[2026 오믹스팜 AI 인사이트] AI를 통한 멀티오믹스 분석, 실제로 어느 정도 성과를 내고 있을까?

안녕하세요, 셀키에이아이입니다????????

지난 포스트에서 우리는 '왜 멀티오믹스 분석에 AI가 필수인지'를 말씀드렸습니다.

이번에는 한 걸음 더 들어가, AI를 통한 멀티오믹스 분석을 했을 때, 혹은 결합했을 때 실제로 어떤 성과가 나왔는지를 최신 논문 연구와 연구 사례 중심으로 정리해보려고 합니다. 예측력, 위험 분류, 플랫폼 성능이 얼마나, 어떻게 달라졌는지 함께 확인해보러 가실까요?

​

• 혈액암 : 언제 악화될지 모르는 불안감을 수치로 바꾼 AI + 멀티오믹스

첫 번째는 형질세포 질환인 MGUS(단클론감별증_혈액 내 특정 이상 단백질(M-단백)이 존재하지만, 증상이 없는 상태) 와 SMM(무증상) 그리고 다발골수종으로 이어지는 혈액암 진행 위험 예측입니다.

지금까지의 검사 방식은 몇 가지 지표만으로 위험군을 대략적으로 분류하는 데 그쳤습니다. 그러다 보니 실제로는 정밀한 관리가 필요한 고위험군인데도 저위험군으로 분류되어 골든타임을 놓치거나, 반대로 진행 가능성이 희박한데도 막연한 불안감 속에서 지내야 하는 환자분들이 많았습니다. 개인마다 다른 질병의 속도를 기존의 일률적인 기준에 맞추기엔 한계가 있었습니다.

그렇다면 이러한 한계를 어떻게 극복할 수 있을까요? 최근 AI 기반의 멀티오믹스 모델이 그 해답을 제시하고 있습니다. 유전체와 면역 환경 데이터를 임상 지표와 결합해 분석함으로써, 환자 개개인의 발병 시나리오를 예측하는 것이 가능해졌기 때문입니다. 이제는 막연한 추측이 아닌, 데이터에 근거해 '언제 암으로 진행될지'를 미리 대비할 수 있도록 데이터에 근거해 확인할 수 있게 되었습니다.

이러한 결과로는

• 기존 임상 점수 기반 모델보다 예측 성능 지표(AUC, C-statistic)가 유의미한 결과로 향상되었고

• 단일 오믹스 모델보다 AI 멀티오믹스 모델이 고위험군과 저위험군을 훨씬 더 선명하게 분리했습니다.

• 특히 5년 내 진행 위험을 나누어, 환자 모니터링 시기까지 수치로 말할 수 있게 되었습니다.

이번 연구가 주는 진짜 의미는 단순히 예측력을 높인 것에 있지 않습니다. 방대한 환자 데이터를 통해 검증을 마쳤을 뿐만 아니라, 실제 어느 정도의 위험 수치에서 치료 방향을 바꿔야 하는지 구체적인 기준점까지 제시했다는 점이 핵심입니다. 이제 AI와 멀티오믹스의 결합은 이론적인 연구를 넘어, 현실적인 기술로 자리 잡고 있습니다.

​

• 항암제 반응성 예측 : 실험 전에 후보를 줄여주는 AI 분석 멀티오믹스

두 번째는 항암제 반응성 예측과 바이오마커 발굴입니다.

국내에서도 멀티오믹스 데이터를 바탕으로 항암제 반응성을 예측하고, 그 과정에서 유의미한 바이오마커를 찾는 연구가 활발히 진행되고 있습니다. 이러한 프로젝트의 공통 목표는 다음과 같은데요,

• 유전체, 전사체 등 멀티오믹스를 통합해 어떤 환자가 어떤 약에 반응할 가능성이 높은지 미리 예측하고

• 모델이 반복적으로 중요하게 사용하는 유전자 및 경로를 추려 약물 반응성과 연관된 바이오마커 후보를 발굴하고자 합니다.

하지만 현실적으로 데이터의 샘플 수는 적고, 반응군/비반응군의 비율이 불균형한데요, 이러한 조건에서 전통 통계만으로는 안정적인 모델을 만들기 어렵습니다.

