AI로 소아 희귀 유전 질환 진단 돕는 법

AI로 소아 희귀 유전 질환 진단 돕는 법

유전체 시퀀싱을 해도 많은 희귀 질환 환자들은 명확한 유전적 진단을 받지 못하는 경우가 많아요. 광범위한 검사와 전문가 검토를 거쳐도 대략 절반은 진단 없이 남아 있죠. 환자들의 의료 데이터에 단서가 있을 수 있지만, 수천에서 수백만 개의 가능한 유전 변이, 파편화된 임상 기록, 빠르게 변화하는 과학 문헌을 샅샅이 뒤져야만 그걸 찾을 수 있어요.

새로운 유전자-질병 관계, 사례 보고서, 분류 근거가 쌓이면서, 예전에 해결되지 않았던 사례들도 새롭게 해석될 수 있게 돼요.

보스턴 아동 병원의 맨튼 고아 질환 연구 센터, 하버드 대학교, 그리고 OpenAI 연구팀은 OpenAI의 o3 Deep Research 추론 모델을 사용해서 이전에 분석했지만 해결되지 않았던 376개 사례의 비식별화된 임상 및 유전체 정보를 분석했어요. 이 모델은 연구자들과 임상의들이 검토할 수 있도록 증거와 연결된 후보 설명을 제시했죠. 전문가 검토, 추가 테스트, 임상 확인을 거쳐 의료진은 18개 사례에서 진단을 확정했어요. 이는 전문가의 초기 분석 이후에도 4.8%의 추가 진단율을 보인 거예요. 이 연구는 2026년 6월 18일 NEJM AI에 발표되었으며, AI 기반 연구 워크플로우가 가장 어려운 사례들을 다시 살펴볼 때 전문가들이 단서를 찾는 데 어떻게 도움이 될 수 있는지를 보여줘요.

이 사례들 중 상당수는 수년간의 전문가 분석에도 불구하고 진단이 어려웠던 것들이에요. 이번 연구에서 OpenAI o3 Deep Research는 연구자들이 나중에 확립된 임상 과정을 통해 평가될 단서를 식별하는 데 도움을 주었고, 이는 지식이 발전함에 따라 전문가 주도의 주기적인 재분석이 더욱 확장 가능해질 수 있음을 시사해요. 이 모델은 어떤 환자도 진단하거나 임상 결정을 내리지 않았어요. 그저 전문가들이 검토하고, 필요한 경우 추가 테스트를 통해 조사하고 임상 실험실에서 확인할 수 있도록 증거와 연결된 가설을 생성했을 뿐이에요.

왜 오래된 사례가 새로운 해답을 품을 수 있을까요?

결론이 나지 않은 유전자 검사 결과가 영원히 그대로인 건 아니에요. 환자의 표현형(phenotype) 설명, 검사 결과, 가족력 등은 서로 다른 식별자, 형식, 용어를 사용하는 데이터베이스에 흩어져 있을 수 있어요. 이런 기록들을 연결하는 게 어렵기 때문에 전문가조차도 진단을 놓칠 수 있죠. 또, 관련 유전자나 그 변이가 질병과 연결되기 전에 아이의 유전체를 시퀀싱하는 경우도 있어요. 과학적 지식이 발전함에 따라, 같은 데이터라도 이전에는 밝혀낼 수 없었던 해답을 드러낼 수 있는 거죠.

희귀 질환 재분석은 과학적인 문제이자 관리 문제이기도 해요. 환자의 유전체는 그대로일 수 있지만, 그 주변의 증거는 계속 변하거든요. 연구자들은 새로운 유전자와 변이를 질병과 연결하고, 실험실에서는 오래된 변이를 재분류하고, 사례 데이터베이스와 논문에는 새로운 관찰 결과가 쌓여요. 이런 업데이트 하나하나가 예전에 결론이 나지 않았던 사례를 다시 검토할 가치가 있게 만들어요. 그래서 많은 기관들이 끊임없이 변화하는 지식 기반과 동기화해야 할 유전체 백로그가 점점 늘어나는 상황을 겪고 있어요.

