## 배경 ### 면역관문억제제의 한계와 장벽 면역관문억제제(Immune Checkpoint Inhibitor, ICI) 치료는 환자 본인의 면역계를 활성화해 암세포를 공격하므로 암 치료 패러다임을 바꿨다. 일부 환자에서 장기 생존을 유도하는 높은 효용성을 보였으나, 실제 반응하는 환자는 20~30% 수준에 불과한 한계가 존재한다. 이에 따라 치료 전 약물 반응 여부를 예측할 생체표지자(Biomarker) 발굴이 시급한 과제였다. 기존에는 종양변이부하(Tumor Mutational Burden, TMB)나 PD-L1 발현율 등을 예측 도구로 사용했다. 하지만 이 지표들은 암종이나 약물 종류에 따라 정확도가 일관되지 않는 한계를 보였다. 암종마다 종양 미세환경과 면역 반응 조절 기전이 매우 다르고 복잡해서다. 결국 개별 유전체 특성을 통합적으로 반영하면서도 암종에 관계없이 작동하는 범용적 예측 모델의 확립이 요구됐다. ## 핵심 발견 ### 44가지 면역 개념으로 투명해진 AI 예측 경로 하버드 의과대학(Harvard Medical School) 마린카 지트닉(Marinka Zitnik) 교수팀은 로슈(Roche)와 공동으로 암종이나 치료제 종류와 관계없이 치료 반응을 예측하는 인공지능(AI) 기초 모델 'COMPASS'를 개발했다. 연구 결과는 국제 학술지 '네이처 메디신(Nature Medicine)'에 발표됐다. 모델은 종양 유전자 발현 데이터(Bulk Tumor Transcriptome)로 반응을 분석하는 원리다. COMPASS는 블랙박스형 AI의 한계를 넘고자 '개념 병목 트랜스포머(Concept Bottleneck Transformer)' 구조를 적용했다. 입력된 환자의 전사체 데이터에서 면역세포 상태, 세포 간 상호작용, 신호전달 경로 등 44가지 생물학적 면역 개념 점수를 먼저 도출한다. 이후 이 수치들을 조합해 최종 반응 여부를 계산하는 흐름이다. 덕분에 의료진은 예측의 생물학적 근거를 투명하게 확인할 수 있다. ### 22가지 기존 모델 압도한 범암 예측 성능 연구팀은 암유전체지도(The Cancer Genome Atlas, TCGA)의 33개 암종, 1만 184개 종양 데이터로 모델을 학습시켰다. 이어서 7개 암종, 6가지 면역치료법이 포함된 16개 독립 임상 코호트에서 검증을 거쳤다. 분석 결과 COMPASS는 기존 예측법 22종보다 평균 정확도를 8.5% 끌어올렸다. 정밀도-재현율 곡선 아래 면적(Area Under the Precision-Recall Curve, AUPRC) 역시 기존 모델 대비 15.7% 상승한 수치를 보였다. ## 의미와 전망 ### 통합 분석이 열어젖힌 정밀 의료의 신기원 이번 연구는 단일 표지자에 의존하던 기존 방식의 한계를 극복하고 종양과 면역계 상호작용을 아우르는 새로운 길을 개척한 성과다. 모델은 학습 과정에서 노출되지 않았던 희귀 암종이나 신규 치료법 조건에서도 안정적 예측력을 유지해 높은 범용성을 입증했다. 44가지 면역 개념 점수로 환자별 약물 저항 요인을 상세히 제시하는 능력도 강점이다. 다만 임상 현장에 전면 도입되려면 과제가 남았다. COMPASS가 다수 코호트에서 우수한 성적을 냈으나, 실제 치료 방침을 결정하는 도구로 안착하려면 전향적 임상시험으로 유효성을 실증해야 한다. 환자 종양의 전사체 분석에 소요되는 시간과 비용도 해결할 장벽이다. 유전체 데이터 접근성을 넓히고 분석 과정을 간소화한다면 맞춤형 정밀 의료의 핵심 열쇠가 될 것으로 보인다.