school 전문가회원accessibility 회원가입perm_identity 로그인
고성능 컴퓨팅 개인 맞춤의학 한계를 넓힌다

이 기사는 구효정 기자가2019년09월30일 10시32분에 최종 입력하였습니다. 총 185명이 방문하여 읽었습니다.

슈퍼컴퓨터, 암과 싸우는 단서를 제공하다
개인 맞춤화된 정밀한 암 치료는 미래에 어떤 모습일까?
우리는 사람마다 다르고 종양마다 다르고 종양은 또 치료법에 따라 달리 반응하는 것을 알고 있다. 미래의 의료진들은 환자와 종양의 가상현실 쌍둥이를 만들어낼 수 있을지도 모른다. 그런 후 의사가 주도하는 의료진이 슈퍼컴퓨터를 두들겨서 종양 세포들이 어떻게 행동하는지 모의실험을 해서 수백만 가지나 수십억 가지의 가능한 치료방법 조합을 테스트해볼 수가 있을 것이다. 마지막에는 최선의 치료방법 조합들이 개인 맞춤화된 효과적인 치료 계획을 수립하는 단서를 제공할지도 모른다.

이런 생각이 희망적으로 들리는가? 꿈과 같은 비전을 실현하는 첫걸음이 미국 에너지부 산하 국립 아르곤 실험실의 컴퓨터 과학자인 조나단 오지크와 니콜슨 콜리어를 포함한 다기관 연구 협력에 힘입어 내디뎌졌다. 인디애나 대학교와 버몬트 대학교 의료센터의 공동 연구자들을 포함한 이 연구진은 암 면역요법을 개선하는 난제를 풀기 위해 고성능 컴퓨터의 힘을 이용했다. 그들은 국립 아르곤 실험실과 시카고 대학교에 있는 쌍둥이 슈퍼컴퓨터들을 이용해서 고성능 컴퓨터가 암과 싸우는 데 단서들을 제공해줄 수 있는 것을 발견했다.

이런 새로운 방법으로 연구진은 행위자 기반 모형을 과학적으로 더 확고한 방법으로 이용할 수가 있다고 아르곤 연구소와 시카고 대학교의 컴퓨터 과학자인 니콜슨 콜리어가 말했다. 암 면역요법은 면역체계를 재편성해서 암세포를 줄이거나 제거하는 유망한 치료법 중 하나이다. 그러나 이 치료법은 부분적으로 암세포와 면역세포가 뒤섞이는 방법이 복잡하고 제대로 이해되고 있지 않기 때문에 환자의 10~20%에게만 도움이 된다. 증명된 규칙이 드물다.

면역요법의 규칙을 찾아내기 위해 연구진은 3가지 도구를 사용했다.
- 개별 행위자들의 행동을 예측하는 행위자 기반 모형
이 경우 개별 행위자는 바로 암세포들과 면역세포들이다.
- 슈퍼컴퓨터를 완전하게 활용하는 아르곤의 수상경력이 있는 워크플로우 기술
- 모델을 개발하고 결과들을 역동적으로 조종하고 추적하는 길잡이가 되는 기틀(프레임워크)

이들 3개 도구는 위계적으로 작동한다. 오지크와 콜리어와 아르곤의 동료들과 버몬트 대학교 의료센터의 외과 의사 겸 교수인 개리 안이 개발한 기틀은 EMEWS(스위프트 언어를 이용한 극단적 규모 모델 연구)라 불린다. 이 기틀이 행위자 기반 모델과 워크플로우 시스템과 (아르곤과 시카고 대학교가 개발한) 스위프트/T 병렬 스크립트 언어를 감독한다.

PhysiCell 모델, 모의실험 암세포 가장 잘 통제하거나 죽이는 매개변수 찾아내
이런 도구의 배합은 무엇이 독특한가? 우리는 다양한 컴퓨터 과학 분야에서 자신들의 모델로 대규모 실험을 하고 있는 더 많은 사람들을 도와주고 있다고 오지크는 말했다. 모델을 만드는 것은 재미가 있지만 슈퍼컴퓨터가 없으면 모델이 어떻게 행동할 수 있는지에 대한 충분한 잠재력을 실제로 이해하는 것은 어렵다고 그는 부언했다.

