AI-driven Metabolomics 데이터 해석 자동화 – Explainable AI(XAI)의 도입과 혁신

AI-driven Metabolomics 데이터 해석 자동화 – Explainable AI(XAI)의 도입과 혁신

 

1. 서론: 폭발적으로 증가하는 대사체 데이터, 그리고 해석의 한계

최근 수년간 LC-MS/MS, GC-MS, NMR 기반의 대사체(metabolomics) 연구는 약물 반응, 질병 예후 예측, 식이 영향 분석 등 다양한 영역에서 핵심적인 분석 기술로 자리 잡았다.
특히 비임상 독성 평가, 임상 바이오마커 발굴, 개인 맞춤형 약물 치료 등 정밀의학적 접근에서 대사체 데이터는 유전자나 단백질보다 환자의 현재 생리 상태를 직접 반영하는 특성이 있어 ‘최후의 표현형(phenotype)’으로 불린다.

그러나 LC-MS/MS 분석 기술의 고도화로 수천 개 이상의 대사체 피크(feature)가 생성되면서, 연구자는 더 이상 수작업으로 모든 데이터를 해석할 수 없다.
분석 후 식별(identification), 정량화(quantification), 통계 분석, 경로 분석까지 이어지는 워크플로우는 시간과 전문 인력의 부담이 크며, 실험자의 주관이 결과에 개입될 위험도 존재한다.

이러한 상황에서 등장한 것이 AI-driven metabolomics interpretation이다.
특히, 최근에는 단순한 예측 정확도를 넘어, Explainable AI(XAI) 개념이 도입되면서 AI가 어떻게 결론을 도출했는지를 ‘해석 가능하게’ 만드는 연구가 활발히 진행되고 있다.
이는 단순한 데이터 분석 자동화를 넘어, 의사결정의 투명성, 신뢰성, 재현성을 높이는 방향으로 발전하고 있다.

---

2. Metabolomics 데이터 분석 자동화의 흐름

AI 기반 자동 해석 플랫폼은 대체로 다음의 단계로 구성된다.

단계	주요 기술	목적
(1) 데이터 전처리	Peak picking, alignment, normalization	LC-MS/MS raw data로부터 유효 신호 추출
(2) Feature annotation	ML 기반 spectral matching, in-silico fragmentation	미확인 대사체 자동 식별
(3) 통계적 필터링	Random Forest, LASSO, PLS-DA	중요 feature 선별
(4) Pathway mapping	KEGG, MetaboAnalyst 통합	생화학 경로 분석
(5) 예측 모델링	Deep neural network, ensemble ML	질병/약물 반응 예측
(6) 설명 가능성 제공	SHAP, LIME, attention map	AI의 의사결정 근거 시각화

기존에는 각 단계가 분리되어 있었으나, 최근 end-to-end AI 파이프라인이 등장하며 LC-MS/MS 데이터 업로드만으로 자동 보고서가 생성되는 형태로 진화하고 있다.

예를 들어, 영국의 MetaboFlow, 미국의 DeepMetabol, 그리고 한국의 일부 바이오IT 기업에서는 LC-MS/MS 데이터를 클라우드에 업로드하면 AI가 자동으로 피처 정제, 통계 비교, 경로 해석, 바이오마커 후보 예측까지 수행하는 “AI-assisted metabolomics report generator” 서비스를 제공하기 시작했다.
이제 분석가는 데이터 품질만 보증하면, AI가 수 분 내에 후보 바이오마커 리스트와 예측 정확도, SHAP 기반 중요도 분석까지 완성해준다.

---

3. AI 모델의 핵심: 딥러닝 기반 패턴 인식

대사체 데이터는 단순한 스칼라 값의 집합이 아니라 다차원적 시계열 패턴(time-resolved pattern)을 포함한다.
예를 들어, 항암제 투여 후 시간대별 혈장 대사체 변화나, 질병 진행 단계에 따른 대사물질의 비선형적 변동은 전통적 통계모델로는 포착하기 어렵다.

