혈장 내 암 가능성( Cancer Likelihood in Plasma )은 혈장에서 발견되는 분자 및 세포 신호로부터 악성 종양의 존재 통계적 확률을 추정하는 계산 종양학의 개념이다. 혈액의 액체 성분인 혈장은 종양이 떨어뜨린 세포 유리 DNA(cfDNA), 순환 종양 DNA(ctDNA), 단백질, 대사산물, 세포 외 소포를 운반한다. 고처리량 시퀀싱과 Machine learning의 발전으로 이러한 신호를 통합하여 가능성 점수(종종 암 가능성 점수라고 함)를 생성하는 모델 개발이 가능해졌으며, 이는 추가 진단 영상 또는 생검에 관한 임상적 결정을 안내할 수 있다.
이 개념은 침습적 조직 검사를 대체하거나 보완하는 것을 목표로 하는 액체 생검(liquid biopsy)이라는 더 넓은 분야에서 등장했다. 2010년대 초반 연구는 ctDNA 돌연변이가 혈장에서 검출될 수 있음을 입증했지만, 조기 단계 암에 대한 민감도는 제한적이었다. 메틸화 패턴, 단편체 분석(fragmentomics), 단백질 바이오마커와 같은 여러 분석물 유형의 통합은 성능을 개선하여 다중 암 조기 발견(MCED) 검사로 이어졌다. 이러한 검사는 일반적으로 가능성 점수와 예측된 조직 기원을 보고하여 표준 검사 방식이 부족한 암에 대한 선별 검사를 가능하게 한다.
생물학적 기반
혈장은 전신의 세포 사멸 및 괴사 세포에서 방출된 핵산의 혼합물을 포함한다. 암 환자의 경우, 이 cfDNA의 일부는 종양 세포에서 유래하며 체세포 돌연변이, 복제 수 변이, 비정상적인 메틸화 패턴을 지닌다. ctDNA의 농도는 종양 부담, 혈관성, 회전율에 따라 달라진다. 또한 종양은 암배아성 항원(CEA) 및 암 항원 125(CA-125)와 같은 특정 단백질과 당단백질을 분비하며, 이는 오랫동안 혈청 바이오마커로 사용되어 왔지만 민감도와 특이도는 제한적이다.
최근 연구는 cfDNA 단편 크기와 말단 모티프 분석인 단편체 분석에 초점을 맞추고 있다. 종양 유래 단편은 정상 cfDNA에 비해 더 짧고 다른 말단 서열을 나타내는 경향이 있다. 기계 학습 모델은 이러한 미묘한 패턴을 활용하여 암 샘플과 비암 샘플을 구별할 수 있다. CpG 섬을 표적으로 하는 메틸화 기반 접근법은 또 다른 정보 계층을 제공하는데, 암 유전체는 종종 광범위한 저메틸화와 프로모터 영역의 국소적 과메틸화를 나타내기 때문이다.
기계 학습 접근법
혈장 데이터에서 암 가능성을 추정하는 것은 일반적으로 지도 학습을 포함한다. 모델은 알려진 암 사례와 건강한 대조군 코호트에서 훈련되며, 입력 특징은 시퀀싱 또는 단백질체 분석에서 파생된다. 일반적인 알고리즘에는 로지스틱 회귀, 랜덤 포레스트, 그래디언트 부스팅이 포함되지만 딥 러닝 방법이 주목을 받고 있다. 신경망, 특히 이미지 유사 메틸화 지도용 잔차 네트워크 및 U-Net 변형은 복잡한 비선형 관계를 포착할 수 있다.
특징 엔지니어링은 중요하다. 원시 시퀀싱 데이터는 돌연변이 대립 유전자 비율, 메틸화 베타 값, 단편 크기 분포, 복제 수 프로필과 같은 특징으로 변환된다. 주성분 분석과 같은 차원 축소 기법은 훈련 전에 자주 적용된다. 모델은 0과 1 사이의 확률 점수를 출력하며, 민감도와 특이도의 균형을 맞추기 위해 임계값이 선택된다. 점수가 실제 가능성을 반영하도록 보정하는 것이 필수적이며, 종종 등장 회귀 또는 플랫 스케일링을 통해 달성된다.
