[NP 저널미팅 #1] AI 기반 '정밀 한의학'의 3단계 방법론 (Zhang et al., 2024 리뷰)

1. 🧐 이 논문을 선택한 이유

네트워크 약리학(NP)의 기본 개념을 다룬 고전적인 논문들에 이어, 가장 '핫'한 트렌드인 인공지능(AI)이 NP와 어떻게 결합하고 있는지 구체적으로 알고 싶었습니다.

이 논문(Zhang et al., 2024)은 2024년 1월 Briefings in Bioinformatics라는 저명한 저널에 게재된 최신 리뷰 논문으로, AI 기술을 '한의학 네트워크 약리학'에 적용하여 '정밀 한의학'을 구현하는 방법론을 체계적으로 제시합니다. AI와 NP, 그리고 한의학이라는 세 가지 핵심 키워드의 교차점을 명확히 짚어줄 것으로 기대되어 이번 셀프 저널 미팅 논문으로 선정했습니다.

 

2. 📝 논문 정보

• 논문 제목: Network pharmacology: towards the artificial intelligence-based precision traditional Chinese medicine
• 저자: Peng Zhang, Shao Li 등 (교신저자: Shao Li 교수)
• 저널: Briefings in Bioinformatics, 2024, 25(1)
• DOI: https://doi.org/10.1093/bib/bbad518

 

3. 💡 3줄 핵심 요약

1. 배경 (Problem): 한의학의 '전일적(holistic)' 관점을 현대적으로 분석하기 위해 네트워크 약리학이 등장했지만, 방대한 오믹스 데이터를 처리하고 정밀한 기전을 밝히기 위해 AI 기술의 통합이 필수적입니다.
2. 방법 (Method): 본 리뷰는 AI를 활용한 TCM-NP 연구 방법론을 '1. 네트워크 관계 마이닝', '2. 네트워크 타겟 포지셔닝', '3. 네트워크 타겟 네비게이팅'이라는 3단계 프레임워크로 체계화했습니다.
3. 결과 (Finding): 이 3단계 AI 접근법을 통해 '한열(Cold/Hot) 변증'의 생물학적 기전(예: 면역-대사 불균형)을 규명하고 , 정밀 진단 및 치료에 적용한 구체적인 사례를 제시합니다.

 

4. 🔬 연구 내용 상세 분석

A. 배경: '네트워크 타겟' 이론의 등장

• 한의학은 본래 인체를 복잡한 시스템으로 보고, 변증(syndrome differentiation)에 기반한 전일적 치료를 특징으로 합니다.
• 흥미롭게도 교신저자인 Shao Li 교수는 '네트워크 약리학'이라는 용어가 2007년에 제안되기 훨씬 이전인 1999년과 2002년에 이미 TCM-NP와 관련된 아이디어(TCM 증후군과 분자 네트워크 조절 간의 상관관계)를 제시했습니다.
• 이 연구 그룹이 제시하는 TCM-NP의 핵심 이론은 '네트워크 타겟(Network Target)'입니다. 이는 질병이나 변증에 관련된 생물학적 네트워크를 구축하고, 한약(처방/성분)이 이 네트워크의 '핵심 모듈(key modules)'에 어떻게 개입하는지 밝혀내는 것을 목표로 합니다.
   

B. 핵심 방법론: AI 기반 3단계 프레임워크 (Figure 1 참고 )

이 논문은 AI를 활용한 '네트워크 타겟' 식별 과정을 3단계로 명확하게 분류합니다.

• 1단계: 네트워크 관계 마이닝 (Network Relationship Mining)
  • (무엇?) 문헌(Literature), 데이터베이스, 그리고 멀티오믹스 데이터(Bulk/Single-cell transcriptomics 등)로부터 객체(유전자, 단백질, 약물, 질병, 변증) 간의 '관계'를 발굴하는 단계입니다. (Figure 2 참조 )
  • (기술?) NLP(자연어 처리)를 통한 문헌 마이닝 , 네트워크 임베딩(Node2Vec 등) , 그리고 그래프 신경망(GNN)을 이용한 세포-세포 관계 추론 등이 활용됩니다.
• 2단계: 네트워크 타겟 포지셔닝 (Network Target Positioning)
  • (무엇?) 1단계에서 구축된 네트워크를 기반으로 '새로운 관계'를 예측하는 단계입니다. 핵심은 (1) 질병/변증 관련 유전자 예측과 (2) 한약/화합물 관련 타겟 예측입니다. (Figure 3 참조 )
  • (기술?) 회귀분석(Regression) 같은 전통적 머신러닝(ML) 뿐만 아니라, 최근에는 그래프 합성곱 신경망(GCN)과 같은 딥러닝 모델이 표현형-분자 네트워크 학습에 뛰어난 성능을 보이며 활용됩니다.
• 3단계: 네트워크 타겟 네비게이팅 (Network Target Navigating)
  • (무엇?) 1, 2단계를 통해 완성된 네트워크상에서, 한약(처방/성분)과 질병(변증)을 연결하는 핵심 **'네트워크 모듈(즉, 네트워크 타겟)'**을 식별하고 그 기전(MoA)을 탐색하는 최종 단계입니다.
  • (적용?) 약물 재창출, 처방의 배합 원리(compatibility rules) 규명, 성분 간의 시너지 효과(synergistic effects) 분석 등에 활용됩니다.