이번 연구에서 연구팀은 모델이 기존 유전체 파이프라인 위에 '설명 우선' 추론 계층 역할을 하도록 워크플로우를 설계했어요. 단순히 순위가 매겨진 유전자 하나만 반환하는 대신, 임상 특징, 유전 패턴, 변이 증거, 그리고 과학 문헌을 연결하여 인간 검토자가 심층적으로 살펴볼 수 있는 정당성을 제시하도록 요청했어요.

재분석은 어떻게 진행되었을까요?

각 사례마다 연구팀은 환자의 임상 증상을 설명하는 표준화된 인간 표현형 온톨로지(Human Phenotype Ontology) 용어, 때때로 임상의의 메모와 임상 진단, 나이와 성별 같은 메타데이터, 그리고 필터링된 변이 테이블을 포함하는 비식별화된 패킷을 구성했어요. 이 테이블에는 각 변이의 희귀성, 암호화된 단백질에 미치는 예측 영향, ClinVar 분류, 그리고 사용 가능한 가족 구성원 전체의 신호 품질이 담겨 있었어요. 대부분의 사례에는 아이와 양쪽 생물학적 부모의 데이터가 포함되어 있었죠.

연구팀은 모델에게 가장 그럴듯한 분자적 설명을 제시하고, 그 근거를 보여달라고 요청했어요. 그런 다음 연구자들은 임상 실험실에서 유전 변이를 분류할 때 사용하는 것과 동일한 ACMG/AMP 프레임워크를 사용해서 결과물을 검토했어요. 최소 두 명의 연구팀원이 각 후보를 검토했고, 의견 불일치는 합의를 통해 해결했으며, 모델의 결과물은 절대로 진단으로 간주되지 않았어요. 진단으로 인정되려면 자격을 갖춘 전문가가 증거를 검토하고, 변이가 병원성 또는 병원성 가능성이 높다고 분류되고, CLIA 인증 실험실에서 확인한 다음, 임상팀이 가족에게 결과를 전달해야만 했어요.

해결되지 않은 사례들을 분석하기 전에 연구팀은 이미 진단된 사례들을 통해 워크플로우를 개선했어요. 다양한 희귀 질환을 포함한 51개 사례 중 48개에서 정확한 유전자와 변이를 중복 실행으로 회수했어요. 57개의 신경근육 질환 사례 중 45개에서 이 워크플로우는 중복 실행으로 정확한 진단을 반환했고요. 15개의 롱리드 유전체 세트에서는 모든 사례에서 정확한 유전자를, 12개 사례에서는 질병을 유발하는 두 대립유전자를 모두 찾아냈어요. 이런 평가들은 프롬프트 개발에 도움이 되었고, 전문가 검토가 여전히 필수적인 영역이 어디인지 보여주었죠.

이전에 해결된 사례들에서 모델이 자체적으로 보고한 신뢰도 점수는 정확한 진단과 일치했어요. 지속적으로 정확한 결과의 평균 최소 점수는 85.6점이었고, 부정확하거나 알 수 없는 결과의 평균 최소 점수는 42.1점이었죠. 이 점수들은 보정된 확률이 아니었고, 연구팀은 이를 증거나 임상 판정의 대체물로 사용하지 않았어요. 하지만 전문가 검토자들이 가장 유망한 후보 진단에 집중할 수 있도록 안내하는 데는 도움이 되었어요.

연구자들은 무엇을 발견했을까요?

연구팀은 그 후 이 워크플로우를 이전에 해결되지 않았던 네 가지 사례 그룹에 적용했어요. 신경 발달 장애를 가진 어린이, 희귀 신경근육 질환을 가진 사람, 초기 정신병을 겪는 어린이와 청소년, 그리고 소아 돌연사 사례들이었죠. 이들은 첫 검토를 기다리는 신규 사례들이 아니었어요. 많은 사례들이 이미 여러 상업적 또는 기관 파이프라인에 의해 검토되었고, 다학제 팀에 의해 논의된 것들이었어요.

코호트별 결과

초기 정신병 코호트의 표본 수가 적어서 진단율 백분율의 신뢰 구간이 넓었어요. 진단율은 또한 각 코호트가 단일 유전자 설명을 가질 가능성과도 관련이 있어요.

