인공지능으로 '슈퍼박테리아'를 예방하는 치료법 개발 가능

클리블랜드 클리닉 연구진은 특정 조건에서 박테리아의 성장 속도만을 기반으로 박테리아 감염 치료에 최적의 약물 조합과 투여 시기를 결정할 수 있는 인공지능(AI) 모델을 개발했습니다. 제이콥 스콧 박사와 그의 연구실이 이끄는 연구팀은 최근 미국 국립과학원 회보(PNAS) 에 연구 결과를 발표했습니다.

항생제는 미국의 평균 수명을 거의 10년 가까이 증가시킨 것으로 평가됩니다. 항생제는 현재 우리가 경미하다고 생각하는 일부 상처나 부상과 같은 건강 문제로 인한 사망률을 감소시켰습니다. 하지만 항생제는 더 이상 예전처럼 효과가 좋지 않은데, 그 이유 중 하나는 항생제가 너무 널리 사용되기 때문입니다.

스콧 박사는 "세계 보건 기구들은 우리가 항생제 이후 시대로 접어들고 있다는 데 동의합니다."라고 설명했습니다. "박테리아 퇴치 방식을 바꾸지 않으면 2050년에는 암으로 사망하는 사람보다 항생제 내성 감염으로 사망하는 사람이 더 많아질 것입니다."

박테리아는 빠르게 증식하여 돌연변이를 일으킵니다. 항생제 남용은 박테리아가 치료에 내성을 갖는 돌연변이를 일으킬 기회를 제공합니다. 시간이 지남에 따라 항생제는 모든 감수성 박테리아를 죽이고, 항생제로는 죽일 수 없는 더 강한 돌연변이만 남게 됩니다.

의사들이 세균 감염 치료를 간소화하기 위해 사용하는 한 가지 전략은 항생제 순환입니다. 의료 종사자들은 시간이 지남에 따라 여러 항생제를 번갈아 사용합니다. 여러 약물을 번갈아 사용하면 세균이 특정 계열의 항생제에 내성을 가질 시간이 줄어듭니다. 심지어 항생제 순환은 세균이 다른 항생제에 더 취약해지도록 만들 수도 있습니다.

"약물 순환은 질병 치료에 효과적인 것으로 나타났습니다."라고 연구의 제1저자이자 의대생인 데이비스 위버 박사는 말합니다. "문제는 우리가 최선의 방법을 모른다는 것입니다. 어떤 항생제를 얼마나 오랫동안, 어떤 순서로 투여해야 하는지에 대한 기준이 없습니다."

클리블랜드 클리닉 박사후 연구원이자 연구 공동 저자인 제프 말타스 박사는 컴퓨터 모델을 사용하여 박테리아의 특정 항생제 내성이 다른 항생제에 대한 내성을 어떻게 약화시키는지 예측합니다. 그는 위버 박사와 협력하여 박테리아 진화의 무작위적 특성에도 불구하고 데이터 기반 모델이 항생제 내성을 최소화하고 감수성을 극대화하는 약물 순환 패턴을 예측할 수 있는지 확인했습니다.

위버 박사는 약물 순환 모델에 강화 학습을 적용하는 연구를 주도했습니다. 이 모델은 컴퓨터가 실수와 성공을 통해 학습하여 작업 완료를 위한 최선의 전략을 결정하도록 가르칩니다. 위버 박사와 몰타스 박사에 따르면, 이 연구는 항생제 순환 계획에 강화 학습을 적용한 최초의 연구 중 하나입니다.

도식적 진화 시뮬레이션 및 검증된 최적화 접근법. 출처: 미국 국립과학원 회보(2024). DOI: 10.1073/pnas.2303165121

"강화 학습은 박테리아의 성장 속도만 알면 되기 때문에 이상적인 접근법입니다. 이는 비교적 쉽게 파악할 수 있습니다."라고 위버 박사는 설명합니다. "또한 사람의 차이와 오류에 대한 여지도 있습니다. 매번 밀리초 단위까지 성장 속도를 측정할 필요가 없습니다."

연구팀의 AI는 여러 대장균 균주를 치료하고 약물 내성을 예방하는 데 가장 효과적인 항생제 순환 계획을 도출할 수 있었습니다. 몰타스 박사는 이 연구는 AI가 항생제 치료 일정 계산과 같은 복잡한 의사 결정을 지원할 수 있음을 보여준다고 말했습니다.

위버 박사는 팀의 AI 모델이 개별 환자의 감염 관리뿐 아니라 병원의 전반적인 감염 치료 방식에도 도움을 줄 수 있다고 설명합니다. 그와 그의 연구팀은 박테리아 감염을 넘어 다른 치명적인 질병으로 연구 범위를 확장하기 위해 노력하고 있습니다.

"이 아이디어는 박테리아에만 국한되지 않고, 치료에 내성을 갖는 모든 물체에 적용될 수 있습니다."라고 그는 말합니다. "앞으로 이러한 유형의 AI가 치료 저항성 암을 관리하는 데 사용될 수 있을 것으로 생각합니다."