이때 Convolutional Neural Network(CNN)나 Recurrent Neural Network(RNN, LSTM) 기반의 딥러닝 모델이 유용하게 사용된다.

• CNN: 대사체 프로파일을 “이미지 형태”로 변환해 피크 분포 패턴을 학습
• LSTM: 시간에 따른 대사체 농도 변화의 연속성을 반영
• Transformer: 다양한 feature 간 상호작용(attention weight)을 모델링하여 생화학적 네트워크 해석 강화

이러한 AI 모델은 단순히 특정 대사체가 높은지 낮은지를 보는 것이 아니라, “대사 경로 전체의 협동적 변동 패턴”을 학습한다는 점에서 인간 분석가의 한계를 극복한다.

---

4. Explainable AI (XAI)의 필요성 – ‘왜’ 그 결과가 나왔는가?

AI 모델이 높은 정확도를 보이더라도, “왜 그런 예측을 내렸는가?”를 설명하지 못하면 임상이나 제약 분석 현장에서 활용되기 어렵다.
예를 들어, 항암제 반응성 예측 모델이 특정 환자를 “비반응자(non-responder)”로 분류했다면,
그 이유가 글루타민 대사 이상 때문인지, 지질 산화 경로 때문인지, 또는 AI의 학습 편향 때문인지를 해석할 수 있어야 한다.

이때 도입되는 기법이 XAI (Explainable Artificial Intelligence)이다.

• SHAP (SHapley Additive exPlanations): 각 대사체(feature)가 예측 결과에 미친 기여도를 정량화
  → 예: “Citrate 농도가 높을수록 항암제 반응성이 30% 증가에 기여함”
• LIME (Local Interpretable Model-agnostic Explanations): 특정 개별 샘플에 대한 지역적 모델 해석
  → 예: “환자 #12의 non-response 예측은 lactate 상승과 serine 감소 때문”
• Attention weight 시각화: Transformer 기반 모델에서 어떤 대사체 pair가 서로 영향을 주는지 heatmap으로 표현

이러한 XAI 결과는 연구자에게 “AI가 본 대사 네트워크의 논리 구조”를 보여주며, 새로운 생물학적 가설(hypothesis)을 세우는 단서를 제공한다.

---

5. 실제 적용 사례: 항암제 반응성 예측

AI 기반 대사체 분석의 대표적인 응용 중 하나는 항암제 반응성 예측 모델이다.
특히 면역관문억제제(ICI), EGFR 저해제, PARP inhibitor 등에서는 환자 간 대사 환경 차이가 치료 반응에 큰 영향을 준다.

항암제	주요 대사체 특징	XAI 기반 해석 포인트
Pembrolizumab (anti-PD-1)	Lactate, kynurenine 증가	면역억제성 대사 경로 활성
Erlotinib (EGFR inhibitor)	Glycine, serine 축적	1-carbon metabolism 과활성화
Olaparib (PARP inhibitor)	NAD⁺/NADH 불균형	DNA 복구 관련 대사 재편성
5-FU	Uracil catabolite 변화	Pyrimidine turnover 비정상
Cisplatin	Glutathione pathway 활성	ROS detoxification 증가

특히 XAI 기반 모델을 적용하면, 예측 정확도뿐 아니라 각 대사체가 항암제 반응에 어떻게 기여하는지 시각적으로 해석할 수 있다.
예를 들어, Pembrolizumab 반응 환자에서는 tryptophan → kynurenine 경로 활성화가 강하게 관찰되며, AI는 이를 “면역 피로(T cell exhaustion)”의 대사적 지표로 식별했다.

이러한 해석은 단순한 통계적 연관을 넘어, 대사–면역–치료 반응 간 인과적 연결고리를 제시한다는 점에서 중요하다.

