[2026 오믹스팜 AI 인사이트] 멀티오믹스와 AI, '디지털 트윈'의 현실적인 시작점

안녕하세요, 셀키에이아이입니다.

지난 논문 자료를 통해 AI 인프라가 멀티오믹스 바꾸는 이유에 대해서 안내를 드렸습니다.

이번 콘텐츠에서는 요즘 학회 및 보고서에서 자주 등장하는 멀티오믹스와 AI 관점에서 바라본 '디지털 트윈(Digital Twin)'에 대해 말씀을 드리고자 합니다. 특히 R&D·임상 분야에서 "실현 가능성"과 "시작점"을 고민하시는 분들을 위해 구체적인 내용을 담았습니다.

​

• 바이오 업계에서 말하는 디지털 트윈은 무엇일까요?

디지털 트윈에 대해서 먼저 설명드리자면, 실제 물리적 대상을 그대로 복사한 가상 모델입니다. 공장 설비를 디지털로 똑같이 만들어서 실제로 돌려보기 전에 시뮬레이션 하는 방식을 의미합니다. 실제 조작은 '검증된 시나리오'에만 적용하는 방식이에요.

​

바이오·헬스케어에서 말하는 디지털 트윈도 구조는 비슷합니다.

한 사람의 유전체, 전사체, 단백질, 대사체, 임상 정보를 모아서 특정 환자만의 질병 진행, 치료 반응 패턴을 가상 모델로 구현하고, 다양한 치료 옵션(약제, 용량, 조합)을 모델 속에서 먼저 시뮬레이션을 해봅니다.

즉, 실제 환자에게 약을 쓰기 전에 가상 모델에서 먼저 반응을 예측하거나 임상실험 설계를 최적화하거나 특정 치료가 이 환자에게 효과가 있을지 시뮬레이션하는데 쓰여요.

​

여기서 핵심은 두 가지입니다.

• 첫째, 개별 환자의 특성을 정확하게 반영해야 합니다.

• 둘째, 시간에 따라 변하는 상태까지 반영할 수 있어야 합니다.

​

이 두 조건을 충족하기 위해, 멀티오믹스와 AI가 함께 쓰이기 시작했습니다.

​

• 왜 멀티오믹스가 디지털 트윈의 '재료'가 되는가

단일 오믹스로는 환자의 상태를 한 면만 볼 수 있습니다.

· 유전체 : 변이 등 구조적 정보를 담고 있지만, 현재 상태를 반영하는 데는 한계가 있습니다.

· 전사체, 단백질체 : 기능적 활성 상태를 잘 보여주지만, 원인이나 맥락 일부는 놓칠 수 있습니다.

· 대사체 : 가장 말단의 결과물로, 환경이나 생활습관의 영향을 강하게 받습니다.

​

디지털 트윈의 목표는 이 사람의 질병 상태와 반응성 전체를 닮게 만드는 것입니다. 그래서 자연스럽게 멀티오믹스가 유리해집니다.

유전체로 베이스라인 리스크와 취약한 경로를 파악하고

전사체, 단백질체로 현재 어떤 경로가 활성화되어 있는지 확인하며,

대사체로 환경, 약물, 생활습관이 반영된 최종 상태를 포착합니다.

​

여기에 이미징과 디지털 헬스 데이터(웨어러블, 심전도, 혈압, 활동량)까지 더해지면 디지털 트윈은 거의 해당 환자의 동적 상태를 지속적으로 반영하는 가상 복제본에 가까워집니다.

​

• AI는 이 멀티오믹스 데이터를 어떻게 '트윈'으로 바꿀 수 있을까?

문제는 멀티오믹스 데이터가 너무 크고, 복잡하고, 불완전하다는 겁니다.

여기서 AI가 하는 일이 크게 세 가지로 나뉩니다.

​

✅상태를 요약하는 '공통 언어' 만들기

멀티오믹스 디지털 트윈의 첫 단계는 각 오믹스, 이미징, 임상 데이터를 하나의 공통 표현으로 통합하는 것입니다.

딥러닝(오토인코더, VAE, 트랜스포머 등)을 활용해 서로 다른 스케일, 노이즈, 결측 구조를 가진 데이터를 '이 환자의 현재 상태를 나타내는 하나의 벡터'로 압축하는 과정이라고 보시면 됩니다.

이렇게 만들어진 공통 표현이 바로, 디지털 트윈의 뼈대가 됩니다.

