## 배경 암 연구의 중심 과제는 암세포만을 선택적으로 사멸시키는 치료 표적을 발굴하는 일이다. 유전자 가위(CRISPR-Cas9)를 활용한 유전자 녹아웃 스크리닝 기술은 개별 유전자가 세포 생존에 필수적인 정도를 규명하는 데 유용하게 쓰였다. 특히 암 의존성 지도(Cancer Dependency Map, DepMap) 프로젝트는 수백 개의 암 세포주에서 유전자 필수성을 대규모로 평가하며 신약 개발의 이정표를 세웠다. 그러나 개별 유전자 수준의 필수성 데이터만으로는 한계가 명확하다. 암세포 생존에 필수적인 유전자가 정상 세포에도 작용해 독성을 유발하거나, 실험적 잡음으로 인해 무가치한 후보가 상위에 오르는 현상이 빈번했다. 단일 유전자 정보만으로는 복잡한 세포 내 네트워크 상호작용을 온전히 파악하기 어렵기 때문이다. 이에 따라 유전자의 기능적 주변 환경을 고려하는 시스템 생물학적 접근법이 대안으로 부상했다. ## 핵심 발견 이러한 난제를 해결하고자 Jung J, Yoo S 연구진은 세포 특이적 단백질 연결망을 결합한 '이웃-상관 필수성 점수(Neighbor-Correlation Essentiality Score, NCES)' 프레임워크를 선보였다. NCES는 DepMap의 유전자 필수성 점수인 CERES와 단백질-단백질 상호작용(Protein-Protein Interaction, PPI) 네트워크를 융합한 구조라는 설명이다. 연구진은 세포주별 유전자 발현 패턴과 약물 반응 데이터를 바탕으로 이웃 유전자 사이의 상호작용 가중치를 도출해냈다. 이어서 암 세포주 7종을 타깃으로 치료 표적 데이터베이스(Therapeutic Target Database, TTD) 및 드럭뱅크(DrugBank) 골드 스탠더드 데이터를 활용한 정확도 평가를 진행했다. 분석 결과, 개별 유전자 필수성만 분석한 기존 방식에 비해 NCES 모델 변형들이 우월한 정확도를 나타내는 것으로 분석됐다. 특히 유전자 녹아웃 결과로 가중치를 부여한 'CRISPR 가중치 변형 모델'의 예측력이 돋보인다. 이 모델은 TTD와 드럭뱅크 골드 스탠더드 예측에서 각각 0.794와 0.779의 수신기 작동 특성 곡선 아래 면적(Area Under the Receiver Operating Characteristic Curve, AUROC)을 기록했다. 가중치 NCES 모델은 기본 네트워크 모델과 비교해 예측 정확도를 유의미하게 개선했음이 입증됐다. 아울러 기존 데이터베이스에 없던 고순위 후보 유전자 중 CCNB1, CDC7, WEE1 등이 생물학적 필수 표적이거나 실제 약물로 억제 가능한 타겟임을 문헌 분석으로 확인했다. NCES가 신규 암 치료 표적을 발굴할 잠재력을 갖췄음을 보여주는 대목이다. ## 의미와 전망 이번 연구는 빅데이터와 네트워크 생물학의 결합이 신약 개발의 병목현상을 어떻게 해결할 수 있는지 잘 보여준다. 세포 내 유전자는 유기적으로 연결되어 반응하므로, NCES 프레임워크가 제시한 세포 특이적 가중치 네트워크 분석은 표적 발굴의 위양성(False Positive) 비율을 크게 줄일 것으로 기대된다. 표적 검증 단계에서 소모되는 시간과 비용을 줄여 신약 개발 성공 가능성을 끌어올린다는 구상이다. 또한, 세포주별 특이성을 반영하는 NCES의 강점은 환자 맞춤형 정밀 의료 실현을 앞당길 유력한 도구가 될 수 있다. 특정 암종이나 개별 환자의 암세포 유전체 환경에 맞춰 가장 효과적인 약물 타겟을 맞춤형으로 찾아내는 경로가 열리기 때문이다. 기존 데이터에 등재되지 않았던 신규 표적 유전자를 제안할 수 있다는 점 역시 신약 파이프라인 다각화에 긍정적인 요인으로 꼽힌다. 다만 실제 신약 개발 현장에 안착하려면 몇 가지 극복할 과제가 있다. 단백질-단백질 상호작용 네트워크 자체가 지닌 불완전성이 예측 결과에 오차로 작용할 가능성을 배제하기 어렵다는 의견이다. 아울러 세포주 데이터 기반 예측 결과가 실제 환자의 복잡한 종양 미세환경에서도 동일하게 재현되는지 확인하는 생체 내(in vivo) 검증이 필수적이다. 향후 임상 데이터와의 통합 연구가 후속 과제로 이어질 전망이다.