최근 인공지능(AI) 기반의 다중 에이전트 프레임워크인 'RegNetAgents'가 암 유전체학 연구에 새로운 지평을 열었습니다. 이 시스템은 복잡한 유전자 조절 네트워크(gene regulatory networks)를 통합적으로 분석하여 암 발생에 핵심적인 역할을 하는 유전자 조절 인자(regulatory driver)를 식별하는 데 초점을 맞춥니다. 이는 기존의 단편적인 분석 방식으로는 파악하기 어려웠던 암의 복잡한 조절 메커니즘을 이해하는 데 기여할 것으로 보입니다.
RegNetAgents는 대량 종양(bulk tumor) 데이터와 단일 세포(single-cell) 유래의 ARACNe 네트워크를 통합 분석하는 것이 특징입니다. 구체적으로는 TCGA(The Cancer Genome Atlas)에서 파생된 암 네트워크와 GREmLN 프로젝트의 대규모 단일 세포 조절 네트워크를 결합합니다. 특정 유전자를 중심으로 이중 네트워크 분류, OncoKB 주석을 활용한 암 유전자 필터링, 그리고 종양 유래 조절 관계에 대한 작용 방식(MoA: mode-of-action) 할당 등의 기능을 수행합니다. 후보 유전자들은 네트워크 간 증거 일관성(양쪽 모두, TCGA만, GREmLN만)에 따라 순위가 매겨지며, 이는 LangGraph DAG 워크플로우로 구현되어 통합 Python API를 통해 접근 가능합니다.
유방암(BRCA) 11개와 대장암(COAD) 12개 유전자를 대상으로 한 실험에서 RegNetAgents는 OncoKB에 주석이 달린 암 유전자로 유의미하게 풍부한 후보 조절 인자를 식별했습니다. TCGA 유래 후보군은 유방암에서 Stouffer Z=6.69, 대장암에서 Z=6.95로 강한 농축을 보였고, GREmLN 유래 후보군 또한 유방암에서 Z=5.51, 대장암에서 Z=7.06로 유의미한 농축을 나타냈습니다. 이는 RegNetAgents가 암 특이적 조절 인자를 정확하게 찾아낼 수 있음을 시사합니다. 또한, 이 시스템은 발암 가능성, 약물 반응성, 임상적 관련성, 네트워크 취약성 등을 구조적으로 평가하는 확장 모듈을 제공하여, 후보 식별부터 생물학적 가설 생성까지 전반적인 해석을 지원합니다. 이러한 연구는 암의 정밀 진단과 개인 맞춤형 치료법 개발에 중요한 기반을 마련할 수 있을 것으로 기대됩니다.