AI x BIO
뉴스 · 2025-07-21 · 조회 69
1. 서론
1.1. 학회 개요
‘AI x BIO’ 학회는 영국 힝스턴(Hinxton)에 위치한 Wellcome Sanger Institute에서 처음으로 선보이는 “실험적” 성격의 콘퍼런스로, DNA, RNA, 단백질, 세포의 모델링 및 설계, 모델 학습을 위한 대규모 데이터 생성에 중점을 두었다. 그 뿐만 아니라 신약 개발 및 의료 영상 분야에서의 모델링 및 머신 러닝, 그리고 인공지능(AI)을 활용한 공간 오믹스 및 다중 오믹스 방법론의 발전에 주목하였다.
그림 1. Hinxton Hall Conference Centre 전경 그림 2. 학회장 내부
“Enter the era of AI in Biology”라는 주제로 진행된 본 학회에서는 9개의 강연 세션과 2개의 포스터 세션으로 진행되었으며, 본인은 이중 인상 깊었던 3개의 강연과 포스터 세션을 소개하고자 한다.
2. 학회 프로그램 및 내용
2.1. AI 시대의 생물학적 데이터
그림 3. 발표자 Michael Bronstein 그림 4. Michael Bronstein의 강연 모습
영국 Oxford 대학교 소속 Michael Bronstein 교수님의 ‘Biological data in the age of AI’ 강연은 분자부터 생태계까지의 생물학 시스템을 전통적 모델만으로 설명할 수 없음을 지적하며, 하나의 세포가 약 100조 개의 원자로 구성되어 있어 현재 계산법으로 시뮬레이션할 수 없고, 방정식 없는 상위 수준의 시스템을 해석하기 위해 데이터 기반 논리를 학습하는 ML/DL 패러다임이 필수라고 강조하셨다. CNN이 지역성과 매개변수 공유로 이미지 인식에서 차원의 저주를 극복하고 AlexNet이 ImageNet에서 성공했듯, geometric DL은 분자의 순열 및 3D 대칭 불변성을 반영해 AlphaFold2의 IPA 모듈로 단백질 구조 예측을 발전시켰다. 한편, 알고리즘 혁신보다 ImageNet이나 PDB 같은 방대한 데이터, 평가 지표, 고차원 데이터 manifold 가설, 조합성 및 분포 가설 등 데이터 내재 구조가 ML 돌파구의 핵심이라고 설명하셨다. 이제는 ‘다음 AF’가 아닌 ‘다음 PDB’를 어떻게 확보할지, 즉 고처리량·대규모·저비용으로 생성되는 블랙박스 데이터를 어떻게 축적하고 ML 모델과 결합할지에 관심을 집중해야 함을 피력하셨다. 본 강연을 통해 본인은 AI와 생물학 데이터의 융합은 약물 발견 및 질병 치료와 같은 분야에서 programmable proteome editing과 같은 혁신적인 기술의 발전을 이끌 잠재력을 가지고 있음을 실감하였다. 다만 AI가 생물학적 문제를 해결하는 데 있어 ‘마법’은 아니며, AI 알고리즘의 발전은 새로운 실험 기술과 데이터 소스 개발과 긴밀히 병행되어야 할 것이다.
2.2. 정밀 종양학을 위한 AI 기반 계산 병리학 도구
그림 5. 발표자 Tingying Peng(우) 그림 6. Tingying Peng의 강연 모습
독일 Helmholtz Munich 소속 Tingying Peng 박사님의 ‘AI-empowered computation pathology tools for precision oncology’ 강연은 AI 기반 quantitative microscopy 영상 분석과 적은 레이블만으로도 학습할 수 있는 전처리, 세분화, 정량화 기술을 제시하며 computational pathology의 부상을 설명하셨다. 병리학자의 업무량 증가로 디지털화된 조직 및 세포를 분류하고 병기 및 생존율 예측 등 임상 과제에 AI가 필요하며, 지난 10년간 관련 연구 논문 수가 급증했다. 대장암 조직 영상 바이오마커 예측 파이프라인은 전체 슬라이드를 패치로 나누고 색상 적응을 통해 도메인 차이를 줄인 뒤, SSL 사전학습 모델 CTransPath로 특징을 추출하고 transformer 집계 모듈로 MSI와 BRAF/KRAS 예측에서 우수한 성능과 일반화 능력을 입증하셨다. 한편, HistoGPT는 전체 슬라이드를 입력받아 임상급 병리 보고서를 생성하는 foundation 모델로, 실제 임상 평가에서 전문가들은 생성 보고서를 인간이 작성한 보고서와 구별하기 어려울 정도의 품질을 보였으나 염증성 질환 분야에서는 개선의 여지를 드러냈다. 마지막으로 UNI, CONCH, PLIP, VIRCHOW 등 기존 foundation 모델을 단순히 융합하는 방식을 넘어, teacher-student 구조의 consensus alignment 기법을 통해 여러 모델 특징을 정렬하고 개별 특징을 유지하여 생존 예측 등에서 성능을 향상하려는 혁신적인 시도가 인상적이었다. 본 강연을 통해 본인은 병리학 분야에서도 AI 기술을 융합함으로써 진단 효율성과 정확도를 크게 개선할 수 있음을 깨달았다.
