섹션별 상세
암세포의 진화와 치료 저항성 메커니즘을 규명하기 위해 종양을 고도로 무질서하면서도 고유의 내부 논리를 가진 복잡한 시스템으로 정의한다. 환자가 초기 치료에 반응하다가 결국 저항성을 갖게 되는 이유는 종양이 유전적 구성과 단백질 신호 전달 체계를 스스로 변화시키기 때문이며, AI를 통해 이러한 변화의 규칙성을 찾아내고자 한다.
염색체 외 DNA(ecDNA)가 종양의 공격성을 높이는 핵심 기전임을 확인하고 이에 대한 집중 연구를 수행한다. ecDNA는 염색체에서 떨어져 나와 핵 내에 별도로 존재하는 고리 모양의 DNA 입자로, 공격적인 암의 약 25%에서 발견되며 종양이 스트레스와 치료에 더 빠르게 적응하도록 돕는 역할을 한다.
AI와 기계 학습을 활용하여 환자 데이터로부터 진화적 압력이 변이를 유도하는 과정을 분석하는 예측 모델을 구축한다. 특히 단일 세포 계통 추적(Single-cell lineage tracing) 기술을 결합하여 종양의 역사 속에서 공격적인 변이가 정확히 언제 발생했는지 파악함으로써 실시간 관찰이 불가능한 동적 과정을 데이터로 재구성한다.
연구의 최종 목표는 약물 저항성을 예측하고 극복할 수 있는 환자 층화(Stratification) 기술을 개발하여 임상에 적용하는 것이다. 이를 통해 환자에게 가장 적합한 약물을 선별하고 새로운 치료 표적을 식별함으로써 암 환자의 생존율과 치료 효율을 획기적으로 높이고자 한다.
용어 해설
- 염색체 외 DNA(ecDNA)
- — 염색체 외부에 독립적으로 존재하는 고리 형태의 DNA 입자로, 암세포 내에서 특정 유전자를 대량으로 증폭시켜 종양의 빠른 성장과 치료 저항성을 유도한다. 일반적인 유전 법칙을 따르지 않고 무작위로 분배되어 종양 내 유전적 다양성을 극대화하며, 공격적인 암의 약 25%에서 발견되는 핵심 변이 기전이다.
- 단일 세포 계통 추적(Single-cell Lineage Tracing)
- — 개별 세포의 분열과 변이 과정을 추적하여 종양의 발생부터 현재까지의 진화 이력을 파악하는 기술이다. 특정 세포에서 공격적인 변이가 발생한 정확한 시점을 역추적할 수 있게 해주며, 이를 통해 실시간으로 관찰하기 어려운 암세포의 동적 변화 과정을 데이터 기반으로 재구성하여 예측 모델을 구축하는 데 기여한다.
- 후성유전학(Epigenetics)
- — DNA 염기서열 자체의 변화 없이 메틸화 등의 화학적 변형을 통해 유전자 발현이 조절되는 메커니즘을 연구하는 분야이다. 암세포는 환경 변화나 치료 압력에 대응하여 후성유전적 상태를 변화시킴으로써 생존을 도모하며, 이러한 변화 패턴을 해독하는 것은 종양의 적응 전략을 이해하고 차단하는 데 필수적이다.
- 종양 미세환경(Tumor Microenvironment)
- — 종양 세포를 둘러싸고 있는 혈관, 면역 세포, 세포 외 기질, 신호 분자 등을 포함하는 복합적인 주변 환경이다. 종양은 단순히 세포의 집합이 아니라 미세환경과 끊임없이 상호작용하며 진화하며, 이 환경적 요인은 암세포의 성장 속도와 치료제에 대한 반응성을 결정짓는 중요한 변수로 작용한다.
기술
- Machine Learning
- Artificial Intelligence
- Next-generation Sequencing
- Single-cell Lineage Tracing
활용 사례
- 종양 진화 패턴 예측 모델
- 치료 저항성 환자 층화 시스템
- 새로운 암 치료 표적 발굴
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 03. 11.수집 2026. 03. 11.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
