[2026 오믹스팜 AI 인사이트] 멀티오믹스 AI, 실제 R&D 워크플로우에서는 이렇게 쓰인다!

안녕하세요, 셀키에이아이입니다.

앞선 시리즈에서 우리는 '왜 멀티오믹스에 AI가 필수인지' 그리고 '실제로 어느 정도 성과를 내고 있는지'를 논문 중심으로 살펴보았습니다.

그렇다면 실제 R&D 현장에서 멀티오믹스 AI가 어떤 워크플로우로 구성되어 있는지 소개드리고자 합니다.

​

• 요즘 R&D팀이 겪는 현실적인 문제부터

대부분의 바이오, 제약, 병원 연구팀에서 멀티오믹스와 관련된 업무를 시작하면 보통 아래와 같은 상황에 직면합니다.

• 데이터의 복잡성: 다양한 층위의 데이터 통합 어려움

• 자원의 한계: 만성적인 전문 인력 및 시간 부족

• 표준화의 부재: 매 분석마다 새롭게 설계해야 하는 일회성(Ad-hoc) 분석 구조

​

멀티오믹스 연구가 한 단계 더 나아가지 못하는 이유는 분석 기술의 부재보다 '워크플로우의 파편화'에 있습니다.

예를 들면 아래와 같은 현상들이 반복해서 등장합니다.

• 전처리의 개별화: 각 오믹스 데이터마다 규격과 클렌징 방법이 달라 통합 전 단계에서 과도한 리소스 소모

• 분석의 휘발성: "유사한 분석"임에도 불구하고 모듈화가 되어 있지 않아 매번 zero-base에서 시작하는 수동 작업

• 확장성의 부재: 특정 코호트에 종속된 코드 작성으로 인해 타 프로젝트나 외부 데이터 적용 시 재구축 비용 발생

​

최근 멀티오믹스 AI 연구들의 흐름을 보면 흥미로운 변화가 포착됩니다. 더 정교한 모델 하나를 추가하는 데 집착하기보다, 파편화된 '워크플로우 자체를 어떻게 재설계할 것인가'에 집중하기 시작한 것이죠.

데이터 전처리부터 통합, 그리고 해석에 이르는 전 과정을 하나의 유기적인 시스템으로 구축하고, 진정한 데이터 기반의 발견(Data-driven discovery)을 가능하게 하는 열쇠는 바로 AI입니다.

​

Step 1. 데이터 수집 및 정제

실제 R&D 워크플로우에서 첫 시작 단계인 데이터 수집 단계에서 80%가 결정된다고 할 정도로 과언이 아닌데요,

AI를 통해서 어떻게 구성하고 정제할 수 있는지 함께 알아보실까요?

① 오믹스·임상 데이터 수집 : 파편화된 데이터에 고유 주소 부여하기

• 유전체, 전사제, 단백질, 대사체, 이미징, EHR/임상 데이터 등 서로 다른 포맷을 공통 ID 체계로 정밀하게 연결합니다. 최신 트렌드는 무작정 AI를 활용하는 것보다, 통합 데이터 모델(Ontology, CDM)을 설계하여 데이터 간의 계층과 관계를 정의한 뒤 그 위에 AI를 활용하는 방식을 택합니다.

​

② 전처리·품질관리(QC) : 파이프라인의 고정값 만들기

• 각 오믹스 데이터는 실험 배치나 장비에 따라 노이즈가 심합니다.

• 자동화의 필요성 : Normalization, Batch effect 제거, 필터링 과정 등, 그때끄때 짜는 것이 아니라 자동화된 스크립트/파이프라인을 활용할 필요가 있습니다.

• 코로나19 멀티오믹스 연구나 시계열 단일세포 분석 논문들을 보면, '사전에 구축된 표준 전처리 파이프라인'을 통화했다는 점을 매우 강조합니다.

​

③ 분석 가속화를 위한 데이터 최적화

• 단순히 데이터를 넣는 것이 아니라, AI 모델이 유의미한 패턴을 찾아낼 수 있도록 데이터의 밀도를 높이는 과정이 필수입니다.

• 고차원·저샘플 구조에 맞게 feature selection / dimensionality reduction을 수행합니다.

• 항암제 반응성 예측, 바이오마커 발굴 연구들은 여기서 멀티오믹스 특화 feature engineering과 알고리즘을 먼저 설계한 뒤, 예측 모델을 얹었습니다.

​

이 단계의 핵심은 이후 프로젝트에서도 재사용이 가능한 표준 전처리, 통합 레이어를 만드는 것입니다.

셀키에이아이의 독자적인 AI 기술로 바로 이러한 점에서 출발되어, 서비스화한 형태이기도 합니다.

​

Step 2. AI 통합·예측 모델링

데이터 최적화가 완료되면 비로소 AI를 통한 분석이 보다 원활하게 진행될 수 있습니다. 최근 주요 멀티오믹스 AI 논문들이 채택하고 있는 워크플로우는 다음과 같은 공통된 패턴을 보입니다.