C. 주요 적용 사례: 한열(Cold/Hot) 변증의 규명 (Figure 4 참고 )

• 이 3단계 프레임워크가 가장 성공적으로 적용된 사례로 '한열 변증' 연구를 제시합니다.
• 초기 연구(2007년)에서는 '네트워크 관계 마이닝'을 통해 한증(Cold)은 주로 호르몬 관련 인자와, 열증(Hot)은 면역 관련 인자와 연관됨을 밝혔습니다.
• 이후 오믹스 데이터와 '네트워크 타겟 포지셔닝' 알고리즘(CIPHER)을 통합하여, 한열 변증이 '면역-대사(metabolism-immune) 조절의 불균형'과 관련됨을 규명했습니다.
• '네트워크 타겟 네비게이팅'을 통해, 같은 위염(gastritis)이라도 열증 환자에게는 염증 경로를 조절하는 'WFC(위복춘)' 처방이, 한증 환자에게는 지방산 대사를 억제하는 'MLD(모라단)' 처방이 더 적합함을 밝혀냈습니다. 이는 '동병이치(same disease with different treatments)'의 생물학적 근거를 제시한 훌륭한 사례입니다.
   

5. 💭 나의 '셀프 미팅' 노트

• 이 논문의 기여점 (Contribution):
  • 'AI + 네트워크 약리학'이라는 막연한 주제를 **'마이닝 → 포지셔닝 → 네비게이팅'**이라는 3단계의 명확한 프레임워크로 구조화한 점이 가장 큰 기여입니다.
  • 각 단계별로 어떤 AI 기술(NLP, GNN, ML 등)이 사용되는지 구체적인 알고리즘(예: CIPHER, scGNN)과 참고 문헌(Table 1)을 잘 정리해주어, 연구를 설계할 때 훌륭한 '지도' 역할을 해줍니다.
• 아쉬운 점 또는 한계 (Limitation):
  • 리뷰 논문 특성상 각 방법론을 깊게 파고들지는 못했습니다. 특히 '시너지 효과' 에 관심이 많았는데, '네비게이팅' 단계에서 시너지를 분석한다고 언급은 되지만, 구체적으로 '시너지 예측'에 특화된 AI 모델(예: DeepSynergy 등)에 대한 심층적인 소개는 부족했습니다.
• 추가적인 의문 (Further Questions):
  • 저자들은 미래 전망으로 '해석 가능한(interpretable) 딥러닝 모델' 개발의 중요성을 강조합니다. 또한 'LLM(거대 언어 모델)'의 발전이 NP 방법론 개발에 도움이 될 것이라고 언급합니다.
  • 해석가능이라는 말은 다양하게 해석될 수 있습니다. 분자생물학, 한의학, 생리학 뿐만 아니라 사회문화적인 해석도 있습니다. 특히 임상현장에서는 사회문화적인 해석이 환자들에게 치료에 대한 이해도와 순응도를 높이는 데 중요한 역할을 하는 것을 경험합니다. 당연히 동의보감 등 고전 텍스트를 학습시켜야겠지만, 고전텍스트의 분량은 현재 우리가 사용하는 데이터에 비하면 얼마 되지 않습니다. 더 많은 데이터를 붙이려는 시도가 필요합니다.
  • 한의학에서 변증(Pattern Identification)은 . 질병과는 다른 층차로 작동하는 데, 아직 이를 반영하는 동물모델이나 유전체 지표가 없다시피 합니다. 열증과 한증은 임상에서 구분되지만, 객관적 지표가 무엇이냐 하면 임상현장마다 달라집니다. (참고로 저는 안정시 맥박수가 한열을 결정한다고 봅니다) 증의 실체가 규명되면 연구 측면에서 새로운 도약이 가능하겠지만, 지금은 알려진 단백질과 약물간의 해석에 주력해야 하는 게 현실이지 않은가 싶습니다.
• 나의 연구/공부와의 연결고리 (My Takeaway):
  • 제가 앞으로 수행할 시너지 연구나 처방 분석 연구를 이 **'3단계 프레임워크'**에 그대로 대입하여 체계화할 수 있겠습니다.
  1. 마이닝) 연구할 처방과 질환에 대한 멀티오믹스 데이터(특히 scRNA-seq)와 문헌 데이터를 수집한다.
  2. 포지셔닝) GNN 기반 모델을 활용해 성분-타겟 관계를 예측하고 보강한다.
  3. 네비게이팅) 처방의 '네트워크 타겟'과 질병의 '네트워크 타겟'을 비교 분석하여 핵심 시너지 모듈과 MoA를 도출한다.

 

6. 🎯 결론 및 한 줄 평

"AI와 네트워크 약리학의 결합이 '정밀 한의학'으로 가는 길을 어떻게 열고 있는지, 그 구체적인 로드맵(3단계 방법론)을 체계적으로 제시한 리뷰."