이들 연구진은 아래와 같은 일이 일어나는 모의 시나리오를 찾아내려고 노력했다.
- 추가적인 암 세포들이 자라지 않는 상황
- 암세포의 90%가 죽는 상황
- 암세포의 99%가 죽는 상황

그들은 모의실험의 19%에서 암세포들이 자라지 않았고, 모의실험의 6%에서는 암세포 10개 중 9개가 죽었고, 모의실험의 2%에서는 암세포 100개 중 99개가 죽는 것을 발견했다.

연구진은 암과 여타 질병을 조사하기 위해 행위자 기반 모델부터 시작해서 인디애나 대학교의 폴 맥클린이 설계한 PhysiCell 기틀(프레임워크)을 만들었다. 그들은 개별적인 암세포와 면역세포에 그들의 행동을 지배하는 특징(예를 들면 출생율과 사망률)들을 배정하고 그런 후에 그들을 풀어놓았다. 우리는 많은 문제들을 다루기 위해 행위자 기반 모형을 사용했다고 오지크는 말했다.

그러나 이 모델들은 흔히 계산이 활발해서 많은 랜덤 잡음을 만들어낸다고 그는 부언했다. PhysiCell 모델 내에서 가능한 모든 시나리오를 조사해보는 것은 비현실적일 것이다. 모델의 가능한 행동 공간 전체를 커버할 수는 없다고 콜리어가 말했다. 그래서 연구진은 더 열심히 일하는 것이 아니라 더 재치 있게 일할 필요가 있었다.

연구진은 PhysiCell 모델을 이용해서 모의실험 암세포들을 가장 잘 통제하거나 죽이는 매개변수를 찾아내기 위해 2가지 방법, 즉 유전자 알고리즘과 기계 학습의 일종인 능동적 학습에 의존했다. 유전자 알고리즘은 그 모델을 이를테면 100번 모의실험하고 결과를 측정해서 이상적인 매개변수들을 찾는다. 그 다음에 그 모델은 매번 임무를 더 잘 수행하는 매개변수 값을 사용해서 그 과정을 되풀이해서 반복한다. 이 과정이 신속하게 일련의 가장 좋은 매개변수들을 찾을 수 있도록 해준다고 콜리어가 말했다.

아르곤의 EMEWS, 가장 유리한 매개변수 값의 범위 발견
능동적 학습은 다르다. 이것도 모델을 반복적으로 모의실험을 하지만, 무엇이 작용하고 무엇이 작용하지 않는지 전체 상황을 파악하기 위해서 모의실험을 하면서 더 탐색하기 위해 가장 유리한 매개변수 값의 지역을 발견하려고 시도한다. 다시 말하면 비용 대비 최대의 효과를 얻을 수 있는 표본을 뽑을 수 있는 곳을 발견하려고 시도한다고 오지크는 말했다.

그동안 아르곤의 EMEWS는 적시에 유전자 알고리즘과 능동적 학습 알고리즘에게 신호를 보내고 자체적인 실험실 컴퓨터 자원 센터에 있는 (여러 대의 컴퓨터를 연결한) 아르곤의 비봅 클러스터에서 다수의 모의실험들을 조정해서 마치 지휘자같이 행동했다. 연구진은 결장암이나 유방암이나 전립선암을 포함한 여러 가지 다른 유형의 암을 연구하는데도 비슷한 방법을 적용하고 있다.

아르곤의 EMEWS 기틀은 의학을 넘어 다른 분야들에 대한 통찰력도 제시해줄 수 있다. 실제로 오지크와 콜리어는 현재 이 시스템을 사용해서 희토류 금속들과 그 공급사슬의 복잡성을 연구하고 있다. 이 새로운 접근법으로 연구가들이 행위자 기반 모형을 과학적으로 더 확고한 방법으로 사용할 수가 있다고 콜리어는 말했다.

이번 연구진에는 인디애나 대학교의 선임 시스템 분석가 겸 프로그래머인 랜디 하일런드도 포함되었다. 아르곤의 연구원들은 국립보건연구소의 후원을 받았다.

참조:
J. Ozik et al., "Learning-accelerated discovery of immune-tumour interactions" Molec. Syst. Design Eng., 2019; DOI: 10.1039/C9ME00036D