예방 접종의 "감"을 AI로 ─ AI가 인플루엔자 예측을 바꿀까? MIT의 VaxSeer가 WHO를 능가하는 미래

1. 배경: 매년의 "수보선독" 게임

계절성 인플루엔자 백신은 반년 이상 전에 주가 선택됩니다. 세계 각지의 검체에서 얻은 유전자 배열과 항원성 데이터를 종합하여, WHO의 GISRS 네트워크를 기반으로 전문가 회의가 "다음 시즌에 어떤 계통이 유행의 주역이 될 것인가"를 추정하여 결정합니다. 적중하면 유효성이 상승하지만, 빗나가면 "맞았는데도 효과가 적다"는 실감으로 이어집니다. 문제는 인플루엔자 바이러스가 끊임없이 소폭으로 진화하며, 인간의 면역과 환경과의 상호작용으로 세력도가 단기간에 변한다는 점입니다.

2. VaxSeer란 무엇인가: 2개의 예측 엔진＋1개의 스코어

MIT의 VaxSeer는 이 "선독"을 기계 학습으로 확장합니다. 핵심은 두 가지입니다. 첫째, 각 변이가 단독이 아닌 "조합"으로서 어떻게 확산 용이성(우세화)에 기여하는지를 대규모 단백질 언어 모델로 학습합니다. 둘째, 백신 후보가 미래의 유행 주에 얼마나 중화 효과(항원성)를 보일 수 있는지를 HI(적혈구 응집 억제) 시험 데이터에서 추정합니다. 이를 상미분 방정식에 기반한 확산의 다이내믹스에 겹쳐, 최종적으로 "커버리지 스코어"로서, 미래의 계절에 예상되는 바이러스 집단에 대한 백신의 "적합도"를 수치화합니다.

3. 얼마나 "적중"했는가: 과거 10년 리뷰

연구팀은 지난 10년간의 데이터로 WHO가 실제로 선택한 주와 VaxSeer가 추천한 주를 비교했습니다. 결과는 A/H3N2에서 9/10 시즌, A/H1N1에서 6/10 시즌에서 VaxSeer가 우세하거나 동등했습니다. 특히 주목할 점은, 2016 시즌의 후보 주를 1년 일찍 제시한 사례로, 다음 해에 WHO가 채택한 사실과 일치합니다. 또한, VaxSeer의 커버리지 스코어는 CDC나 캐나다 SPSN, 유럽 I-MOVE가 발표하는 실질 유효성 추정과도 높은 일치를 보입니다. 물론, 이는 "과거 검증"으로, 실제로 그 해의 백신으로 투여했을 경우의 인과적 효과(진정한 유효성)를 직접적으로 나타내는 것은 아닙니다. 그렇지만, "빗나간 해"일수록 의료 부담이 급증하는 현장에 있어 이러한 보조적인 선독은 큰 가치를 가집니다.

4. 시스템의 핵심: 진화와 언어의 교차점

VaxSeer가 독특한 점은, 배열상의 변이 효과를 단발이 아닌 "상호작용(에피스타시스)"으로 파악하는 점입니다. 실제 세계의 바이러스 진화는 단일 변이의 합으로 설명할 수 없습니다. 어떤 변이는 다른 변이와 결합하여 처음으로 우세화를 일으킬 수 있습니다. 언어 모델은 이 "조합"의 확률 구조를 과거의 방대한 배열에서 학습합니다. 여기에 계통 간의 경쟁을 나타내는 수리 모델을 겹쳐, 어떤 계통이 "다음 주역"이 될 것인가의 상대적 우위를 추정합니다. 항원성 측면에서는, HI 시험의 실험치를 교사로 하여, 후보 주와 가정 유행 주의 "거리"를 추정하고, 백신이 얼마나 중화 반응을 이끌어낼 수 있는지를 추정합니다.

5. SNS의 반응: 기대, 신중론, 그리고 운영의 현실

발표 직후, SNS에서는 연구자 커뮤니티와 헬스케어 계정이 일제히 반응했습니다. MIT CSAIL의 공식 X는 "수십 년의 데이터로 학습하고, 더 방어적인 후보를 식별한다"고 소개하며, 많은 긍정적인 답글이 이어졌습니다. 제1 저자인 Wenxian Shi 씨도 논문 발표를 알리며, 학술계로부터의 축복이 계속되었습니다. 한편, 의료 AI를 추적하는 계정은 "WHO 전문가의 판단을 AI가 능가할 것인가?"라는 논의를 제기하며, 평가 지표가 "대리 척도(surrogate)"라는 점과, 전향적 임상에서의 검증 부족을 지적하는 신중론도 두드러졌습니다. 종합적으로, "대체"가 아닌 "보조", "제3의 의견"으로서 의사 결정의 투명성을 높일 수 있다는 인식이 주류입니다. 임상·공중보건 측에서는 "제조 리드 타임", "계란 배양 유래의 변이", "공급망", "지역 차 데이터" 등 현실적인 제약에 대한 적용 설계를 요구하는 목소리가 나오고 있습니다.

6. 현장에의 파급: 어떻게 사용하면 효과적인가

단기적으로는, WHO 회의나 각국 당국의 선정 전에, VaxSeer의 스코어를 "세컨드 오피니언"으로 참조하여, 빗나가기 쉬운 해의 리스크를 조기에 감지하는 사용법이 생각됩니다. 빗나갈 조짐이 보이면, 공급 계획의 유연화나 대체 제조법(세포·리컴비넌트)의 비율 조정, 고위험군에 대한 메시지 강화 등, 정책·운영의 선택지를 앞당겨 검토할 수 있습니다. 중기적으로는, 항원성 이외의 인자──기왕 면역, 투여량, 아쥬반트, 지역 클러스터의 유동성──를 통합하여, 통합적인 "실효 보호"를 추정하는 다인자 모델로 확장하는 것이 열쇠입니다.

7. 한계와 과제: AI는 만능이 아니다

첫째, 평가는 주로 과거 지향적입니다. 진정으로 묻는 것은, 전향적(프로스펙티브) 환경에서의 정책 결정에 포함했을 때, 실제 발병·입원·사망의 억제에 얼마나 기여하는가입니다. 둘째, 학습 데이터의 편향──지역·연령·검체 채취의 편재──은 예측의 일반화를 왜곡할 가능성이 있습니다. 셋째, 제조 프로세스의 제약(계란 배양에서의 적응 변이, 스케일업의 지연)은 "선택한 주가 최종 제품이 될 때까지"의 사이에 적합을 손상시킬 수 있습니다. 넷째, 의사 결정은 과학뿐만 아니라, 투명성·설명 책임·사회적 수용이 요구되는 영역입니다. 모델의 전제·불확실성·감도를 공개하고, 전문가 판단과 일치적으로 위치시키는 거버넌스 설계가 필수적입니다.

8. 그래도 전진하는 이유

인플루엔자는 "끝나지 않는 적"입니다. 그렇기 때문에, 데이터와 모델로 빗나갈 확률을 1%라도 줄이려는 시도에는 의미가 있습니다. VaxSeer는 진화의 학리와 언어 모델의 표현력을 연결하여, 지금까지 인간의 직관과 분산된 지표에 의존하던 선정 작업을, 정량적이고 재현 가능한 프로세스로 한 걸음 더 가까이 다가갔습니다. WHO의 숙련된 전문가 네트워크와 AI의 선독 능력을 보완적으로 결합하는 것──그것이 다음 시즌을 조금이라도 가볍게 하는 현실적인 해답일 것입니다.

Powered by Froala Editor