​

✅시간에 따른 변화와 치료 반응을 학습하는 모델

디지털 트윈이 되려면 시간 축이 필요합니다.

치료 전 → 중 → 후, 재발 전 → 재발 시점 → 이후처럼 시점별로 멀티오믹스와 임상 데이터가 쌓여야 합니다.

이 데이터가 갖춰지면 AI는 다음을 학습할 수 있습니다.

· 어떤 경로 변화 패턴이 치료 반응 또는 무반응과 연결되는지

· 어떤 변이 조합이 재발 위험을 높이는지

· 특정 약제 변경이 전사체, 단백질 수준에서 어떤 변화를 유도하는지

​

여기서 주로 활용되는 것이 시계열 딥러닝, 강화학습, 시뮬레이션 기반 모델입니다.

현재 상태 벡터+약제 A의 n개월 후 상태를 예측할 수 있다면, 가상의 치료 시나리오를 시험해볼 수 있는 디지털 트윈에 한층 가까워집니다.

​

✅결과 데이터가 왜 나왔는지 설명하는 XAI

임상 현장에서는 반드시 이런 질문이 따라옵니다.

'이 AI 트윈이 약제 B를 추천했는데, 근거가 뭔가요?'

그래서 최신 논문과 프로젝트들은 설명이 가능한 AI(XAI)를 강조합니다.

어떤 유전자, 경로, 세포 타입이 고위험/저위험 판단이나 A보다 B가 낫다는 결정에 얼마나 기여했는지를 수치로 보여주는 방식입니다.

디지털 트윈이 바이오·헬스 업계에서 정말로 활용되려면 권고 이전에 설명이 먼저 설득력을 가져야 합니다.

​

✅'완벽한 트윈'이 아니라 부분 디지털 트윈부터

여기까지 읽으면 '멋잇긴 한데, 우리 조직에서는 이걸 언제 다 하지?'라는 생각이 드실 수 있습니다.

현실적인 접근은 '부분 디지털 트윈'부터 시작하는 것입니다.

​

각 분야별로 예시를 들어서 설명을 드리자면,

• 암 분야

  • 재발 위험 예측에 특화된 디지털 트윈

  • 수술, 치료 전 멀티오믹스 프로파일과 치료 전략 정보를 입력

  • 2-5년 재발 위험을 예측하고 설명 가능한 리포트를 제공하는 형태입니다.

• 심혈관/만성질환

  • 심근경색, 뇌졸중 등 장기 위험 디지털 트윈

  • 유전체, 단백질체, 대사체, 임상 정보를 활용

  • 10-15년 내 이벤트 리스크와 주요 위험 요인 경로를 시뮬레이션합니다.

• 희귀질환/유전질환

  • 약제 변경/용량 조정 시, 상태 변화와 방향성을 보는 트윈

  • 정확한 수치보다는 악화/완화 방향성과 관련 경로, 유전자 정보를 제공하는 용도로 활용

​

이렇게 하나의 질환과 의사결정 포인트에 집중해서 디지털 트윈을 설계하는 것이 2026년 가장 현실적인 단계입니다.

​

• ​셀키에이아이가 바라본 멀티오믹스 AI 디지털 트윈의 시작점

바이오 특화 AI Agents를 개발하고, 상용화 하고자 진행하고 있는 셀키에이아이에서 바라본 관점은

현재 단계에서는 '완벽한 디지털 트윈'의 구축보다 디지털 트윈으로 나아가는 멀티오믹스 AI 인프라를 준비하는 시기라고 생각합니다.

​

현실적인 단계 구축을 아래와 같습니다.

1. 데이터 레벨

• 유전체, 전사체, 단백질, 대사체, 임상, 이미징 데이터를 한 환자 단위별 안정적으로 묶을 수 있는 구조를 만드는 것

2. 모델 레벨

• 특정 질환/질문(ex_재발, 반응, 진행 위험)에 초점을 맞춰 '부분 디지털 트윈' 역할을 할 수 있는 멀티오믹스 AI 모델을 만드는 것

3. 워크플로우 레벨

• 임상의, 연구자가 실제로 '이 환자의 현재 상태를 요악하고 위험 시나리오를 구상하고, 주요 경로 인사이트' 보고 의사 결정을 바꾸는 경험을 쌓는 것

​

셀키에이아이의 바이오 버티컬 AI Agents는 위의 세 가지 단계를 빠르게 구축할 수 있는 방법을 제시하고자 합니다.