암을 치료하고자 하는 연구원들은 암과 싸우는 약물을 테스트하기 위해 인간 생리와 매우 유사한 질병 모델을 끊임없이 찾고 있다. 인공 지능(AI)은 연구자가 사용 가능한 대량의 데이터를 선별하여 시간과 비용을 절약하고 종양학 약물 개발에 가장 적합한 질병 모델을 제공하는 데 도움이 될 수 있다.  

초기 약물 개발 단계에서 약물 발견 및 약물 테스트에 사용되는 질병 모델의 선택은 연구를 성패할 수 있다. 약물은 특정 모델을 사용하여 수행한 실험의 만족스러운 안전성 및 효능 결과를 기반으로 한 인간 연구에 대해서만 승인된다. 이는 궁극적으로 약물 상용화를 위한 시장 승인으로 이어지며 도움이 필요한 환자에게 최적화된 제품을 제공하는 데 도움이 된다.

 

'잘못된' 모델을 사용하는 것은 여러 가지 이유로 신약 개발 프로젝트에 비용이 많이 들 수 있다. 첫째, 질병 모델 자체는 소싱하는 데 비용이 많이 들 수 있으며, 이 단계에서는 연구 예산이 종종 제한되기 때문에 과학자들이 선택하는 동안 오류 마진을 줄일 수 있다.

 

둘째, 특정 돌연변이 또는 생물학적 경로를 포함하여 선택한 모델의 특성이 약물의 효능에 큰 영향을 미칠 수 있다. 유망한 약물 후보조차도 다양한 모델에서 상충되는 결과를 제공할 수 있으며, 이로 인해 일부 약물은 전임상 테스트를 통과했음에도 불구하고 인간 임상 시험에 실패했다. 따라서 관련 질병 모델을 사용하면 연구 결과뿐만 아니라 연구의 신뢰도를 크게 높일 수 있다.

 

옵션의 세계: 2D in vivo에서 3D in vitro 모델까지

오늘날 연구자들이 활용할 수 있는 다양한 유형의 전임상 모델이 있으며, 각각은 고유한 실험적, 금전적, 물류적 이점이 있다.

 

전통적으로 불멸화 세포주는 종양학 연구에서 잠재적인 약물 표적을 테스트하는 데 가장 일반적으로 사용되는 도구였다. 여기에는 실험실 환경에서 무기한 증식하도록 조작된 인간 세포가 포함된다.

 

배양 세포에서 약물을 테스트하는 동일한 원리에 따라 과학자들은 1차 환자 유래 세포주도 사용한다. 환자에게서 얻은 이 세포는 실제 환자 생리학의 더 나은 2D 표현을 제공한다.

 

개별 세포보다 환자 생리학에 한 걸음 더 가까운 스페로이드 또는 오르가노이드와 같은 3D 모델도 있다. 이 모델은 시험관 내에서 생성된 장기 또는 종양의 단순화된 버전을 수반하며 환자의 종양 세포의 즉각적인 세포 환경을 시뮬레이션 하는 것을 목표로 한다.

 

배양 세포 모델의 개선 사항은 유기체 수준에서 종양 세포 환경을 포착하는 생체 내 동물 모델이다. 두드러진 예는 수십 년 동안 암 약물 발견의 필수적인 부분이었던 생쥐 모델이다. 사실, 동계 생쥐는 면역학적으로 적합하며 약물 테스트를 위해 선택적으로 사육되었다.

 

"동계 생쥐 모델과 환자 유래 이종이식편(PDX)은 종양학 분야에서 인기 있는 생체 내 모델이다."고 맞춤형 연구 서비스의 구매자와 판매자를 연결하는 전자 상거래 플랫폼인 Scientific.com의 데이터 과학자 Javier Pineda는 말했다.

 

"PDX 모델은 환자의 암 조직을 면역이 저하된 생쥐에 이식하여 조직이 생쥐의 면역 체계에 의해 거부되지 않도록 한다."

 

PDX 모델은 개인화 의료로의 전환을 대표한다. 환자의 3D 환경(기능하는 면역 체계는 없지만)을 진정으로 포착하여 가장 적절한 치료 개입을 선택할 수 있다.

 

보다 최근에는 PDX의 개선으로 인간 면역 시스템이 재구성된 인간화 마우스 모델도 개발되었다.

 

올바른 질병 모델 선택의 장애물

많은 수의 전임상 질병 모델을 사용할 수 있으므로 암 연구에 가장 적합한 모델을 선택하는 것이 상당히 까다로울 수 있다.

 

Pineda는 모델을 소싱하는 방법을 아는 것조차 처음에는 도전이 될 수 있다고 말했다. 단일 연구의 경우 연구원들은 모델 가용성에 대해 문의하기 위해 여러 공급업체에 정기적으로 연락하게 된다. 이로 인해 필연적으로 시간이 많이 소요되는 시행착오 과정이 종종 발생한다.

 

공급업체가 확인되면 의사 결정에 도움이 되는 관련 데이터에 액세스하는 것이 또 다른 장애물이다. 공급업체 웹사이트 및 카탈로그는 일반적으로 주석 수준 데이터만 제공한다.

 

이것은 질병 모델에 제공된 중요 또는 설명 메모를 말하며 종양 유형 및 하위 유형, 마우스 계통 유형, 질병 모델의 지리적 위치 및 기본 환자 정보와 같은 정보를 포함한다.

 

“질병 모델을 소싱하기 전에 유전적 돌연변이, 표적 유전자의 발현 또는 약물 감수성과 같은 요인을 연구하는 것이 필수적이다. 일반적으로 주석 수준 데이터만으로는 충분하지 않다. 분자 데이터를 사용할 수 있는 경우에도 독점 특성으로 인해 공급업체 간에 일관성이 없고 비교하기 어려운 경우가 많다.”라고 Pineda가 설명했다.

