건강을 위한 공공 데이터

지난 4월, OpenAI Foundation 최초의 생명과학 및 질병 치료 프로그램인 ‘알츠하이머병을 위한 AI’를 출범했습니다⁠. 오늘 두 번째 과학 프로그램인 ‘건강을 위한 공공 데이터’를 선보입니다.

‘알츠하이머병을 위한 AI’는 많은 가족에게 영향을 미치는 하나의 질병에 집중해, AI가 과학자들의 더 나은 치료법 개발을 도울 수 있는 가능성을 모색합니다. ‘건강을 위한 공공 데이터’는 연구자들이 폭넓게 이용할 수 있는 고품질 과학 데이터세트의 구축과 보존에 자금을 지원함으로써, 생명과학 전반과 여러 질병 분야의 발전을 촉진하는 데 중점을 둡니다.

과학 데이터는 우리 주변 세계에 관한 관찰 결과로, 연구와 발견의 토대가 되는 핵심 자료입니다. 수학의 일부 분야처럼 새로운 데이터를 수집하지 않고도 획기적인 성과를 검증할 수 있는 분야에서는 최근 AI 시스템이 새로운⁠ 지식⁠ 창출에 기여하기⁠ 시작했습니다. 한편 생물학 분야에서는 AI 시스템이 생물학적 정보를 대규모로 분석하고 불완전한 증거에서도 숨겨진 구조를 찾아내는 능력이 갈수록 향상되고 있으며, 때로는 놀라울 정도로 효율적입니다.

그러나 질병 예방과 치료 분야에 남아 있는 많은 획기적 성과는 새로운 모델의 추론 능력에 더 많은 현실 세계의 관찰 결과, 즉 더 많은 데이터를 결합할 때 나올 것으로 예상합니다.

공익적 가치가 막대한 일부 데이터세트는 어느 한 기관이 단독으로 자금을 지원할 만큼 충분한 유인이나 역량이 없어 아예 구축되거나 공유되지 않을 수 있습니다. 이러한 점에서 건강을 위한 공공 데이터 지원은 OpenAI Foundation에 매우 적합한 사업입니다.

초기 지원금

우선 1차 지원 대상으로 선정된 비영리단체와 대학에 총 1억 2,500만 달러가 넘는 지원금을 제공합니다. 지원 대상은 분자와 역학부터 규제 관련 지식까지 다양한 데이터 계층을 아우릅니다.

지원하는 프로젝트의 몇 가지 사례를 소개합니다.

1. OpenADMET⁠은 AI 모델이 소분자의 체내 흡수 및 분포를 예측하도록 학습할 수 있는지 검증하기 위해 공개 데이터세트와 벤치마크를 구축하고 블라인드 방식의 경진대회를 개최합니다. 이를 통해 신약 개발의 예측 가능성을 높이고 신약 실패율을 낮추고자 합니다.

   신약 후보 물질의 90%는 임상시험에서 실패합니다⁠. 이는 물질이 체내에 어떻게 흡수되고 이동하는지, 즉 ‘ADMET’ 특성⁠을 예측하기 어렵기 때문인 경우가 많습니다. 이처럼 아직 해결되지 않은 예측 과제는 서로 다른 모델의 정확한 예측을 뒷받침할 고품질 데이터와 결합될 때 AI가 특히 효과적으로 활용될 수 있습니다. 예를 들어 AlphaFold2는 단백질 데이터 은행⁠의 데이터를 활용해 단백질 구조 예측을 혁신했습니다. 이는 CASP⁠가 운영한 다른 모델링 접근법과의 경진대회를 통해 이루어졌습니다. 현재 단백질 구조 예측은 향후 환자에게 도움을 줄 가능성이 큰 여러 신약 발굴 프로그램에 통합되어 있습니다.

   OpenADMET 팀은 신약 후보 물질의 ADMET 특성을 더 정확히 예측하기 위해 새로운 예측 모델의 기반이 될 고품질 데이터세트를 개발하고, 전 세계 연구자들이 참여할 수 있는 공개 경진대회를 개최할 예정입니다.