---

6. 국내외 플랫폼 사례

• Google DeepMetabol (가칭): Google Cloud AutoML 기반으로 LC-MS raw 파일 업로드 시 자동 annotation 및 AI 해석
• Amazon HealthLake Omics: multi-omics 통합 분석을 지원하며 metabolomics–genomics 연계 모델 제공
• Microsoft BioAI Suite: Azure 기반 pipeline으로, SHAP 기반 XAI visualization 내장
• 국내 사례 – SK바이오팜, GC녹십자 등: 대사체 데이터 기반 AI 독성 예측 및 임상 바이오마커 검증 시스템 구축을 추진 중

국내에서는 아직 완전한 자동화 수준에 도달하진 않았지만, LC-MS/MS 데이터와 딥러닝 기반 XAI 해석 모듈의 결합을 실무적으로 도입하려는 움직임이 가속화되고 있다.

---

7. 기술적 구현 전략: LC-MS/MS + AI 파이프라인 설계

1. Raw data preprocessing
   • MZmine, MS-DIAL 등을 활용한 피크 정제
   • Batch effect 교정, 내부표준(normalization)
2. Feature selection
   • Variance threshold, recursive feature elimination (RFE)
3. Modeling
   • Random Forest → Baseline
   • XGBoost / LightGBM → gradient boosting 기반 속도/성능 향상
   • CNN/LSTM → 시계열 패턴 학습
4. XAI integration
   • SHAP summary plot으로 중요 대사체 도출
   • Global vs Local contribution 시각화
5. Report automation
   • 자동 리포트 PDF 생성 (경로 해석, 중요도 heatmap 포함)

이 파이프라인을 표준화하면, 연구실 내에서도 분석자가 코드를 몰라도 AI 기반 보고서를 자동 생성할 수 있다.

---

8. 국내 제약사 관점에서의 활용 전략

국내 제약사는 다음과 같은 방향으로 AI-driven metabolomics 자동 해석 플랫폼을 전략적으로 도입할 수 있다.

1. 비임상 독성 평가 자동화
   • rat/monkey plasma metabolome에서 독성 early signal 탐지
   • SHAP 기반 독성 대사체 시각화 → 후보 물질 비교
2. 임상 바이오마커 검증 효율화
   • 환자군 대사체 패턴 비교 → responder/non-responder 자동 분류
3. QC/QA 모듈 자동화
   • 제조 배치 간 대사체 drift 자동 감지
   • AI 모델로 품질 일탈 조기 예측
4. 신약후보물질 Screening
   • 대사체 프로파일 기반 compound clustering
   • metabolic similarity로 기전 유사 약물 탐색

종근당, 대웅제약 등은 향후 LC-MS/MS 기반 internal metabolomics 데이터를 AI로 자동 해석함으로써, 개발 효율과 인사이트 속도를 획기적으로 개선할 수 있을 것이다.

---

9. Explainable AI가 바꾸는 연구 문화

XAI의 진정한 가치 중 하나는 “AI가 과학적 통찰을 제공하는 동료 연구자로 진화한다”는 점이다.
이제 연구자는 모델이 제시한 SHAP plot을 보며, “왜 glutamine pathway가 활성화되었을까?”, “이 환자군에서 lactate 상승은 어떤 임상적 의미를 가질까?”를 고민한다.

즉, AI는 단순히 ‘결과를 예측하는 기계’가 아니라, ‘가설을 제시하는 파트너’로 자리 잡게 된다.

---

10. 결론: 인간 중심의 AI 해석으로 나아가야 한다

Metabolomics는 생명현상의 가장 역동적인 단계를 포착하는 학문이며,
AI는 그 복잡한 신호를 이해하는 새로운 언어를 제공한다.
하지만 진정한 혁신은 AI가 만든 결과를 인간이 납득하고 설명할 수 있을 때 완성된다.

Explainable AI는 바로 그 지점을 향한 다리이다.
앞으로 AI-driven metabolomics 플랫폼은 더 정교한 해석 알고리즘과 시각화 도구를 통해,
연구자와 임상의, 그리고 환자가 함께 신뢰할 수 있는 투명하고 해석 가능한 데이터 생태계를 만들어갈 것이다.