2.3. 가상 세포 및 디지털 트윈: 맞춤형 종양학의 AI
그림 7. 발표자 Charlotte Bunne 그림 8. Charlotte Bunne의 강연 모습
스위스 École Polytechnique Fédérale de Lausanne (EPFL) 소속 Charlotte Bunne 교수님의 ‘Virtual Cells and Digital Twins: AI in Personalized Oncology’ 강연은 AI가 분자 변이 예측, 예후 및 치료 반응 예측 등에서 방대한 다중 모달 데이터 아틀라스를 어떻게 활용할 수 있는지를 강조하였다. Molecular tumor board (MTB)의 의사결정 과정이 고난도 작업이고, 기존 AI 모델이 NLP와 컴퓨터 비전 분야에서 self-supervised 학습과 혁신적 아키텍처로 성과를 냈지만, oncology 데이터는 단편화되고 비연결적이며 표준화된 메타데이터 수집이 어려워 일반화 및 설명 가능성이 한계가 있다고 진단하셨다. 이를 극복하기 위해 ‘AI Virtual Cell’ 개념을 제안하며, 분자, 세포, 다세포 규모의 생물학적 빌딩 블록을 범용 표현과 가상 도구로 모델링하였다. Virtual tissue는 소규모 임상 코호트, 레이블 부족, 이질적 연구 설계를 전제하더라도 치료 선택 및 예후 예측, 정보 검색, 임상 의사결정 지원을 위한 고차원 이미지를 표현하기 위해 protein language model 기반 토큰 생성, multiplex 이미지 토큰화, 세포부터 미세환경, 조직 수준까지의 계층적 처리를 결합한 multi-scale vision transformer 아키텍처를 도입하였다. MAVIS는 비용 및 시간 제약을 고려해 저비용 H&E 염색부터 고비용 공간 단백체 분석까지 최적의 진단 검사를 선택하도록 설계되었으며, 새로운 암 유형과 바이오마커에도 zero-shot으로 일반화할 수 있는 유연성을 갖췄다. Neural optimal transport를 활용해 환자 종양 세포의 치료 반응을 시뮬레이션하고, 이를 통해 최적 치료법을 제안하며 Tu-Pro.ch 같은 플랫폼에서 미지 환자의 치료 결과 및 암 진행 양식을 예측하는 방안을 제시하셨다. 본 강연을 통해 본인은 다중 모달 장기 벤치마크, foundation 모델, 다양한 자원과 도구를 통합해 예측, 생성, 추론, 쿼리가 가능한 능력을 갖춘 MTB 에이전트를 구축한다면 의사결정 과정에 혁신을 이끌 것으로 생각한다.
2.4. 포스터 세션
그림 9. 포스터 세션
본 학회에서는 총 65편의 포스터가 출품되었으며, 포스터에서 드러나는 최신 연구 동향을 다음과 같이 추려볼 수 있었다.
