AI와 미래의 면역학: 예측 의학은 어디까지 가능한가

면역학은 데이터가 많은 학문이 되었다

면역학은 한때 세포와 분자를 하나씩 분리해 기능을 확인하는 학문에 가까웠습니다. 지금은 상황이 달라졌습니다. 단일세포 RNA 시퀀싱, 공간전사체, TCR/BCR 레퍼토리 분석, 다중오믹스, 임상 전자의무기록이 결합되면서 면역 반응은 거대한 데이터 문제이기도 해졌습니다.

AI가 면역학에서 주목받는 이유는 여기에 있습니다. 면역계는 수많은 세포가 시간과 조직 위치에 따라 상태를 바꾸는 동적 시스템입니다. 사람이 직접 모든 조합을 읽기 어렵기 때문에, 패턴을 찾고 예측하는 계산 도구가 필요해졌습니다.

항원과 백신 설계

AI가 비교적 빠르게 쓰이는 분야는 항원 예측입니다. 감염병 백신이나 암 neoantigen 백신에서는 어떤 펩타이드가 HLA에 결합하고, T세포 반응을 유도할 가능성이 있는지가 중요합니다. 기계학습 모델은 HLA 결합 예측, 항원 처리 가능성, TCR 인식 가능성을 추정하는 데 사용됩니다.

다만 “결합할 것 같다”와 “환자에게 보호 면역을 만들 것이다”는 다른 문장입니다. HLA 결합은 필요한 조건일 수 있지만 충분조건은 아닙니다. 항원이 실제로 발현되는지, 적절히 제시되는지, T세포가 피로하지 않은지, 종양미세환경이 억제적인지는 별도로 봐야 합니다.

AI는 후보를 줄여주는 도구이지, 면역반응을 보장하는 기계가 아닙니다.

단일세포 데이터와 면역 상태 지도

단일세포 분석은 AI와 잘 맞습니다. 수만에서 수백만 개 세포의 유전자 발현을 분석하면, 기존 표지자만으로는 구분하기 어려운 세포 상태가 드러납니다. 감염, 암, 자가면역질환, 백신 반응에서 어떤 세포군이 늘고 줄어드는지, 어떤 신호 경로가 활성화되는지 추적할 수 있습니다.

이때 AI는 세포 군집화, 궤적 분석, 세포 상태 예측, 치료 반응 분류에 사용됩니다. 예를 들어 면역관문억제제에 잘 반응할 환자의 종양미세환경 패턴을 찾거나, 자가면역질환에서 재발을 예고하는 세포 상태를 찾는 식입니다.

하지만 단일세포 데이터도 완벽하지 않습니다. 샘플 처리 과정, 배치 효과, 조직 채취 위치, 환자 수 부족이 결과를 흔들 수 있습니다. 모델이 찾아낸 패턴이 생물학적 사실인지, 기술적 잡음인지는 실험과 독립 코호트로 확인해야 합니다.

임상 예측 모델의 어려움

의료 AI에서 가장 어려운 문제는 실제 임상 적용입니다. 모델은 훈련 데이터와 비슷한 환경에서는 잘 작동할 수 있지만, 병원이 달라지고 환자군이 달라지고 검사 방법이 달라지면 성능이 떨어질 수 있습니다. 면역학 데이터는 특히 복잡합니다. 나이, 성별, 감염 이력, 백신 이력, 약물, 장내 미생물, 기저질환이 모두 면역 상태에 영향을 줍니다.

그래서 AI 모델이 임상 도구가 되려면 세 가지를 통과해야 합니다.

1. 외부 데이터셋에서 재현되어야 합니다.
2. 임상의가 이해할 수 있는 형태로 위험과 불확실성을 제시해야 합니다.
3. 실제 의사결정을 바꾸었을 때 환자 결과가 좋아지는지 확인해야 합니다.

정확도가 높은 모델이라도, 치료 선택을 바꾸지 못하거나 설명할 수 없는 편향을 만들면 의료적으로는 위험할 수 있습니다.

AI가 바꾸는 질문

AI의 가장 큰 가치는 “정답을 대신 내는 것”보다 질문의 크기를 바꾸는 데 있습니다. 예전에는 한두 가지 사이토카인이나 표지자를 중심으로 면역 반응을 설명했습니다. 이제는 수천 개 변수의 조합으로 환자의 면역 상태를 읽으려 합니다.

예를 들어 같은 류마티스관절염이라도 어떤 환자는 B세포 신호가 강하고, 어떤 환자는 인터페론 신호가 강할 수 있습니다. 같은 암이라도 어떤 종양은 T세포가 들어와 있지만 억제되어 있고, 어떤 종양은 아예 면역세포가 접근하지 못합니다. AI는 이런 차이를 더 정밀하게 분류하는 데 도움을 줄 수 있습니다.

과장하지 않기

AI는 면역학을 빠르게 바꿀 수 있지만, 면역계를 완전히 해독했다는 식의 표현은 조심해야 합니다. 면역 반응은 관찰 가능한 데이터보다 더 복잡하며, 모델은 언제나 데이터의 한계 안에서 배웁니다. 좋은 AI 연구는 모델 성능보다 검증, 해석, 임상적 유용성을 더 엄격하게 다룹니다.

미래의 면역학은 계산과 실험이 더 깊게 결합하는 방향으로 갈 가능성이 큽니다. AI가 후보를 제시하고, 실험이 생물학적 의미를 검증하며, 임상 연구가 환자에게 도움이 되는지를 확인하는 구조입니다. 면역학의 미래는 알고리즘만의 미래가 아니라, 더 투명하고 검증 가능한 예측 의학의 미래여야 합니다.

References

1. Croft D, et al. Artificial intelligence in immunology: current applications and future directions. Nat Rev Immunol. 2023.
2. Yarchoan M, et al. Neoantigens and response to immune-checkpoint blockade. N Engl J Med. 2017;377:2500-2501.
3. Satija R, et al. Spatial reconstruction of single-cell gene expression data. Nat Biotechnol. 2015;33:495-502.
4. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44-56.