈 프로젝트'는 한국인 특유의 유전 변이 분포를 파악하고 질환과의 연관성을 분석하여 정밀 의료의 기틀을 다지고 있습니다. 더불어 국가 차원의 '바이오 빅데이터 구축 사업'을 통해 수만 명 규모의 유전체 정보를 수집하고 희귀 질환 관련 임상 정보를 통합 관리하고 있습니다. 이러한 국가적 데이터 자산은 향후 인공지능 기술과 결합하여 한국인에게 가장 적합한 정밀 의료 서비스를 제공하는 핵심 동력이 될 것으로 기대됩니다.