다중모달 데이터 융합한 PATH, 투명세포 신장세포암 치료 표적 후보 제시

배경: 단일 데이터 분석을 넘어선 표적 탐색
네트워크 의학 기반 머신러닝 프레임워크 PATH가 서로 다른 분자 데이터를 통합해 투명세포 신장세포암(ccRCC)의 치료 표적 후보를 제시했다. 후속 세포주 실험에서는 ENO2를 겨냥한 억제제가 가장 뚜렷한 증식 억제 효과를 보였다. 검증 범위는 환자 치료 효과가 아닌 세포 수준의 반응이다.
전통적인 치료 표적 발굴은 단일 유전자 가설이나 돌연변이·유전자 발현 분석에 의존해 왔다. 하지만 암은 세포 간 이질성이 높고 다층적인 분자 네트워크가 얽혀 있어, 개별 유전자 변화만으로 질병을 유지하는 상호작용을 파악하기 어렵다. 기존 치료에도 내성이 나타나는 ccRCC에서 종양세포의 취약점을 찾으려는 연구 배경이다.
핵심 발견: 네 가지 데이터 통합과 세포주 검증
연구팀은 단일세포 전사체, 벌크 다중오믹스, 전장 유전체 크리스퍼(CRISPR) 유전자 제거 스크리닝, 단백질–단백질 상호작용(PPI) 네트워크를 통합했다. CRISPR 자료의 출처는 연구팀이 새로 수행한 스크리닝이 아닌 DepMap의 기존 데이터다.
PATH는 유전자 발현량만으로 후보를 고르지 않는다. 연구팀은 35개 유전자 시그니처를 바탕으로 네트워크 거리, 이웃 유전자 구성, 중심성, 유전자 제거가 세포 생존에 미치는 영향 등을 계산해 17,880개 유전자마다 139개 특징을 구성했다. 이를 학습한 모델의 역할은 알려진 약물 표적과 나머지 유전자를 구분하고 후보의 우선순위를 매기는 것이다. 앙상블 모델은 학습에 쓰지 않은 자료의 균형화 시험세트에서 평균 수신자 조작 특성 곡선 아래 면적(AUROC) 0.9254를 기록했다. 이는 표적 분류 성능으로, 신규 후보의 임상 성공률과는 다른 지표다.
예측 순위에 종양세포 특이성과 억제제 가용성 등의 조건을 적용해 좁힌 후보 6개는 A498·769-P·786-O 세포주에서 시험했다. ENO2·LRRK2·SCARB1·HMOX1·TGM2를 겨냥한 억제제에서 세포 생존율 감소가 관찰됐지만, LOX 억제제는 효과를 보이지 않았다. HMOX1과 TGM2 억제 반응에는 세포주별 차이가 있었다.
72시간 동안 각 억제제를 10 μM 농도로 처리한 증식 실험에서 ENO2 표적 억제제 POMHEX는 증식을 거의 완전히 억제했다. LRRK2와 SCARB1 억제제의 평균 증식 감소는 각각 약 45%였다. 서로 다른 약물의 결과이므로 이 수치만으로 표적 자체의 우열을 단정하기는 어렵다.
의미와 전망: 재창출 가능성과 검증의 경계
LRRK2는 약물 재창출 관점에서도 관심을 끈다. 다만 이번 신장암 세포 실험에 사용한 약물은 LRRK2-IN-1이다. 논문이 파킨슨병 임상 3상 개발 약물로 언급한 BIIB122와 구분해야 한다. 이 연구에서 BIIB122의 신장암 효능이나 신약 개발 기간·비용 절감이 입증된 것은 아니다.
연구팀은 폐선암에서도 질환별 데이터를 별도로 구성한 PATH 모델을 평가해 AUROC 0.923을 얻었다. 다른 암종에서 알려진 표적을 구분할 가능성을 뒷받침하는 결과다. 다양한 난치성 질환에 즉시 적용할 수 있는지는 별도 검증이 필요하다.
모델은 표적 억제가 치료 효과로 이어지는 기전을 직접 설명하지 못한다. PPI 자료의 불완전성과 연구 편향, 알려진 표적과 비표적을 나누는 분류의 불확실성도 한계로 남았다. 후보의 인과적 역할과 치료 가능성은 후속 실험에서 확인해야 한다.
연구 방법과 결과는 Communications Chemistry 논문 전문에서 확인할 수 있다.
The high cost and attrition rate of drug development underscore the need for more effective strategies for therapeutic target discovery. Here, we present a network medicine-based machine learning framework that integrates single-cell transcriptomics, bulk multi-omic profiles, genome-wide CRISPR perturbation screens, and protein-protein interaction networks to systematically prioritise disease-specific targets. Applied to clear cell renal cell carcinoma, the framework successfully recovered established targets and predicted five therapeutic candidates, with subsequent in vitro validation demonstrating that among these, ENO2 inhibition had the strongest anti-tumour effect, followed by LRRK2, a repurposing candidate with phase III Parkinson's disease inhibitors. The proposed approach advances target discovery by moving beyond single-feature, single-modality heuristics to a scalable, machine learning-driven strategy that is generalisable across diseases.
PATH는 신장암 연구팀이 후속 실험 대상을 좁히는 데 활용할 수 있는 접근을 제시한다. 예를 들어 계산 순위가 높은 유전자에 종양세포 특이성, 정상 조직의 발현, 사용 가능한 억제제 등의 조건을 함께 적용하면 검증할 후보를 선별할 수 있다. 이번 연구도 이러한 과정으로 후보 6개를 골라 세포주에서 시험했다. 기존 CRISPR 자료와 다중오믹스를 네트워크 특징으로 변환해 실험 우선순위에 연결한 사례다. 다만 데이터별 가중치를 정하는 보편적 지침이나 환자 치료 선택 도구로 검증된 것은 아니다. 실제 치료 표적으로 발전시키려면 약물의 표적 특이성, 작용 기전과 안전성, 생체 내 효과를 추가로 평가해야 한다.