이미지: METAL LAB 생성
요약
- 앨런AI의 오토디스커버리가 침윤성 소엽성 유방암에서 예상보다 강한 면역 신호를 찾아냈어요.
- 별개 데이터셋 재현과 종양 조직 면역형광 이미징으로 두 번 검증한 뒤 8월 27일 협력 확대를 발표했어요.
- 이 유형은 미국 유방암 진단의 약 15%로, 면역치료 후보에서 빠져 있던 환자군이 다시 검토 대상이 돼요.
면역이 안 듣는다던 암에서 신호가 나왔어요
앨런AI와 프로비던스 스웨디시 암연구소가 8월 27일 협력 확대를 발표했어요. 계기는 두 기관이 함께 돌린 AI 도구 오토디스커버리가 침윤성 소엽성 암종에서 예상보다 강한 면역 신호를 찾아낸 일이에요. 같은 날 논문도 공개됐어요.
침윤성 소엽성 암종은 오랫동안 면역 냉 종양으로 분류돼 왔어요. 면역세포가 종양 안으로 잘 들어가지 못해 면역치료가 듣지 않는다고 본 거예요. 그런데 AI가 데이터에서 그 분류와 반대되는 신호를 집어냈어요.
숫자를 보면 무게가 달라져요. 이 유형은 미국에서 해마다 진단되는 유방암의 약 15%예요. 지금까지 면역치료 후보에서 사실상 빠져 있던 환자군이 다시 검토 대상이 될 수 있다는 뜻이에요.
침윤성 소엽성 암종은 유방암 중에서도 성질이 까다로운 축이에요. 암세포가 덩어리를 이루지 않고 한 줄로 흩어져 파고들어서 영상에서 잘 잡히지 않고, 조직 안에서 면역세포와 만나는 방식도 다른 유형과 달라요. 면역치료 논의에서 오래 빠져 있던 배경이에요.
검증을 두 번 거쳤어요
발표에서 눈여겨볼 대목은 발견보다 검증이에요. 먼저 별개의 유방암 데이터셋에서 같은 신호가 다시 나오는지 확인했어요. 그다음 종양 샘플을 면역형광 이미징으로 들여다봤어요. 호르몬 수용체 표지와 함께 종양을 둘러싼 T세포가 실제로 보였어요.
면역형광 이미징은 특정 단백질에 형광 표지를 붙여 조직 안에서 그 세포가 어디에 있는지 눈으로 보게 만드는 기법이에요. 통계로 잡힌 신호가 실제 조직에서도 같은 자리에 있는지 확인하는 마지막 관문 역할을 해요.
가설을 세우고, 다른 데이터에서 재현하고, 눈으로 확인했어요. 세 칸을 다 채운 뒤에야 협력 확대를 발표한 거예요.
논문에는 양쪽 연구자 이름이 함께 올랐어요. 프로비던스 쪽에서는 폴슨 박사가, 얼 A. 차일스 연구소에서는 사샤 스탠턴 박사가 참여했어요.
앨런AI는 발견이 향후 연구에 반영되려면 투명하고 재현 가능하며 독립적으로 검증돼야 한다고 밝혔어요. 이번 발표문이 발견보다 절차를 길게 설명하는 이유가 여기 있어요.
놀랍고 또 반복되는 것만 남겨요
오토디스커버리는 대형 언어모델로 가설을 만들고 스스로 평가하는 도구예요. 고르는 기준이 두 개인데, 사전 기대에 비추어 놀라운가와 여러 분석에서 반복되는가예요.
두 조건을 함께 거는 게 핵심이에요. 놀랍기만 하면 잡음이고, 반복되기만 하면 이미 아는 사실이거든요. 둘을 곱해야 사람이 들여다볼 값어치가 있는 후보만 남아요.
분석 대상은 암 유전체 지도였어요. 지금까지 만들어진 가장 포괄적인 암 데이터셋 중 하나로 꼽히는 자료예요.
창고 정리에 비유하면 이해가 빨라요. 물건은 다 들어와 있는데 어디에 뭐가 있는지 아무도 모르는 상태예요.