모델이 후보를 제시하고 전문가들이 검토 및 임상 확인을 마친 후, 의료진은 사례의 4.8%에서 진단을 확정했어요. 이 비율은 그리 높지 않지만, 이전에 전문가 검토로 해결되지 못했던 환자들에게는 의미 있는 수치예요. 유사한 재분석 연구들도 이미 심층적으로 검토된 사례들에서 한 자릿수 진단율 증가를 보고하고 있어요. 일반적으로 더 높은 진단율은 새로운 사례나 유전적 확인을 기다리는 잘 알려진 질환이 포함된 연구에서 나오고요.

18개 진단 중 7개는 '재발견'된 것이었어요. 이는 지역 연구 워크플로우 외에서 진단이 확립되었지만, 연구팀이 검토한 기록에는 없는 진단들이었죠. 몇몇 사례에서는 해당 변이들이 이미 공개 데이터베이스에 병원성 또는 병원성 가능성이 높은 것으로 등록되어 있었는데, 이는 여러 데이터 소스의 정보를 종합하는 운영상의 어려움을 잘 보여줘요.

변이 식별 시 유연성 입증

한 초기 정신병 사례에서는 모델이 입력 데이터에 없던 유전체 구조적 이벤트를 추론했어요. 모델은 22번 염색체의 저품질 콜(calls)과 아동의 심장, 면역, 신경 발달, 정신과적 특징을 연결한 다음, 디조지 증후군(DiGeorge syndrome)과 관련된 22q11.2 결손을 가설로 제시했어요. 이 가설로 제시된 변이는 후속 유전체 시퀀싱으로 확인되었어요.

프롬프트는 단일 유전자 원인을 요청했지만, 모델은 때때로 복잡한 증상을 더 잘 설명하는 두 개의 유전자를 제시하기도 했어요. 한 사례에서는 _LAMA2_와 _FOXP1_의 변이가 함께 근육 및 신경 발달 특징을 설명하는 데 도움이 되었고요. 다른 사례에서는 이전에 인식되지 않았던 _TTN_과 _SRPK3_와 관련된 이중 유전자적 설명이 있었죠.

검증 가능하고 생물학적으로 일관된 가설 생성

진단 외에도 모델은 백반증(vitiligo)이라는 질환에 대한 잠재적인 새로운 기전적 설명을 식별하기도 했어요. 한 신경 발달 사례에서 모델은 백반증을 가진 사람에게서 _S1PR1_의 11개 아미노산 결손을 강조했어요. _S1PR1_은 신호 전달, 면역 세포 이동 및 조직 생물학에 관여하는 세포 표면 수용체를 인코딩해요. 모델은 이 결손이 색소 생성을 줄이는 동시에 면역 세포가 피부에 계속 머무르도록 돕는 방식으로 수용체 구조와 신호 전달을 변경할 수 있다는 증거를 통합했어요.

제시된 S1PR1–백반증 관계는 추가적인 실험적 검증이 필요하지만, 이는 구조 생물학, 면역학, 임상 유전학의 흩어진 발견들을 구체적이고 검증 가능한 가설로 전환하는 AI의 강력한 역할을 보여줘요.

연구팀은 또한 신경근육 코호트에서 잠재적인 표현형 확장을 발견했어요. _HSPB8_와 _CDK13_의 손상 변이가 해당 유전자와 가장 잘 알려진 질환과 완벽하게 일치하지 않았는데, 이는 더 넓은 임상 스펙트럼을 시사하며, 더 많은 사례와 실험실 작업이 이를 검증해야 할 거예요.

한계점

이 연구는 범용 추론 모델이 표현형, 유전 방식, 변이 주석, 데이터 품질 패턴, 과학 문헌을 검토 가능한 가설로 결합하여 소급 유전체 재분석에 기여할 수 있음을 보여줘요. 또한 주기적인 재분석이 중요한 이유도 보여주는데, 어떤 해답은 지식이 발전하거나 파편화된 기록이 한데 모아진 후에야 드러나기 때문이에요.

이 연구는 환자, 임상의, 또는 고객이 질병을 진단하거나 의료 결정을 내리기 위해 OpenAI 모델을 사용해야 한다는 증거가 아니에요. 이 연구는 OpenAI o3 Deep Research, ChatGPT 또는 기타 OpenAI 제품의 진단을 위한 의도된 고객 사용을 설명하거나 지지하지 않아요. 이 모델은 어떤 참가자도 진단하지 않았으며, 의료진과 기타 자격을 갖춘 임상 전문가가 확립된 검토, 테스트 및 임상 확인 절차를 통해 모든 진단을 내렸어요.

