Transcriptome–Metabolome 연계 네트워크를 통한 약물 반응 예측

 

Transcriptome–Metabolome 연계 네트워크를 통한 약물 반응 예측

들어가며: 약물 반응 예측의 복잡성

환자마다 같은 약물에 대한 반응이 크게 다른 것은 임상 현장에서 오래 전부터 알려진 현상이다. 일부 환자는 좋은 반응을 보이는 반면, 또 다른 환자는 거의 효과가 없거나 심지어 심각한 부작용을 겪는다. 이러한 차이를 설명하기 위해 유전자 수준의 연구가 오랫동안 진행되어 왔지만, 단순한 transcriptome(전사체) 분석만으로는 충분하지 않았다.

그 이유는 유전자 발현이 실제 세포 기능이나 대사 경로의 활성화로 곧바로 이어지지 않기 때문이다. 전사체 데이터는 "잠재적 가능성"을 보여주지만, 대사체 데이터는 "실제 결과"를 보여준다. 따라서 최근에는 Transcriptome–Metabolome 연계 네트워크 분석을 통해 약물 반응을 더 정확하게 예측하려는 시도가 활발하다.

---

Transcriptome과 Metabolome: 두 데이터의 상보성

• Transcriptome
  특정 세포나 조직에서 발현되는 RNA의 전체 집합을 의미한다. RNA-seq을 활용하면 약물 처리 전후의 유전자 발현 변화를 파악할 수 있다.
  예: 항암제 처리 후 glycolysis 관련 유전자의 발현 증가.
• Metabolome
  세포 내 대사 산물(포도당, 아미노산, 지질, 대사 중간체 등)의 총체이다. LC-MS/MS, GC-MS, NMR 등 다양한 기술로 측정 가능하다.
  예: 동일한 조건에서 lactate 농도의 증가 확인.

Transcriptome은 "어떤 경로가 활성화될 준비가 되어 있는가"를 보여주고, Metabolome은 "실제로 어떤 경로가 가동되었는가"를 보여주므로, 두 데이터를 함께 보면 약물 반응의 전 과정을 더 정확히 이해할 수 있다.

---

연계 네트워크 분석: 데이터 통합의 핵심

1. Correlation Network

유전자 발현량과 대사체 농도를 상관분석하여 네트워크를 구축한다. 특정 유전자 발현 증가가 특정 대사체 축적과 연관된다면, 이 축은 약물 반응의 기전적 매개체일 수 있다.

2. Pathway Integration

KEGG, Reactome과 같은 대사 경로 데이터베이스를 기반으로 transcriptome과 metabolome을 동시에 매핑한다. 예를 들어, folate cycle의 효소 유전자 발현 증가와 함께 nucleotide 대사체 농도의 변화를 확인할 수 있다.

3. Machine Learning 기반 통합 모델

RNA-seq과 LC-MS/MS 데이터를 통합해 머신러닝 모델을 학습시키면, 환자 샘플에서 약물 반응 여부를 예측 지표(biomarker signature)로 도출할 수 있다.

---

항암제 반응 사례별 정리

다음은 transcriptome–metabolome 연계 네트워크 분석이 실제 항암제 반응 예측에 활용된 대표 사례들이다.

 

약물	주요 연계 네트워크	대사체 변화	임상적 의미
EGFR 억제제 (gefitinib, erlotinib)	Glycolysis 관련 유전자 발현 증가 ↔ lactate 축적	Warburg effect 강화	내성 세포 예측 가능
MTOR 억제제 (rapamycin, everolimus)	Lipid metabolism 관련 전사체 변화 ↔ phosphatidylcholine 감소	세포 성장 억제	반응 환자 군 선별
IDH 억제제 (ivosidenib, enasidenib)	Mutant IDH1/2 발현 ↔ 2-HG 축적 감소	Oncometabolite 억제	약물 효과 모니터링 가능
5-FU (항대사제)	Thymidylate synthase 발현 감소 ↔ nucleotide pool 불균형	DNA 합성 억제	내성 환자 구분
면역관문억제제 (anti-PD1, anti-CTLA4)	T cell 활성화 유전자 발현 ↔ tryptophan 대사 변화 (kynurenine 증가)	면역 억제 경로 활성	반응 예측 바이오마커

이처럼 transcriptome과 metabolome을 함께 해석하면 단순한 반응/비반응 구분을 넘어, 내성 발생 기전과 반응률 향상 전략까지 연결된다.

---

국내외 연구 동향

• 해외: Broad Institute와 MD Anderson Cancer Center는 대규모 환자 샘플에서 transcriptome–metabolome 네트워크를 구축해 항암제 반응 예측 모델을 발표했다. 특히, 대장암과 폐암 환자에서 이 접근법이 유용하게 적용되고 있다.
• 국내: 국립암센터에서는 대사체 기반 약물 내성 연구에 transcriptome 데이터를 결합해, 내성 발생 시 나타나는 신규 대사체 바이오마커를 탐지하고 있다. 이를 통해 차세대 항암제 타깃 후보군을 발굴하는 전략을 추진 중이다.

---

미래 전망: 환자 맞춤형 치료로의 확장

앞으로 transcriptome–metabolome 연계 분석은 단순한 연구 도구를 넘어, 환자 맞춤형 치료 결정 플랫폼으로 확장될 가능성이 크다.

• Single-cell multi-omics: 종양 이질성을 반영해 세포별 반응 차이를 분석
• Real-time metabolomics: 병상 옆(point-of-care)에서 약물 반응을 신속 모니터링
• AI 기반 디지털 트윈: 환자별 약물 반응을 시뮬레이션해 최적 치료 전략 제시

---

결론

Transcriptome–metabolome 연계 네트워크는 약물 반응 예측의 새로운 길을 열고 있다. 단순히 "유전자 발현"이나 "대사체 변화" 중 하나만 보는 것이 아니라, 유전자–단백질–대사체 간의 다층적 상호작용을 파악함으로써 환자 맞춤형 치료를 한 단계 앞당길 수 있다.

특히 항암제 개발 분야에서 이 접근법은 내성 예측, 바이오마커 탐지, 신규 타깃 발굴에 모두 응용될 수 있으며, 국내 제약사에게도 글로벌 경쟁력을 확보할 수 있는 중요한 전략적 자산이 될 것이다.