모델들의 모델이 알츠하이머병을 이해하는 데 도움이 될 수 있을까?

알츠하이머병 진단을 받은 두 사람도 서로 크게 다른 어려움을 겪을 수 있다. 한 사람은 주로 기억력에 어려움을 겪고, 다른 사람은 단어를 찾거나 익숙한 장소를 찾아가는 데 어려움을 겪을 수 있다. 뇌 영상, 유전적 배경, 다른 건강 상태도 서로 다를 수 있다. 앞으로 어떤 일이 일어날지 예측하려는 연구자들에게 진단명만으로는 설명되지 않는 부분이 많다.

Hebrew University of Jerusalem 연구진이 주도한 검토 연구는 이러한 차이를 조명할 계산적 접근법을 제안한다. 모든 환자를 설명하는 하나의 모델을 찾는 대신, 연구팀은 메타모델링을 제시한다. 이는 질병의 여러 측면을 다루는 전문 모델을 연결해 개인별 특성을 더 상세히 파악하는 방법이다.

논문 계산 시대의 알츠하이머병: 결정론적 질환에서 다면적 장애로는 2026년 7월 30일 Brain에 게재됐다. 저자로는 Meitar Benbaji, Barak Raveh, Lana Bassal, Uri Elias, Lidor Gazit, Gilles Allali, Gad A. Marshall, Shahar Arzy가 참여했으며, 소속 기관은 Hebrew University, Hadassah Medical Center, Lausanne University Hospital 및 Harvard 소속 병원들에 걸쳐 있다.

이는 향후 연구를 위한 제안이지, 검증된 진단 시스템이나 효과가 입증된 치료법이 아니다. 이 제안의 의의는 다른 질문에 있다. 계산 방법을 활용해 알츠하이머병에 관한 서로 단절된 여러 연구 결과를 특정 개인에게 유용한 설명과 예측으로 바꿀 수 있을까?

하나의 진단명이 중요한 차이를 가릴 수 있는 이유

대학 측 발표는 알츠하이머병이 인지 증상, 뇌 변화, 생물학적 과정, 유전적 특성, 위험 요인의 다양한 조합으로 나타날 수 있다고 강조한다. 기억력 저하는 그중 일부일 뿐이다. 지남력, 언어, 행동, 시각 정보 처리, 실행 기능에도 영향을 미칠 수 있다.

생물학적 측면도 이 질병과 가장 밀접하게 연관된 두 단백질인 아밀로이드와 타우에만 국한되지 않는다. 연구진은 이들과 함께 염증, 혈관, 대사 및 기타 과정도 고려해야 한다고 주장한다. 목표는 같은 진단을 받은 모든 사람이 동일한 경과를 밟는다고 가정하는 대신, 이러한 요인들이 개인별로 어떻게 결합하는지 이해하는 것이다.

보도자료에서 Arzy는 각 환자에게 나타나는 생물학적 변화와 인지 변화의 고유한 조합을 이해하는 것이 핵심 과제라고 설명한다. 더 풍부한 프로필에는 인지 및 행동 평가와 함께 영상 자료, 바이오마커, 유전 정보, 분자 측정값, 시간에 따라 수집한 관찰 결과를 결합할 수 있다.

이는 까다로운 통합 과제다. 뇌 영상, 유전적 위험 측정값, 일상생활 능력의 변화를 기록한 자료는 각각 서로 다른 정보를 담고 있다. 이 자료들을 하나의 데이터베이스에 모으는 것은 출발점일 뿐이며, 이들 사이의 관계를 설명하는 일이 더 어렵다.

모델들의 모델은 어떻게 작동할까

제안된 베이지안 프레임워크는 질병의 일부 측면을 다루는 부분 모델에서 출발한다. 각 모델은 확률적 대리 모델로 변환되는데, 이는 관련 입력값, 출력값, 매개변수 간 관계를 나타낸다. 그런 다음 결합 계층이 질병 단계나 진행 속도처럼 공유되는 변수를 통해 이러한 표현들을 연결한다.

쉽게 말해, 이 접근법은 서로 분리된 모델들이 공통의 수학적 언어를 사용하도록 한다. 영상 모델과 인지 모델은 각기 다른 구조를 유지하면서도 환자 상태에 대한 동일한 추정치에 근거를 보탤 수 있다. 산출물에는 개인별 경과 예측, 환자 하위 집단, 그리고 중재가 있을 때와 없을 때의 예측 결과 비교가 포함된다.