 

이 제한된 데이터로 인해 연구자는 필요한 품질 검사를 수행하고 다른 공급업체에서 제공한 모델 간에 정량적 비교를 수행할 수 없다. 결과적으로 모델의 선택이 심하게 제한되어 수행된 실험의 결과에 영향을 미칠 수 있다.

 

마지막으로 프로젝트 제안을 협상하고 계약을 마무리하며 규제 승인을 처리하는 것도 어려울 수 있다. 일부 회사의 경우 이 프로세스에 몇 주에서 몇 달이 소요되어 프로젝트 일정이 지연된다.

 

손쉬운 질병 모델 선택: AI 기반 의사 결정

플랫폼에 대한 사용자의 피드백을 기반으로 Scientist.com 팀은 질병 모델 소싱에 대한 중앙집중식 데이터 중심 접근 방식의 필요성을 깨달았다. 이는 연구원들이 머신러닝 알고리즘을 활용하여 공급업체 간에 정량적 모델 비교를 수행할 수 있게 해주는 AI 기반 도구인 Disease Model Finder의 청사진을 촉발했다.

 

Pineda는 "많은 질병 모델 공급업체와의 기존 관계를 통해 공급업체 전반에 걸쳐 분자 데이터를 집계하는 동시에 데이터 기밀성과 보안을 보장할 수 있었다."라고 말했다.

 

"Finder는 다양한 알고리즘을 사용하여 대규모 분자 시퀀싱 기반 데이터 세트의 데이터를 처리, 집계 및 시각화 한다. 적절한 질병 모델을 효율적으로 찾고 소싱하기 위해 이 도구를 통해 연구자는 돌연변이, 유전자 발현, 암 유형 등을 기준으로 필터링할 수 있다.”

 

종종 연구에는 여러 암 유형 및 하위 집합에 걸쳐 표적 약물의 의미를 테스트하기 위해 질병 모델 패널이 필요하다. 여러 모델을 선택하는 데 도움이 되도록 질병 모델 찾기에는 연구 요구 사항에 따라 생물학적으로 구별되거나 유사할 수 있는 모델에 대한 통찰력을 제공하는 비교 기능이 있다.

 

질병 모델 찾기 팀은 생물 정보학 배경 지식이 없는 사람들도 컴퓨터 기반 비교에 액세스할 수 있도록 하는 것을 목표로 했다.

 

Pineda는 "여기의 목표는 분석을 사용자 친화적으로 만들어 연구원이 외부 전문 지식에 의존하지 않고도 시간을 절약하면서 검색을 개선할 수 있도록 하는 것이다."고 설명했다.

 

 

Disease Model Finder를 사용하면 연구원이 차등 유전자 발현(DGE) 분석(왼쪽 상단)과 RNA-Seq 생성 모델 클러스터(오른쪽 상단)와 관련된 질병 모델의 시각적 비교를 수행할 수 있다. 집계 필터를 사용하면 연구자가 수천 개의 질병 모델을 선별할 수 있다.

 

연구원이 자신의 연구와 직접 관련된 모델을 찾을 수 없는 경우 질병 모델 찾기를 사용하여 맞춤형 요청을 생성할 수 있다. 이는 플랫폼의 연구 컨시어지 팀으로 전달되며, 그러면 해당 팀에서 문제의 모델이 있을 가능성이 가장 높은 공급업체를 식별할 수 있다.

 

질병 모델 파인더는 질병 모델 및 기타 규제 서비스를 소싱하는 동안 규정 준수 프로세스를 다루는 Scientist.com의 COMPLi® 기능과도 함께 작동한다.

 

Pineda는 "이 설정은 공급업체 규정 준수를 보장하고 자동 구매를 허용하며 처리 시간을 줄여 연구자가 하나의 플랫폼을 사용하여 모든 작업을 수행할 수 있도록 한다."고 말했다.

 

종양학 연구에서 AI의 진화하는 역할

Disease Model Finder는 현재 일련의 PDX 모델을 호스팅하고 있지만 앞으로 몇 달 안에 더 많은 종양 모델 유형을 포함하도록 확장될 것이다. 또한 상관 분석을 사용하여 관심 질병 모델을 제안하는 추천 알고리즘과 같은 더 많은 생물 정보학 도구를 추가할 계획이다.

 

종양학을 포함한 질병 연구에서 AI의 사용이 증가함에 따라 Pineda는 AI 기반 약물 반응 예측과 같은 흥미로운 응용 프로그램이 곧 현실이 될 것이라고 전 세계가 기대할 수 있다고 말했다.

 

“환자가 치료법에 어떻게 반응할지 예측하는 것은 종양학 분야에서 중요한 연구 초점이다. 이를 위해서는 약물 반응 및 기타 분자 정보에 대한 광범위한 데이터 세트를 분석해야 한다.”고 그는 말했다.

 

“약물 반응 예측을 질병 모델 찾기에 통합하면 암 모델 소싱이 크게 향상될 것이다. 끊임없이 진화하는 플랫폼으로서, 이는 우리가 미래에 우리 연구원들에게 제공하고자 하는 기능이다.”라고 Pineda는 결론지었다.

 

AI 기반 질병 모델 찾기 및 이를 통해 약물 발견 연구를 지원하는 방법에 대해 자세히 알아보려면 회사 웹사이트를 방문하라.

 

Scientific.com과 파트너 관계를 맺고 전 세계 과학자들에게 질병 모델에 대한 액세스 권한을 제공하려면 diseasemodels@scientist.com을 통해 연락 가능하다.