안녕하세요,

SKT AI Fellowship 7기에서 생체 미생물 데이터 기반의 치료제 반응성 예측 알고리즘 발굴 플랫폼 개발 과제를 수행하고 있는 Devobiome팀 입니다.

저희 팀은 장내 미생물의 풍부도와 기능 정보를 통합적으로 활용하여 면역항암제 치료 반응을 예측하는 고성능 멀티모달 모델 구축을 목표로 연구를 진행하고 있습니다.

• 멘토: SK AI R&D Center / Vision Algorithm 남궁정현 · 최충환

• 참여 멤버: 백재우 · 이수연 · 안형준

연구 소개

장내 미생물이 면역항암제(ICI) 치료 반응을 조절하는 핵심 인자로 밝혀지면서, 이를 기반으로 한 바이오마커 개발 연구가 활발히 진행되고 있습니다.

기존 연구에서는 환자의 장내 미생물 구성 데이터를 활용해 ICI 치료 반응을 예측했을 때,

계통학적 수준이 높을수록 예측력이 향상된다는 결과가 보고되었으나, 대부분은 미생물 군집 다양성, 특정 균주의 유무, 혹은 유전자 수준 분석에 국한되어 있습니다.

기존 장내 미생물 연구의 한계점

또한, 단일 환자 집단을 대상으로 한 연구나 단순 메타분석은 마이크로바이옴 데이터 간 기술적·생물학적 이질성으로 인해 일반화된 예측 모델을 구축하는 데 한계가 있었습니다.

이러한 복잡성을 고려하지 않은 단일 분석 전략만으로는 다양한 지역의 환자 집단에 적용 가능한 모델 개발이 어렵습니다.

연구 목표

이러한 한계를 극복하기 위해,

본 과제는 여러 지역에서 수집된 면역항암 환자 데이터를 통합하고, 풍부도와 기능 정보를 결합한 multi-modal 분석 전략을 적용함으로써,

‘단일 지역 예측모델’을 넘어 다양한 지역에서도 통용될 수 있는 일반화된 암 치료 반응 예측 모델을 구축하는 것을 목표로 합니다.

연구 진행상황

1. 전체 분석 파이프라인

2. 모달별 Representation learning model

3. 연구 중간 결과

   1. 데이터셋 간 불균형 해소 방법

   2. iMic hyperparameter tuning

   3. iMic 모델 VS iMic 미적용 모델성능 비교

1. 전체 분석 파이프라인

본 연구는 전처리 과정을 거쳐 미생물 조성 테이블과 기능(EC number) 테이블을 생성한 뒤,

각각의 데이터를 독립적으로 모델링하여 특징을 추출합니다. 이후 FC (Fully Connected) layer에서 두 모달을 통합하여 최종적으로 분류(classification)를 수행합니다.

2. 모달별 Representation learning model

iMic (image microbiome)

• 미생물 조성 정보는 7단계의 계통학적 분류 체계(Domain–Phylum–Class–Order–Family–Genus–Species)를 기반으로 구성됩니다.

• 기존의 풍부도 분석이 특정 단일 수준(species level 등)에 한정되었던 것과 달리,

  iMic은 이러한 다층적 계통 구조를 이미지 형태로 변환하여 처리하는 특징을 갖습니다.

• 이를 통해, 단일 level 분석 대비 풍부한 계층적 정보를 반영할 수 있습니다.

iMic (image Microbiome) 특성

imPath(image Pathway)

• 기능적 특징은 다양한 방식으로 표현될 수 있으나, 본 연구에서는 EC number(Enzyme commission number)를 선택했습니다.

• EC number는 효소를 4단계 계층구조로 분류하기 때문에, iMic과 유사한 방식으로 계층적 구조를 이미지화하여 처리할 수 있습니다.

• EC 기반 기능 테이블 역시 유전자 데이터로부터 유래하기 때문에, 미생물 조성과 동일한 문제점(희소성·이질성)을 가지며, 이에 따라 동일한 이미지 기반 구조를 적용하여 feature extraction을 수행했습니다.

보다 명확한 이해를 위해, 미생물 조성 테이블과 EC number 테이블이 각 모달에서 어떤 방식으로 처리되는지 보여드리겠습니다.

3. 연구 중간 결과

• 데이터셋 간 불균형 해소 방법

• iMic hyperparameter tuning

• iMic 모델 VS iMic 미적용 모델성능 비교

iMic을 적용한 경우, 이미지 기반 계층적 representation을 활용함으로써 단순 logistic regression 대비 더 높은 AUC를 달성했습니다(Best mean AUC = 0.646 vs 0.48).

이는 iMic 모델이 미생물 데이터의 계층적 구조를 효과적으로 반영하여 예측 성능을 개선할 수 있음을 보여줍니다.

향후 계획

• 단일 모달 고도화: 각 모달(iMic, imPath)의 hyperparameter를 개별적으로 최적화

• 멀티모달 통합 전략 비교: 두 모달 결합 방법론을 비교·검증하고 최적 접근법 선정

• 성능 향상 검증: 기존 연구 대비 더 높은 AUC를 달성하고 일반화 가능성 평가