훈련에는 크고 잘 주석이 달린 데이터 세트가 필요하다. The Cancer Genome Atlas(TCGA)와 같은 공공 자원은 유전체 및 임상 데이터를 제공하지만 혈장 기반 데이터 세트는 더 드물다. GRAIL(현재 Illumina의 일부)을 포함한 여러 회사는 임상 시험에서 독점 데이터 세트를 생성했다. 이 분야에서 AI의 사용은 해석 가능성에 대한 질문을 제기했으며, 이는 가능성 점수를 주도하는 특징을 식별하기 위해 SHAP 값과 같은 설명 가능한 AI 방법에 대한 연구로 이어졌다.
임상 적용
주요 적용은 조기 암 발견이다. MCED 검사는 치료가 더 효과적인 단계에서 암을 식별하는 것을 목표로 한다. 예를 들어, GRAIL이 개발한 Galleri 검사는 표적 메틸화 분석과 기계 학습 분류기를 사용하여 50개 이상의 암 유형을 검출한다. PATHFINDER 연구에서 이 검사는 99.5%의 특이도와 43.1%의 양성 예측 값을 입증했으며, 이는 양성 결과 중 43.1%가 암으로 확인되었음을 의미한다. 이 검사는 또한 조직 기원을 높은 정확도로 예측하여 후속 진단 작업을 안내했다.
선별 검사 외에도 혈장 내 암 가능성은 최소 잔존 질환(MRD) 모니터링에 사용된다. 근치적 수술 후, 연속 혈장 샘플을 ctDNA에 대해 분석하며, 가능성 점수가 상승하면 재발을 나타낸다. 이 접근법은 방사선 영상보다 몇 달 전에 재발을 감지하는 것으로 나타났다. 전이성 환경에서 점수는 치료 반응을 반영할 수 있으며, ctDNA 수준 감소는 종양 수축과 상관관계가 있다.
이 개념은 유전성 암 증후군이 있는 무증상 개인의 위험 계층화에도 정보를 제공한다. BRCA1 또는 BRCA2 돌연변이 보인자의 경우, 혈장 기반 검사는 기존 감시 프로토콜을 보완할 수 있지만 임상적 유용성에 대한 증거는 아직 나타나고 있다.
과제 및 한계
여러 과제가 광범위한 채택을 방해한다. 조기 단계 암, 특히 ctDNA 수준이 종종 검출 한계 미만인 1기 질환에 대한 민감도는 여전히 최적이 아니다. 무한정 잠재력의 클론성 조혈(CHIP)은 혈액 세포의 돌연변이가 종양 유래 신호로 오인될 수 있으므로 위양성을 생성할 수 있다. 이를 완화하기 위해 분석은 종종 백혈구를 병렬로 시퀀싱하여 배경 돌연변이를 차감한다.
비용은 중요한 장벽이다. cfDNA의 전장 유전체 시퀀싱은 비싸고, 분석에 필요한 계산 인프라는 상당하다. 보험 상환 정책은 진화하고 있지만 많은 검사가 아직 보험으로 보장되지 않는다. 규제 승인은 관할권에 따라 다르며, 미국에서 FDA는 일부 MCED 검사에 혁신 기기 지정을 부여했지만 완전한 승인은 사망률 이점을 입증하는 전향적 임상 시험이 필요하다.
해석 가능성과 편향도 우려 사항이다. 주로 유럽계 조상 인구로 훈련된 모델은 다른 집단에서 성능이 저조할 수 있어 불평등을 초래한다. 훈련 코호트를 다양화하고 다양한 민족에 걸쳐 검사를 검증하려는 노력이 진행 중이다.
미래 방향
연구는 혈장 기반 가능성 점수와 AI 분석 영상 및 전자 건강 기록과 같은 다른 데이터 양식의 통합을 탐구하고 있다. 다중 모드 모델은 정확도를 개선하고 더 개인화된 위험 평가를 제공할 수 있다. 대규모 언어 모델을 사용하여 임상 메모를 구문 분석하고 관련 특징을 추출하는 것은 새로운 영역이다.
나노포어 플랫폼과 같은 시퀀싱의 기술적 발전은 비용과 처리 시간을 줄일 수 있다. AWS Trainium 및 기타 특수 하드웨어는 임상 환경에서 모델 추론을 가속화할 수 있다. 또한 표준화된 참조 물질과 벤치마킹 프레임워크의 개발은 다양한 검사의 비교를 용이하게 할 것이다.
혈장 기반 가능성 점수가 암 사망률을 줄이는 데 있어 임상적 유용성을 확립하려면 종적 연구가 필요하다. 140,000명의 참가자를 등록한 영국의 NHS-Galleri 시험은 결정적인 증거를 제공할 것으로 예상된다. 성공한다면 혈장 내 암 가능성은 예방 의료의 일상적인 구성 요소가 될 수 있다.