암세포의 유전체에 돌연변이가 생기면 세포 표면에 신생항원(neoantigens)이 나타난다.

이런 신생항원 가운데 일부는 T세포에 포착되며, 해당 암세포는 면역계의 공격으로 파괴된다.

하지만 T세포가 신생항원을 식별하지 못하면 암세포가 면역계의 공격권에서 벗어나 암이 걷잡을 수 없이 빠르게 성장한다.

텍사스의대 과학자들이 획기적인 인공지능 진단 기술을 개발했다.

돌연변이 암세포의 표면에 발현하는 신생항원 가운데 어떤 것을 T세포가 식별할 수 있는지 가려내는 것이다.

pMTnet로 명명된 이 기계 학습 알고리즘은 환자 맞춤형 항암 면역치료 개발 등에 큰 도움이 될 거로 기대된다.

텍사스대 사우스 웨스턴 메디컬 센터(UT 사우스 웨스턴)의 왕타오(Tao Wang) 인구·데이터 과학 조교수 연구팀이 수행한 이 연구 결과는 지난 23일(현지 시각) 저널 '네이처 머신 인텔리전스(Nature Machine Intelligence)' 온라인판에 논문으로 실렸다.

인간의 면역계는 암세포 표면에 생긴 신생항원을 보고 암세포와 정상세포를 구분한다.

항암 면역치료의 성패는 T세포가 식별하는 신생항원을 알아내는지에 달렸다 해도 과언이 아니다.

하지만 돌연변이 암세포 표면엔 수만 개의 서로 다른 신생항원이 존재한다.

T세포가 어느 것에 반응하는지 가려내는 건 시간, 비용, 기술 등의 측면에서 매우 어렵다.

논문의 공동 수석저자인 왕 교수는 "어떤 신생항원이 T세포 수용체와 결합하는지 가려내는 건 불가능해 보였다"라면서 "그런데 기계 학습을 이용한 이번 연구로 큰 진전을 이뤘다"라고 말했다.

왕 교수팀은 지금까지 알려진 암세포 신생항원 등 3개 요소의 결합 또는 비 결합 조합을 각각 pMTnet 알고리즘에 학습시켰다.

신생항원 외의 다른 두 요소는, 암세포 표면에 신생항원을 제시하는 MHCs(주요 조직 접합성 복합체)와 각각의 신생항원-MHCs 짝을 식별하는 T세포 수용체(TCRs)였다.

그런 다음 30건의 선행 연구로부터 구축된 데이터 세트에 시험해 이 알고리즘의 높은 정확성을 확인했다.

이 데이터 세트엔, 지금까지 서로 결합하거나 결합하지 않는 것으로 확인된 신생항원-T세포 수용체 조합이 들어 있었다.

연구팀은 이어 1만1천여 개 유형의 원발 암 정보가 담긴 '암 유전체 지도(The Cancer Genome Atlas)'의 신생항원 목록에 이 알고리즘을 돌려 봤다.

그 결과 신생항원은 대개 종양 관련 항원(tumor-associated antigens)과 짝을 이룰 때 더 강한 면역 반응을 촉발했다.

pMTnet는 또 어떤 암 환자가 '면역 관문 억제 치료'에 더 잘 반응하고, 기대 생존율이 더 높은지 예측했다.

논문의 공동 수석저자인 텍사스대 MD 앤더슨 암센터의 알렉산드레 레우벤(Alexandre Reuben) 흉부 두경부 종양학 조교수는 "현재 면역치료의 가장 큰 장애물은, T세포가 식별하는 항원을 확인해 치료적 목적에 활용하는 것"이라면서 "pMTnet는 현재 쓰고 있는 방법보다 훨씬 더 뛰어난 성능을 보여, 우리의 목표에 매우 가까이 다가서게 했다"라고 평가했다.

<연합뉴스>