   

   OpenADMET 운영위원회 위원이자 UCSF 생명공학 및 치료과학과 교수 겸 학과장인 James Fraser 박사는 “신약 발굴에는 특정 질병 치료에 주력하는 개별 기업이나 대학 연구실이 혼자서는 해결할 수 없는, 분야 전반에 걸친 공통 과제가 많습니다”라고 말했습니다. “OpenADMET은 이러한 문제를 개방적이고 머신러닝에 바로 활용할 수 있는 방식으로 해결하기 위해 만들어졌습니다. AI가 새로운 치료법 개발을 크게 앞당길 수 있도록 기반 계층을 구축하게 되어 기쁩니다.”

2. CTD Commons⁠는 실패한 신약 개발 프로그램의 규제 관련 지식을 보존하고 공개합니다. 이를 통해 향후 개발팀이 대개 외부에 공개되지 않는 선례를 참고하여 환자를 위한 효과적인 치료법을 더 빨리 찾아낼 수 있도록 지원합니다.

   CTD, 즉 국제공통기술문서는 동물 독성시험과 제조 세부 정보부터 특히 유용할 수 있는 FDA와의 서신까지, 임상시험용 의약품 개발의 전 과정을 집대성한 문서입니다. 하지만 이러한 정보 중 논문에 실리는 것은 극히 일부에 불과합니다.

   CTD Commons는 실패했거나 중단된 신약 프로그램에서 CTD를 확보할 수 있는지 검토하고, 누구나 연구와 분석에 활용할 수 있도록 이를 공개할 예정입니다.

   “FDA에 제출된 모든 자료에는 연구자와 심사자, 연구 참여자의 노력과 희생이 담겨 있습니다. 이러한 노력이 실패하더라도 그 과정에서 생성된 귀중한 정보가 낭비되어서는 안 됩니다”라고 CTD Commons의 수석 조직자이자 1Day Sooner 회장인 Josh Morrison은 말했습니다. “CTD Commons는 중복과 비용을 줄이고 임상 연구의 효과를 극대화할 것입니다.”

3. UNC⁠ 는 생성형 면역치료 이니셔티브를 설립하고 공개 멀티모달 데이터를 구축합니다. 이를 통해 암 환자가 진단 후 신속하게 맞춤형 암 백신을 받을 수 있는 미래를 앞당기고자 합니다.

   오늘날의 ‘신생항원’ 암 백신은 환자의 종양 세포 염기서열을 분석해 세포 표면에 나타나는 종양 특이적 표적을 예측함으로써 환자별로 설계되는 몇 안 되는 의약품 중 하나입니다. 하지만 염기서열 분석 자체도 현실을 간접적으로 반영하는 지표일 뿐입니다. 세포 표면의 표적을 직접 측정하기가 어렵고 비용도 많이 들며, 환자의 면역계가 각 단백질에 얼마나 강하게 반응하는지 확인하기는 더욱 어렵기 때문입니다.

   UNC는 수백 개의 종양과 여러 암종에 걸쳐 이러한 연결 고리를 밝혀내고, 이 분야 최초의 학습·평가 데이터세트 중 하나를 구축할 예정입니다. 비식별화된 공개 데이터는 전 세계 연구자들이 후속 연구에 활용할 수 있습니다.

   “맞춤형 암 백신은 마침내 임상적 효과의 조짐을 보이기 시작했지만, 기존 치료제 개발 방식으로는 해소하는 데 수십 년이 걸릴 수 있는 공백이 여전히 남아 있습니다. 고품질 데이터는 이 공백을 더 빨리 메우는 데 도움이 될 수 있습니다”라고 UNC 의과대학 유전학 조교수 Alex Rubinsteyn 박사는 말했습니다. “개발 기간을 단축하고 전반적으로 효과적인 맞춤형 면역치료가 현실이 되도록 기여하게 되어 기쁩니다.”

   

초기 전략

이 섹션은 향후 OpenAI Foundation 지원 기회에 관심 있는 연구자들에게 특히 유용할 것으로 예상합니다.

수집할 가치가 있는 과학 데이터는 어느 한 지원 기관이 감당할 수 있는 범위를 훨씬 넘어섭니다. 이에 OpenAI Foundation의 지원이 가장 유용할 것으로 판단되는 데이터 유형을 연구 커뮤니티에 더 자세히 소개하고자 합니다.

우선 중점을 둘 데이터에 관한 가설은 연결된 데이터, 희소 데이터, 직접 데이터입니다. 지원 대상 데이터세트는 일반적으로 아래에 자세히 설명할 특성 중 한두 가지를 갖추며, 드물게 세 가지 특성을 모두 갖추기도 합니다.