​

① 멀티오믹스 데이터 통합 (Multi-omics Integration)

• 잠재 공간(Latent space) 학습 : 오토인코더, 변분 오토인코더(VAE), 트랜스포머 기반 모델 등을 활용해 유전체, 전사체, 단백질, 대사체, 이미징 통합하는 모델을 학습합니다.

• 어떤 연구는 pathway/네트워크 단위로 요약된 feature를 사용해, 모델이 생물학적인 해석의 가능성을 갖도록 설계합니다.

​

② 예측 모델 학습 (Predictive Modeling)

• 통합된 데이터를 바탕으로 구체적인 임상적, 생물학적 목표 변수에 대해 지도 학습을 수행합니다.

• 주요 분석 목표 : 환자의 생존 및 재발을 예측하는 예후 분석, 약물 및 면역 치료에 대한 반응성 예측, 질환의 중증도 및 진행 위험을 평가하는 위험도 예측 등이 대표적입니다.

• 사례 연구 : 코로나19 멀티오믹스 예후 예측 연구의 경우, 중증도 그룹을 분류함과 동시에 관련 세포 타입과 경로를 제시하는 방식을 취합니다. 또한 항암제 반응성 예측 프로젝트에서는 데이터의 한계를 극복하기 위해, Multi-class, Multi-label, Semi-supervised learning 등 복합적인 알고리즘이 적용되기도 합니다.

​

③ 바이오마커 및 타깃 후보 도출 (Biomarker Discovery)

• 모델이 학습 과정에서 중요하게 판단한 피처(유전자, 경로, 세포 상태 등)를 역추적해, 후보 바이오마커 리스트를 얻습니다.

• 항암제 반응성 연구는 이 리스트를 우선순위화해 후속 검증 실험에 바로 연결합니다.

​

정리하자면, 데이터 업로드 ▶ 자동 전처리·통합 ▶예측 결과와 함께 주요 feature/경로 리포트 생성 ▶ 연구자의 의사 결정

​

이 구간에서 AI의 진정한 가치는 단순히 결론을 대신 내려주는 것이 아닙니다. 수만 개의 변수와 복잡한 상호작용 속에서 전략적 파트너로서의 역할에 가깝습니다. 연구자는 AI가 정리해준 리포트를 바탕으로 어떤 환자군을 타깃으로 할지, 어떤 후보 물질을 우선 검증할지 결정하는 '최종 판단'에 집중할 수 있게 됩니다.

​

Step 3. 리포트·해석·의사결정

모든 멀티오믹스 AI 연구가 도달하고자 하는 마지막 지점은 '해석 가능한 AI'를 통한 지식의 확장입니다.

AI가 제시하는 수치적 결과값을 인간의 언어, 즉 생물학적 인과관계로 번역해내는 설계가 선행되어야 합니다. 이는 단순한 결과 공유를 넘어, 연구자가 타깃 우선순위를 결정하고 임상 전략을 수립하는 데 있어 강력한 근거 기반의 확신을 제공합니다.

​

① 리포트 자동 생성

• 예측 성능 지표(AUC, C-index 등), 주요 변인, 환자군별 리스크 분포를 자동으로 정리합니다.

• 어떤 연구들은 웹 기반 인터페이스를 만들어 연구자/임상의가 데이터를 업로드하면 모델 결과와 함께 주요 경로, 유전자 정보를 볼 수 있도록 구성했습니다.

​

② 워크플로우에 녹이기

• 혈액암 진행 위험 모델처럼 5년 내 진행 위험이 50% 이상이면 X 전략, 10% 이하면 Y 전략과 같은 식의 의사결정 규칙까지 함께 제시해야 실제 임상에서도 사용됩니다.

• 코로나19 예후 예측 연구 역시 '중증도 예측 + 관련 면역세포 시그니처'를 함께 제공해, 단순 점수 이상의 해석을 가능하게 했습니다.

​

③ 피드백 루프

• 실제 사용 과정에서 성능, 해석의 납득 가능성, 워크플로우 적합성을 점검하고, 그 피드백을 모델과 파이프라인에 반영합니다.

• 일부 제약사, 병원 사례에서 이런 과정을 AI, R&D 플랫폼 위에서 반복하면서 프로젝트가 쌓일수록 모델이 점점 고도화되는 구조를 만들고 있습니다.

셀키에이아이가 바라본 R&D 워크플로우에서 멀티오믹스 AI가 하는 역할

지금까지의 논문, 보고서와 실제 프로젝트의 흐름을 정리하면 R&D 워크플로우 안에서 멀티오믹스 AI가 맡는 역할은 크게 세 가지입니다.

① 데이터 레벨

• 이질적인 멀티오믹스 + 임상 데이터를 'AI'가 해석할 수 있는 형태로 표준화하고 통합한다.

② 모델 레벨

• 예후, 반응, 위험 예측 모델을 학습하고, 성능뿐 아니라 바이오마커, 경로 수준의 인사이트까지 제공한다.

③ 워크플로우 레벨

• 리포트, 대시보드, 의사결정 룰과 연결해 연구자와 임상의가 매주, 매달 실제로 사용하는 도구가 될 수 있도록 한다.