켈리 폴슨 프로비던스 스웨디시 암연구소 면역종양센터장의 말이 그 지점을 정확히 짚어요. "암 연구자들은 놀라운 데이터셋에 접근할 수 있습니다. 문제는 더 이상 데이터를 모으는 것이 아니라, 그 데이터셋이 우리에게 말해 주는 모든 것을 이해하는 일입니다."
도구가 데이터가 있는 쪽으로 들어가요
확대된 협력은 네 갈래예요. 프로비던스 연구자와 앨런AI 과학자가 논문을 함께 쓰고, 오토디스커버리를 프로비던스의 클라우드 환경 안에 배포하고, 그 안에서 보호되는 연구·임상 데이터에 접근하고, 설치와 지원은 암연구소의 전산연구팀이 맡아요.
여기서 중요한 건 배포 위치예요. 데이터를 밖으로 꺼내 오는 방식이 아니라 도구가 데이터가 있는 곳으로 들어가요. 환자 데이터를 다루는 기관과 일할 때 이 방향이 아니면 협의 자체가 시작되지 않아요.
보디사트와 마줌더 앨런AI 선임연구원은 도구의 성격을 이렇게 정리했어요. "오토디스커버리는 과학적 전문성을 대체하려고 만든 것이 아닙니다. 그것을 증폭하려고 만들었습니다."
설계 의도도 같은 방향이에요. 오토디스커버리는 연구자를 대신하는 자리가 아니라 곁에서 함께 도는 보완 도구로 만들어졌어요. 후보를 좁혀 오면 어느 것을 파고들지는 사람이 정해요.
앨런AI는 비영리 연구소예요. 피터 클라크 임시 대표 체제로 운영되고 있고, 모델과 데이터를 공개하는 방식으로 상업 연구소들과 다른 자리를 지켜 왔어요.
에디터의 시선
이 발표에서 가장 값어치 있는 부분은 발견이 아니라 검증 절차예요. AI가 가설을 냈다는 소식은 지난 1년 사이 수십 건 나왔어요. 그중 별개 데이터셋에서 재현하고 조직 샘플 이미지로 눈까지 확인한 뒤에 발표한 건은 손에 꼽아요.
면역 냉 종양이라는 분류는 교과서에 오래 실려 있던 내용이에요. 그 분류에 반대되는 신호를 사람이 먼저 의심하기는 어려워요. 이미 아는 것을 다시 물어보는 일에는 연구비도 시간도 잘 붙지 않으니까요. AI가 여기서 한 일은 답을 낸 게 아니라, 아무도 다시 열어 보지 않던 서랍을 열어 본 거예요.
앨런AI가 어제 내놓은 AI 보조 과학연구의 다섯 가지 벽 문서와 이번 사례가 정확히 맞물려요. 그때 정리한 문제의식이 이번에는 실제 절차로 나타났어요. 놀라움과 재현성을 같이 걸고, 두 번 검증하고, 마지막은 사람이 본다는 구조예요.
국내 병원과 연구소가 가져갈 것은 모델이 아니라 배치 방식이에요. 우리 의료 데이터는 기관 밖으로 나가기 어렵고, 그래서 AI 도입 논의가 대개 데이터 반출 협의에서 멈춰요.
프로비던스는 그 순서를 뒤집었어요. 도구를 자기 클라우드 안에 들여놓고 설치와 운영을 자기 전산팀이 맡았어요. 데이터는 한 발짝도 움직이지 않아요.
15%라는 숫자의 성격도 짚어야 해요. 이건 치료 효과가 아니라 재검토 대상의 크기예요. 실제로 면역치료가 이 환자군에 듣는지는 임상시험이 답할 문제이고 그 답까지는 몇 년이 걸려요. 그래도 후보군이 없던 자리에 후보군이 생겼다는 것 자체가 임상 설계의 출발점이에요.
AI가 과학을 바꾼다는 말은 이제 흔해졌어요. 이번 건이 다른 점은 바꾼 대상이 논문 요약이나 코드가 아니라 환자 분류라는 데 있어요. 어떤 환자를 어떤 치료 후보로 볼 것인가, 그 줄을 다시 긋는 자리에 AI가 들어왔어요.
댓글