폐암은 전 세계적으로 사망률이 높은 암 중 하나로, 조기 진단이 생존율을 크게 높이는 데 결정적인 역할을 합니다. 현재 저선량 흉부 컴퓨터 단층촬영(CT)이 사용되지만, 접근성, 환자 순응도, 관리의 어려움 등 여러 한계가 있습니다. 이러한 배경 속에서 혈액 기반의 세포 유리 DNA(cfDNA) 바이오마커를 활용한 진단법이 보완적인 대안으로 주목받고 있습니다. 하지만 폐암의 이질성과 고차원적이고 비선형적인 분자 신호 때문에 cfDNA만으로 조기 진단하는 것은 여전히 어려운 과제로 남아있습니다.
최근 하메드 자비디(Hamed Javidi) 외 연구진은 이러한 난제를 해결하기 위해 양자-고전 하이브리드 머신러닝(quantum-classical hybrid machine learning) 접근법을 평가했습니다. 연구팀은 DNA 단편체학(fragmentomics)과 DNA 메틸화(methylation) 데이터를 활용하여 폐암을 진단하는 모델을 개발했습니다. 특히, 20개 및 40개의 특징(feature)을 선별한 후, 이 특징들을 양자 힐베르트 공간(quantum Hilbert space)으로 인코딩(encoding)하여 양자 커널(quantum kernel)을 계산했습니다. 이 양자 커널은 미리 계산된 커널 SVM(Support Vector Machine) 및 커널-PCA 로지스틱 회귀(Kernel-PCA logistic regression)와 통합되어 고전적 SVM 모델과 성능을 비교했습니다. 이 프레임워크는 인코딩 및 얽힘(entanglement) 설계가 분류 성능에 미치는 영향을 체계적으로 평가할 수 있게 했습니다.
반복적인 교차 검증(held-out evaluations) 결과, 양자 커널 모델은 두 데이터셋 모두에서 경쟁력 있는 성능을 달성했습니다. 특히 DNA 단편체학 데이터의 경우, 일부 20개 특징 구성에서 고전적 SVM 기준선 대비 AUC(Area Under the Curve)가 향상되어, cfDNA 단편화 구조의 비선형성을 효과적으로 포착했음을 시사했습니다. DNA 메틸화 데이터에서는 고전적 SVM이 가장 높은 AUC를 기록했지만, 일부 양자 모델 역시 경쟁력을 유지하며 특정 경우에 특이도(specificity)를 개선했습니다. 이러한 결과는 양자 커널 방법이 cfDNA 기반 폐암 진단을 위한 유망한 접근 방식임을 강력히 뒷받침합니다. 양자 컴퓨팅의 발전은 복잡한 생체 데이터를 더 정교하게 분석하여 질병의 조기 진단 및 개인 맞춤형 치료의 가능성을 열어줄 것으로 기대됩니다.