모든 데이터세트에서 환자 데이터와 관련된 경우 개인정보를 보호하는 동시에 데이터에 대한 폭넓은 접근성을 보장하는 일이 갈수록 중요해질 것으로 봅니다. 이를 통해 연구자들은 서로의 연구를 발전시키고 예상치 못한 곳에서 과학적 진전을 이끌어낼 수 있습니다.

1. 연결된 데이터: 여러 단계에 걸쳐 생물학 추적하기

   생물학적 현상은 다양한 규모에서 전개되지만, 대부분의 생명과학 데이터세트는 현실의 한 부분만 포착합니다. 세포 지도는 수천 개 세포의 분자를 측정할 수 있지만, 단분자 이미징은 단 하나의 세포만 추적합니다. 두 관점 모두 중요하지만, 이런 데이터세트는 대개 독립적으로 구축되므로 과학적 결과가 서로 어떤 관계인지 밝히는 후속 연구에 수년이 걸릴 수 있습니다. 개별 연구팀이 이러한 규모 사이를 체계적으로 오가며 서로 다른 계층이 상호 보완하는 풍부하고 연결된 데이터세트를 구축하도록 지원하고자 합니다.

   예를 들어 UCSF에 제공하는 지원금으로 OpenADMET 팀은 수만 개 화합물의 핵심 분자 특성과 상호작용을 측정할 수 있습니다. 그런 다음 이 광범위한 프로파일링을 약물 수송에 관한 두 가지 관점과 연결합니다. 하나는 선택된 분자가 결합한 수송체 단백질의 실험적 구조이고, 다른 하나는 이 단백질이 분자와 기능적으로 상호작용하는 방식을 측정하는 분석입니다. 마지막으로 이 화합물 중 일부를 인간 혈액뇌장벽 모델에서 시험하고 그 결과를 동물의 생체 내 측정값과 비교합니다.

   이러한 데이터 수집 방식은 약물이 체내에서 이동하는 방식을 결정하는 요인을 이례적으로 완전하게 보여주며, AI 모델이 인간에게 중요한 수준에서 더 정확히 예측할 수 있도록 합니다.

2. 희소 데이터: 다시 만들 수 없는 것 보존하기

   미래의 AI가 아무리 뛰어나도 특정한 단 한 번의 시점에 발생한 생물학적 사건을 과거로 돌아가 관찰할 수는 없습니다. 신뢰할 만한 인구동태 통계가 없는 국가의 사망 및 질병 원인이나 이미 지나간 특정 시점에 환자에게서 채취한 생물학적 검체의 구성 성분이 그 예입니다. 생물학에는 이처럼 되돌릴 수 없는 기회가 많으며, 미래의 모델 개발자들은 오늘날 연구자들이 예상하지 못한 방식으로 이러한 증거를 활용할 수 있습니다. 따라서 기회가 사라지기 전에 귀중한 데이터를 수집하거나 보존하는 제안, 또는 개인정보와 개인의 동의를 존중하면서 다시는 구축할 수 없는 기존 비공개 데이터세트를 폭넓게 공개하는 제안에 특히 관심이 있습니다.

   예를 들어 CTD Commons 지원금은 기업이 문을 닫아 기록이 사라지기 전에 실패한 신약 개발 프로그램의 기록을 보존할 수 있는지 조사하는 데 사용됩니다. 단기적으로 이러한 문서는 초기 신약 개발팀이 비용이 많이 드는 시행착오를 겪지 않고도 규제 기관이 유사 제품에 요구한 사항을 파악하는 데 도움이 될 수 있습니다. 장기적으로는 머신러닝 시스템이 의약품의 실패와 성공 원인에서 패턴을 발견하는 자료로 쓰일 수 있습니다. 이를 통해 규제나 임상시험 전략이 개선되고 환자들이 새로운 치료법의 혜택을 더 빨리 받을 수 있습니다.

