npj Precision Oncology의 리뷰는 암 신호전달 네트워크에서 단일 표적 저해가 피드백·중복성·보상 반응 때문에 한계를 보이는 문제를 AI 기반 network pharmacology 관점에서 정리함. 머신러닝, graph neural network, biological knowledge graph, 생성 모델, reinforcement learning을 조합해 다중표적 개입 전략과 drug combination을 설계하는 흐름을 다룸. 논문은 아직 unedited early-access manuscript로 공개된 상태라 세부 문구와 구성은 최종 편집에서 달라질 수 있음.
요약
•
리뷰의 중심 문제는 질병 원인 신호 네트워크가 단일 단백질 inhibition만으로 충분히 제어되지 않는 경우가 많다는 점임.
•
AI와 대규모 biological knowledge graph를 활용해 molecular interaction을 체계적으로 표현하고, 질병 관련 target과 다중표적 intervention priority를 예측하는 접근을 정리함.
•
Graph neural network는 경로·상호작용·조절 관계를 모델링하는 도구로 제시되며, 단순 association보다 네트워크 내 위치와 연결 맥락을 반영하는 데 초점이 있음.
•
생성 모델과 reinforcement learning은 개별 표적 저해제가 아니라 네트워크 상태를 조절하는 compound 또는 drug combination 설계 방향으로 연결됨.
•
실험 검증 축으로 CETSA, NanoBRET, Perturb-seq, patient-derived model, MIDD(model-informed drug development) 시스템을 언급해 계산 예측을 translational evidence로 이어가는 절차를 강조함.
•
데이터 품질, bias, interpretability, reproducibility가 반복적인 제한 요인으로 제시되며, 네트워크 기반 설계가 임상 의사결정으로 가려면 설명 가능성과 재현성이 함께 필요함.
•
AI drug discovery가 표적-분자 매칭을 넘어 pathway-level perturbation 설계로 확장되는 흐름을 보여주며, oncology에서 combination therapy와 precision medicine 연결성이 커짐.
메모
Nature 페이지가 최종 편집 전 원고임을 명시하고 있어, 세부 표현과 편집 상태는 이후 업데이트될 수 있음.