(1) 언어 모델을 활용해 VEP, de novo protein design, peptide binder generation, antibody optimization까지 연구 스펙트럼이 빠르게 넓어졌고, 이러한 모델들은 zero-shot 혹은 few-shot으로 unseen task를 해결하며 multi-objective optimization 기능도 탑재하고 있음
(2) 멀티오믹스의 경우, 대규모의 다양한 데이터베이스를 구축하고 데이터 편향과 재현성 문제를 완화하려는 움직임이 뚜렷함
(3) 단일 세포 및 공간 오믹스의 경우, heterogenous graph, vector-field, Bayesian model을 결합해 세포 계통 추정 및 lineage tracing, rare cell detection을 정교하게 구현함
(4) 병리 및 고해상도 이미지 분석의 경우, foundation 모델의 일반화를 점검하고, cell painting과 고해상도 현미경 이미지를 대상으로 self-supervised representation을 학습해 MoA 예측, 독성 스크리닝에 적용함
(5) 면역 치료제 설계의 경우, T세포 수용체의 생성과 결합 친화도 예측, 신생항원, 사이토카인 엔지니어링 등 AI 기반 면역 치료제 개발이 활발함
그림 10. 포스터 현장 그림 11. 포스터 토의
본인은 ‘Identification of neoantigens for quality assessment of personalised cancer vaccines’라는 주제로 포스터 발표를 진행하였다. 개인 맞춤형 신생항원 후보를 발굴하기 위해 AI 기반의 다중 모델 앙상블 파이프라인을 개발하여, 재발성 드라이버 돌연변이로부터 신생항원 후보를 선별하고 우선 순위화함으로써 예측 불일치를 해소하고 재현성을 확보하고자 하였다. 이에 대해 다른 연구자분들께서는 분석 방법, 특히 주요조직적합성복합체(MHC)와 T세포 수용체와의 결합 친화도 예측을 논의하였다. 한편, 종양 돌연변이 부담(TME) 및 현미부수체 불안정성(MSI; Microsatellite instability)을 고려한 암종 선정의 필요성에 대해서도 토의하며, 향후 신생항원 후보 펩타이드를 mRNA 및 합성 형태로 제작하여 안정성, 면역원성, T세포 활성 등의 실험 검증을 통해 치료 잠재력을 강화하고 면역펩티도믹스 통합 검증을 통해 후보 정밀도를 한층 고도화하고자 한다.
3. 결론
이번 ‘AI x BIO’ 학회는 인공지능과 머신러닝이 생명과학 전반에 걸쳐 어떻게 혁신을 이끌고 있는지를 한눈에 보여준 자리였다. DNA, RNA, 단백질, 세포 모델링부터 대규모 데이터 생성 및 활용, 정밀 분자 설계, 약물 개발 및 의료영상에 이르는 폭넓은 세션들을 통해, AI 기반의 접근법이 기초 연구를 넘어 실제 임상 적용 단계까지 빠르게 연결되고 있음을 확인할 수 있었다. 특히, 공간 오믹스와 다중 오믹스 기술의 융합, 그리고 임상 foundation 모델을 활용한 병리 영상 분석 세션은 생물학적 복잡성을 해석하는 새로운 패러다임을 제시해 주었다.
학회 참가를 통해 얻은 가장 큰 인사이트는 ‘스케일과 정밀도의 균형’으로, 대규모 데이터 구축 및 라벨링을 통한 모델 학습이 중요해진 한편, 단일 분자 수준의 설계 및 제어 역량 역시 필수 과제로 떠올랐다. 예컨대 RNA 구조 예측 세션에서는, 시뮬레이션 기반 모델과 딥러닝 기법이 어떻게 상호 보완적으로 작동하여 정확도를 높이는지를 배울 수 있었다. 이 외에도 데이터 중심의 머신러닝 패러다임, 가상세포 에이전트의 미래 비전은 본인의 연구에도 큰 영감을 주었다.
이번 학회에서 식사와 휴식 시간마다 생물학자, 컴퓨터 과학자, 임상의 등 다양한 전문가들과 자유롭게 아이디어를 교환하며 네트워크를 확장할 수 있었다. 특히 포스터 세션 중에 나눈 깊이 있는 토의는 본인의 연구에 대한 새로운 시각을 열어 주었고, 협업의 중요성을 다시금 깨닫게 해주었다. 이를 통해 본인은 전통적인 생물학적 통찰에 인공지능과 머신러닝 기반 분석 능력을 결합하여, 분자 수준의 발견을 시스템 수준의 이해로 확장하는 연구 역량을 키워 나가야겠다고 다짐하였다. 마지막으로, 학회 참가를 아낌없이 지원해 주신 KOBRA 첨단바이오 연구협력센터 관계자분들께 깊이 감사드리며, 배움과 융합의 여정을 계속 이어 나가고자 한다.
학회명 : AI x BIO
개최일 : 2025.06.23.~2025.06.25.
개최지 : 영국 Hinxton
발표 제목 : Identification of neoantigens for quality assessment of personalised cancer vaccines
작성자 : 한양대학교 생명과학과 대학원생 전현배