이 논문은 서로 경쟁하는 여러 모델 구성이 공존하면서 근거에 따라 평가될 수 있도록 한다. 연구자들이 어떤 기전이 가장 큰 영향을 미치는지를 두고 의견이 다를 수 있는 분야에서 이는 유용하다. 그러나 모델링한 중재 효과는 여전히 검증이 필요한 가설이다. 시뮬레이션에서 매개변수를 바꾼다고 해서 치료가 환자에게 도움이 된다는 점이 입증되는 것은 아니다.

계산상의 과제는 패턴을 찾는 데 그치지 않는다

AI 분야 독자에게 흥미로운 점은 연관성을 찾아내는 것과 면밀한 검토를 견뎌낼 설명을 구축하는 것의 차이다. 어떤 시스템은 두 측정값이 함께 변한다는 사실을 학습할 수 있지만, 한 측정값을 바꾸면 다른 측정값이 개선되는지는 보여 주지 못할 수 있다. 개인 맞춤형 치료에는 설득력 있는 예측보다 훨씬 많은 것이 필요하다.

따라서 메타모델링 제안에서는 근거와 가정의 관계가 특히 중요하다. 구성 요소인 모델 하나가 신뢰할 수 없더라도 다른 모델과 연결한다고 해서 자동으로 문제가 해결되지는 않는다. 연구진이 각 구성 요소와 결합 모델의 예측을 신중하게 검증하지 않으면, 시스템이 복잡해질수록 오류도 더 복잡해질 수 있다.

이 연구는 Hebrew University 연구팀의 학제 간 특성도 보여 준다. 대학 소개에 따르면 이 팀은 신경과학자, 임상의, 컴퓨터 과학자로 구성되어 있으며, 특히 알츠하이머병에 주목하면서 사람들이 주변 환경과 어떻게 관계를 맺는지 연구한다. 이러한 관점은 이 제안이 생물학적 측정값과 함께 일상적인 인지 경험에도 비중을 두는 이유를 설명해 준다.

연구와 임상시험에 가져올 수 있는 변화

성공적으로 개발되고 검증된다면, 통합 모델은 연구자들이 유사한 과정의 조합에 의해 질환이 진행되는 환자를 찾아내는 데 도움이 될 수 있다. 이를 통해 임상시험에서 환자를 더 정밀하게 분류하고, 연구자들이 어떤 참여자에게 어떤 기전을 표적으로 삼을지 결정하는 데 도움을 줄 수 있다.

또한 질환의 진행을 보다 개별적인 관점에서 살펴볼 수 있다. 평균적인 환자가 어떻게 변화하는지만 묻는 대신, 연구자들은 특정 환자의 증상과 바이오마커, 위험 요인이 서로 어떻게 연관되어 변화하는지 조사할 수 있다. 환자를 장기간 추적하면 예측 결과를 실제로 일어나는 일과 비교할 기회도 생긴다.

대학은 또 다른 잠재적 활용 방안으로 개입이 있는 경우와 없는 경우의 모의 경과를 비교하는 것을 제시한다. 이러한 비교는 비용이 많이 드는 연구에 앞서 연구 질문의 우선순위를 정하는 데 도움이 될 수 있다. 다만 개입의 효과를 입증하는 근거가 아니라, 불확실성과 가정을 명시한 모델 기반 추정치로 해석해야 한다.

앞으로 해결해야 할 과제가 많은 연구 의제

저자들의 제안은 더 규모가 크고 다양성이 높은 데이터 세트, 반복적인 검증, 그리고 알츠하이머병 연구 공동체 전반의 협력에 달려 있다. 이러한 요건은 이 구상의 핵심이다. 환자에 대한 상세한 프로필이 유용하려면 이를 구성하는 정보가 신뢰할 수 있어야 하며, 예측 결과가 모델 구축에 사용된 사람들과 데이터 세트에만 국한되지 않고도 타당해야 한다.

추가적인 복잡성이 어떤 가치를 더하는지에 대한 실질적인 문제도 있다. 연구자들은 모델을 결합하면 질환 진행을 예측하거나 의미 있는 환자 하위 집단을 식별하는 등 중요한 과제의 수행 능력이 개선되며, 그 개선 폭이 추가 데이터 수집과 모델링 작업을 정당화할 만큼 크다는 점을 입증해야 한다.

당장의 성과는 임상 제품이 아니라 연구를 연결하는 틀이다. 이 틀은 환자 간 차이를 단일 진단명만으로는 설명하지 못하는 변이가 아니라 계산을 통해 설명할 수 있는 대상으로 바꿀 가능성이 있다. 이것이 더 나은 의사 결정으로 이어질지는 이를 뒷받침하는 근거에 달려 있다.