머신러닝, 딥러닝을 결합한 멀티오믹스 모델들은 이러한 제약 속에서도

• 단일 오믹스 기반 모델 대비 더 높은 예측 정확도와 재현율을 보여주고

• AI가 반복적으로 지목하는 핵심 지표(feature)들을 분석하면, 특정 환자군에게 효과적인 약물 반응 기전과 치료 타깃을 함께 제시합니다.

이처럼 바이오 업계에서 AI의 등장은 엄청난 혁신인데요, 모든 조합을 일일이 실험으로 확인하던 기존의 방식 대신, AI를 통한 멀티오믹스의 분석을 통해 성공 가능성이 높은 유망 후보만 콕 집어내어, 시행착오를 최소화하고 연구 효율을 극대화함으로써, 신약 개발의 속도를 완전히 다른 차원으로 끌어올릴 수 있습니다.

• 암 예후 예측 플랫폼 : 연구실 알고리즘을 '웹 서비스'로 끌어올리다​

세 번째는 암 진단/예후 예측용 멀티오믹스 AI 플랫폼입니다.

여러 코호트의 암 데이터를 모아, 유전체, 전사체 정보를 경로(pathway) 단위로 요약하고, 이를 기반을오 예후를 예측하는 기계학습 알고리즘을 개발한 국내 연구가 있습니다.

이 연구에서는 단순히 한 코호트에서만 잘 맞는 모델이 아니라

• 서로 다른 병원, 국가, 실험 플랫폼에서 생성된 데이터를 교차 검증하며,

• 코호트를 바꿔도 흔들리지 않는 예측 성능과 일관성을 중요한 목표로 삼았습니다.

그 결과는 아래와 같습니다.

• 여러 암종에서 예후 예측 정확도를 끌어올렸을 뿐만 아니라

• 왜 이 환자를 고위험으로 분류했는지, 어떤 경로가 달라졌는지를 설명할 수 있는 해석 가능성도 확보했습니다.

• 더 나아가, 이 알고리즘을 웹 기반 시스템으로 구현해, 연구자와 임상의가 자신의 데이터를 업로드하면 바로 예측 결과와 주요 경로 정보를 확인할 수 있는 형태까지 발전시켰습니다.

여기서 주목할 점은, AI와 멀티오믹스의 결합을 통해 단순한 '분석 서비스'에서 벗어나, '플랫폼 및 제품' 단계로 나아가고 있다는 부분인데요,

한번 만든 모델은 여러 프로젝트 및 기관에서 반복적으로 활용할 수 있고, 새로운 코호트가 들어올 때마다 더 정교하게 업데이트되는 형태의 지속 가능한 인프라로 진화하고 있습니다.

실제로 셀키에이아이 역시 바이오 업계 특화 AI Agent 'BioEOS' 출시를 앞두고 있습니다.

이를 통해 연구진들은 신뢰도 높은 검색 결과를 통해 빠르게 분석 내용을 확인하고, 논문 및 출처 내용까지 확인이 가능하다는 점이 가장 큰 강점이기도 합니다.

• 감염병, 심혈관질환 등으로 빠르게 확장

위에서 소개한 사례들은 주로 암과 항암제에 초점을 맞췄지만, 멀티오믹스와 AI의 적용 분야는 이미 훨씬 넓어졌습니다.

• 코로나19 환자의 멀티오믹스와 임상 데이터를 통합해 중증도, 예후를 예측하는 모델이 개발되었고

• 심혈관질환 분야에서는 유전체, 단백질, 대사체를 결합한 AI 기반 멀티오믹스 점수로 최대 10~15년 이후의 질병 발생 위험을 예측하는 연구가 보고되고 있습니다.

​

• 셀키에이아이가 보는 '성과 중심'의 멀티오믹스 AI의 방향

최근 논문과 연구 성과들을 종합해보면, 멀티오믹스와 AI의 결합이 가져오는 가치는 세 문장으로 요약할 수 있습니다.

· 단일 오믹스와 전통 분석으로는 보이지 않던 위험, 반응, 예후 패턴을 수치로 드러낸다

· 그 수치를 실제 임상 결정과 신약 개발 우선순위에 바로 연결할 수 있는 형태로 제공한다

· 한번 만든 모델을 다양한 코호트와 파트너에게 확장해 플랫폼으로 진화가 가능하다.

​

셀키에이아이는 이 세 가지 축을 중심으로, 고객사 및 파트너사의 멀티오믹스 데이터를 지속적으로 성과를 만들어내는 AI 인프라를 구축하고자 합니다.