이 연구는 소급적이었고, 코호트는 이질적이었으며, 검토자들은 모델의 신뢰도에 대해 눈가림(blinded)되지 않았어요. 연구자들은 절약된 시간, 비용, 임상의 노력, 위양성(false-positive) 작업량, 또는 치료 변화를 측정하지 않았어요. 또한 구조적 변이, 반복 확장(repeat expansions), 심층 인트론(deep-intronic) 변화 또는 모자이크 현상(mosaicism)과 같은 다른 형태의 유전적 변이는 체계적으로 평가하지 않았고요.

대규모 언어 모델(LLM)은 맥락을 잘못 해석하거나, 자세히 살펴보면 실패할 수 있는 그럴듯한 설명을 생성할 수 있어요. 따라서 모든 결과는 인간의 판단과 임상 확인을 거쳤어요. 이 모델은 검색 범위를 넓히고 후속적인 인간 주도 분석에 집중하도록 도왔을 뿐, 어떤 정보나 진단이 가족에게 전달되어야 하는지 결정하지는 않았어요.

이 연구는 비식별화된 정보를 사용했으며, 승인된 환경 외부에서 보호된 건강 정보(PHI)를 활용하거나 전송하지 않았어요. 더 광범위한 임상 배포에는 모든 의료 서비스에 적용되는 것과 동일한 프라이버시, 보안, 감사 가능성, 지역 규정에 대한 주의가 필요해요. 모델 접근이 시퀀싱 인프라, 유전 상담, 확진 검사 또는 전문가 판단을 대체하지는 않아요.

보스턴 아동 병원 맨튼 고아 질환 연구 센터의 캐서린 브라운스타인 박사

맨튼 고아 질환 연구 센터 소장 앨런 베그스

다음 단계는 무엇일까요?

향후 전향적 다기관 연구에서는 LLM 지원 재분석과 표준 진료 방식의 진단율, 후보까지 걸리는 시간, 임상의 노력, 위양성 부담, 비용, 그리고 치료에 미치는 영향을 비교해야 해요. 버전 관리된 프롬프트, 참조 확인, 감사 로그, 보정된 불확실성(calibrated uncertainty)은 재현성과 안전성에 중요할 거예요. 이러한 연구에서도 여전히 자격을 갖춘 임상의가 증거를 평가하고, 적절한 검사를 지시하며, 모든 진단 또는 치료 결정을 내려야 할 거예요.

이 연구는 OpenAI o3 Deep Research를 사용했어요. 최신 범용 모델은 더 많은 과학 자료를 검색하고 종합할 수 있고, GPT-Rosalind와 같은 목적 지향 시스템은 단백질 구조와 기능에 대한 변이 효과를 포함하여 더 심층적인 생명 과학 작업을 위해 설계되었어요. 이러한 기능들은 여기에서 테스트되지 않았으며, 별도의 평가와 접근 제어가 필요할 거예요.

OpenAI가 이 초기 연구를 지원하는 데 도움을 주었지만, 맨튼 센터는 OpenAI 재단의 지원금을 통해 다음 단계 작업을 이끌 예정이에요. 이 지원금은 맨튼 센터가 플랫폼에 구애받지 않고 저비용으로 임상팀이 희귀 질환 사례를 더 빠르고 일관되게 분석하는 데 도움을 줄 유전학 AI 코파일럿을 개발하려는 더 광범위한 노력을 지원할 거예요.

장기적인 연구 기회는 전문가 주도의 AI 보조 재분석이 과학적 이해가 발견 속도를 따라잡는 데 도움이 될 수 있는지 탐구하는 거예요. AI가 의사의 진단을 대체하는 것이 아니라, 신중하게 평가된 연구 도구가 전문가들이 조사할 가치가 있는 증거를 식별하는 데 도움을 줄 수 있다는 약속이죠. 수천 가족에게, 오늘날 해결되지 않은 질문들이 영원히 미해결로 남을 필요는 없어요.