3. 직접 데이터: 실제로 중요한 것에 가장 가까운 생물학적·임상적 상태 측정하기

   생물학은 오랜 역사 동안 측정하기 쉽거나 저렴한 대상을 주로 측정해 왔습니다. 예를 들면 인간의 임상 데이터보다 개별 세포 데이터를 측정하거나, 단백질 대신 RNA 발현을 측정하는 방식입니다. 이러한 대리 지표는 매우 유용했지만, 생물학을 이해하고 질병을 예방·치료한다는 목표와 동떨어질 수도 있습니다. 이런 경우 연구자들이 가장 중요한 대상을 측정하는 데이터세트를 구축하는 데 필요한 자원을 제공하고자 합니다. ‘생물학적 진실’을 측정하는 데 필요한 장비가 아직 존재하지 않거나, 대규모로 사용하기에는 비용이 지나치게 많이 들 수도 있습니다. 이 프로그램을 통해 새로운 데이터와 새로운 도구, 두 가지 이니셔티브를 모두 지원하고자 합니다.

   예를 들어 생성형 면역치료 이니셔티브 설립을 위해 UNC에 제공하는 지원금은 UNC Lineberger와 UNC Health 팀이 차세대 암 백신 개선에 필요한 인간 기반 데이터를 구축하는 데 사용됩니다. 이는 종양의 염기서열‘만’ 분석하는 대신 종양 세포의 표면 단백질을 직접 측정하고 환자의 T세포 반응도 측정한다는 뜻입니다. 이 데이터는 구축 비용이 많이 듭니다. 이번에 데이터를 종합적으로 구축하고 결과를 공개함으로써 앞으로 진행될 모든 암 백신 연구가 혜택을 얻기를 바랍니다. 특히 이 프로젝트가 성공하면 향후 백신 후보 물질은 더 확실한 표적군을 바탕으로 사람 대상 투여 단계에 진입할 수 있습니다. 이는 백신의 성공 가능성을 높이고, 실패하더라도 더 많은 것을 배울 수 있게 할 것입니다.

연구자의 데이터 접근성 보장하기

마지막으로 모든 지원 사업에서 그 결과로 만들어진 데이터세트를 전 세계 연구자들이 최대한 폭넓게 이용할 수 있도록 하고 있습니다.

과학사의 대부분에서 가설 검증은 발견을 가로막는 주된 병목이었습니다. 문제 해결에 투입할 수 있는 ‘지적 역량’에는 한계가 있었습니다. 정해진 수의 대학원생과 전문 과학자들이 문제와 관련된 데이터를 생성하고 분석했습니다. 코딩과 데이터 분석 분야에서 이어지는 AI의 발전은 이러한 전제를 무너뜨립니다. 데이터 분석의 확장성이 크게 높아지면서, 데이터가 생성될 당시에는 예상하기 어려웠던 협업에서 새로운 통찰이 나올 수 있습니다.

OpenAI Foundation의 사명은 범용 인공지능이 모든 인류에게 혜택을 주도록 하는 것입니다. OpenAI Foundation의 지원으로 구축된 과학 데이터는 폭넓게 공개되어야 하며, 사람의 데이터가 포함된 경우에는 언제나 개인정보를 보호하고 개인의 동의를 존중해야 합니다. 그러나 접근성은 데이터 원본을 단순히 공개하는 것 이상의 의미를 갖습니다. 지원 대상 기관에는 분석 결과를 사전 논문으로 발표하고, 마지막에 한 번만 공개하는 대신 데이터를 정기적으로 공유하도록 권장합니다. 또한 데이터가 ‘연결된’ 형태가 아니라면 데이터 사용자와 협력해 생물학적으로 중요한 문제를 해결하는 데 데이터가 얼마나 유용한지 평가하도록 권장합니다.

반복을 통한 학습

이 글에서는 ‘건강을 위한 공공 데이터’ 프로그램의 초기 방향을 소개했습니다. 과학과 AI의 발전, 그리고 연구 커뮤니티의 여러 구성원과 나눈 대화를 바탕으로 관점을 계속해서 발전시키고 있습니다.

‘건강을 위한 공공 데이터’에 관한 아이디어가 있다면 [email protected]⁠로 연락해 주세요. 향후 프로그램과 지원금 소식을 받아보려면 여기⁠에서 뉴스레터를 구독하세요.

이 글에서 다룬 문제를 본업으로 연구하고 해결하는 데 관심이 있다면, 현재 생명과학 및 질병 치료 팀에서 채용 중인 4개 직무⁠를 확인해 보세요.