당신만의 "디지털 트윈"? 약물 검사 방식을 혁신할 최신 기술(디지털 트윈)

오늘 아침에 드신 약이 여러분 손에 들어오기까지 얼마나 오랜 시간이 걸렸을지 생각해 보신 적 있으신가요? 먼저 연구실에서 광범위한 연구를 진행합니다. 그런 다음 동물 실험을 거치죠. 하지만 사람에게 사용하기로 승인받기 전에는 사람을 대상으로 한 임상 시험을 거쳐야 합니다. 이것이 바로 임상 시험입니다. 매우 복잡하고 비용이 많이 드는 과정입니다.

간단히 말해서, 임상시험이란 무엇일까요?

간단히 말해 임상 시험은 다음과 같이 진행됩니다. 연구원들은 새로 개발된 약물이 표적으로 하는 질병을 가진 환자들을 모집합니다. 그런 다음 이 자원 참가자들을 무작위로 두 그룹으로 나눕니다.

1. 첫 번째 그룹 에게는 시험할 새로운 약물이 제공됩니다.

2. 두 번째 그룹 인 "대조군"에는 활성 성분이 전혀 없고 약과 똑같이 생긴 위약을 투여합니다. 이를 "위약"이라고 부릅니다.

이번 임상시험 결과, 신약을 복용한 사람들의 증상이 위약을 복용한 사람들보다 더 호전되었다면, 이는 신약이 효과적이라는 것을 증명하는 것입니다.

이러한 임상시험에서 가장 큰 어려움 중 하나는 시험에 딱 맞는 환자를 충분히 확보하는 것입니다. 때로는 의사조차도 자신의 환자에게 어떤 임상시험이 적합한지 모르는 경우가 있습니다. 또한, 참여를 원하는 환자의 특성이 임상시험 요건과 일치하지 않을 수도 있습니다. 하지만 인공지능(AI)은 이러한 문제를 훨씬 쉽게 해결해 줄 수 있습니다.

당신의 "디지털 트윈"을 만나보세요

자신만의 컴퓨터 모델, 즉 자신의 디지털 복제본이 있다고 상상해 보세요. 이것이 바로 '디지털 트윈'이라고 불리는 것입니다. 디지털 트윈은 실제 세계의 사물이나 시스템을 컴퓨터에서 시뮬레이션한 '컴퓨터 모델'입니다. 하지만 수치적으로 보면 실제 사물이나 시스템과 똑같이 작동합니다. 가장 좋은 예는 아폴로 13호 우주선의 산소 탱크가 폭발했을 때, NASA가 지구에서 제작한 동일한 우주선의 '디지털 트윈'을 이용해 수리했던 사례입니다.

이제 과학자들은 충분한 데이터만 있다면 인간의 '디지털 트윈'을 만들 수 있습니다. 이는 '머신 러닝'이라는 인공지능 기술을 활용한 것입니다. 간단히 말해, 컴퓨터 프로그램에 대량의 데이터를 입력하고 학습시키는 과정입니다.

환자의 디지털 트윈은 이전 임상 시험 데이터와 각 환자의 개인 의료 기록을 사용하여 머신 러닝 모델을 학습시켜 생성됩니다. 이 모델은 환자에게 위약을 투여했을 때 임상 시험 기간 동안 환자의 건강이 어떻게 변화할지 예측할 수 있습니다.즉, 동일한 환자에 대해 컴퓨터로 생성된 대조군(시뮬레이션 대조군)이 만들어집니다.

이제 이것이 어떻게 작동하는지 살펴보겠습니다. "사마디"라는 사람이 새로운 약물을 투여받는 그룹에 선정되었다고 가정해 봅시다. 사마디의 "디지털 트윈", 즉 컴퓨터 모델은 대조군에 속합니다. 이 모델은 사마디에게 실제 약물 대신 "위약"을 투여했을 때 어떤 일이 일어날지 예측합니다. 궁극적으로 사마디의 실제 약물 반응과 모델이 예측한 위약 투여 시 반응의 차이가 사마디에게 약물이 얼마나 효과적인지를 나타내는 척도가 됩니다 .

이 표를 통해 기존의 통제팀 대신 '디지털 트윈'을 사용하는 것의 이점을 명확히 살펴보겠습니다.

이 기술이 좋긴 하지만, 문제점은 없을까요?

이 기술은 미래에 큰 가능성을 제시하지만 아직 널리 사용되지는 않고 있습니다. 여기에는 몇 가지 이유가 있을 수 있습니다. 머신러닝 전문가인 다니엘 닐 박사가 지적했듯이, 이러한 모델은 방대한 양의 데이터에 의존합니다. 또한, 개인으로부터 고품질 데이터를 얻는 것은 매우 어렵습니다.

또 다른 문제는 약물이 유발할 수 있는 드물고 예상치 못한 부작용 입니다. 이러한 부작용은 대조군을 위해 설계된 모델에서 종종 다루어지지 않습니다.

하지만 닐 박사의 가장 큰 우려는 이 예측 모델이 "평소와 같은 상황"을 전제로 한다는 점입니다. 코로나19 팬데믹처럼 모든 사람의 행동을 바꾸고 사람들을 병들게 하는 예상치 못한 큰 사건이 발생했다고 상상해 보세요. "대조군 모델은 이런 상황을 고려하지 않습니다."라고 그는 말합니다. 그러면 대조군이 고려하지 않은 이러한 사건들 때문에 실험의 최종 결과가 완전히 달라질 수 있습니다.

그렇다면 이것이 실제로 사용될 수 있을까요? 미래는 어떻게 될까요?

의료 분야에서 디지털 기술 활용 전문가인 에릭 토폴은 그 아이디어가 훌륭하지만 아직 시기상조라고 생각합니다. "임상 시험은 가까운 미래에 크게 달라지지 않을 것 같습니다. 건강 기록뿐 아니라 유전체 서열, 장내 미생물, 환경 데이터 등 다양한 계층의 데이터가 필요하기 때문입니다."

이 기술의 선구자인 Unlearn.AI의 창립자 찰스 피셔에 따르면, 데이터 프라이버시 및 편향 문제에 대한 해결책은 이미 존재합니다. "프라이버시는 간단합니다. 우리는 이미 익명화된 데이터만 사용합니다."

편향에 대해 이야기하면서 그는 이 문제가 완전히 해결되지는 않았지만 연구 결과와는 무관하다고 말합니다. 연구가 무작위로 진행되었기 때문에 데이터에 약간의 편향이 있더라도 결과에는 영향을 미치지 않는다는 것입니다. 그러나 일부 전문가들은 이 의견에 동의하지 않습니다. 그들은 다음과 같이 말합니다.실제 사람과 컴퓨터 모델을 비교하는 것이기 때문에, 모델에 오류가 있으면 결과에 직접적인 영향을 미칠 수 있습니다.

하지만 Unlearn.AI는 이미 제약 회사들과 협력하여 알츠하이머병, 파킨슨병, 다발성 경화증과 같은 신경계 질환에 대한 임상 시험을 설계하고 있습니다. 이들은 다른 질환보다 데이터가 더 풍부하기 때문에 이러한 질환들을 시작점으로 선택했습니다. 피셔는 이 방법이 언젠가 모든 질환에 적용될 수 있다면 신약 출시까지 걸리는 시간을 크게 단축할 수 있을 것이라고 말합니다.