매년 전 세계 공중 보건의 최대 난제 중 하나는 다가올 독감 시즌에 어떤 바이러스 균주가 유행할지 예측하는 것입니다. 현재의 예측 방식은 과거 데이터와 전문가의 판단에 크게 의존하지만, MIT 연구진이 개발한 새로운 AI 기반 도구 ‘VaxSeer’는 이 중대한 예측 과정의 정확도를 획기적으로 향상시킬 것으로 기대를 모으고 있습니다. VaxSeer는 독감 백신 균주 추천의 정확성을 높여 더 효과적인 백신 개발을 가능하게 하고, 전 세계적인 독감 피해를 줄이는 것을 목표로 합니다.
백신 개발의 오랜 숙제, 바이러스 변이 예측
세계보건기구(WHO)는 매년 전문가 회의를 소집하여 북반구와 남반구에 사용될 독감 백신에 포함될 균주를 결정합니다. 이 결정은 독감 시즌이 시작되기 몇 달 전에 내려지는데, 인플루엔자 바이러스가 끊임없이 변이하기 때문에 엄청난 불확실성을 안고 있습니다. 만약 백신에 사용된 균주와 실제 유행하는 균주가 일치하지 않으면 백신의 효과는 크게 떨어지고, 이는 결국 더 많은 질병과 사망으로 이어질 수 있습니다.
VaxSeer, 딥러닝으로 복잡한 패턴을 읽어내다
VaxSeer는 정교한 딥러닝 아키텍처를 방대한 역학 및 유전체 데이터와 결합하여 이 문제를 해결합니다. MIT 컴퓨터과학·인공지능연구소(CSAIL)의 수석 저자인 안야 샤르마 박사는 “우리는 단순히 작년에 유행했던 균주를 보는 것이 아니라, 유전적 변이, 돌연변이율, 전 세계적 확산 패턴, 심지어 바이러스 전파에 영향을 미칠 수 있는 환경 요인까지 분석합니다”라고 설명했습니다. 그는 “이 데이터의 엄청난 양과 복잡성은 AI 접근법에 이상적입니다”라고 덧붙였습니다.
VaxSeer 시스템은 다음과 같은 방대한 양의 데이터를 통합하여 작동합니다.
- 유전체 서열 데이터: 시간에 따른 다양한 독감 균주의 진화 과정을 추적합니다.
- 역학 데이터: 과거 감염률, 지리적 확산 및 인구 통계학적 영향 등을 분석합니다.
- 항원 데이터: 이전 백신이나 감염으로 생성된 항체가 새로운 균주를 얼마나 잘 인식하는지 평가합니다.
- 기후 및 이동성 데이터: 바이러스 전파 패턴에 영향을 줄 수 있는 요인들을 고려합니다.
VaxSeer는 이러한 다양한 데이터 스트림을 통합하여 새롭게 부상하는 바이러스 분기군(clade)을 식별하고, 이들의 우세 가능성을 예측하는 모델을 사용합니다. MIT 계산생물학그룹 책임자인 줄리안 리드 교수는 “기존 모델은 바이러스 진화의 비선형적 역학을 다루는 데 어려움을 겪는 경우가 많습니다. 딥러닝은 인간 전문가나 단순한 알고리즘이 놓칠 수 있는 복잡하고 미묘한 패턴을 인식하는 데 탁월합니다”라고 강조했습니다.
데이터로 증명된 예측 능력과 미래
광범위한 과거 데이터 기반 테스트(retrospective testing)에서 VaxSeer는 현재의 방법에 비해 우세한 독감 균주를 예측하는 데 놀라운 향상을 보였습니다. 특히 WHO의 권장 사항이 효과적이지 않았던 과거 독감 시즌을 분석했을 때, VaxSeer의 예측은 75% 이상의 사례에서 실제 유행 균주와 더 가깝게 일치했습니다. 이는 VaxSeer가 다양한 시나리오에서 강력한 성능을 유지함을 시사합니다.
“우리의 목표는 WHO와 같은 공중 보건 기관에 독감 시즌 예측의 거대한 복잡성을 바라볼 수 있는 강력한 새 렌즈를 제공하는 것입니다. 전문가의 판단을 보강하여 더 정보에 입각한 결정을 내릴 수 있도록 데이터 기반의 관점을 추가하는 것이죠.”
– 안야 샤르마 박사 (MIT CSAIL)
MIT 연구팀은 VaxSeer가 인간의 전문성을 대체하는 것이 아니라, 보조하는 도구임을 강조합니다. 현재 연구팀은 VaxSeer를 기존 의사 결정 과정에 통합하기 위해 국제 보건 기구와 협력하고 있으며, 2026-2027년 독감 시즌을 앞두고 파일럿 프로그램을 시작하여 실제 효과를 검증할 계획입니다.
리드 교수는 “백신 효과의 작은 개선만으로도 수백만 건의 독감 사례를 예방하고, 입원을 줄이며, 전 세계적으로 생명을 구할 수 있습니다. 이것은 감염병과의 지속적인 싸움에서 중요한 진전입니다”라고 결론지었습니다.
