[해외DS] 데이터로 더 오래, 더 건강하게 살기 (1)

건강 분야 혁신과 사회 변화 실현 위해 노력하는 비영리 재단 Phenome Health 질병 전이 이해 및 예방 위한 과학적 웰니스 연구 집중하는 중 Pioneer 100 파일럿 연구, 바이오마커와 질병 발병 간 연관성 제시

20
pabii research

[해외DS]는 해외 유수의 데이터 사이언스 전문지들에서 전하는 업계 전문가들의 의견을 담았습니다. 저희 데이터 사이언스 경영 연구소 (MDSA R&D)에서 영어 원문 공개 조건으로 콘텐츠 제휴가 진행 중입니다.

각자가 보유하고 있는 방대한 분자 데이터를 활용하면 정확하고 개인화된 치료를 통해 건강을 지킬 수 있습니다./사진=Jonathan Knowles/Getty Images

지난 7일 Scientific American은 Phenome Health에 대한 기사를 발행했습니다. Phenome Health는 건강 분야의 혁신과 사회 변화 실현에 집중하는 비영리 재단으로, 개개인의 ‘현상’을 이해하기 위해 유전자, 행동, 환경 데이터를 활용한 ‘디지털 트윈(digital twins)’을 개발합니다. 기사를 쓴 Jennifer C. Lovejoy는 Institute for Systems Biology의 계열 교수이자 라이프스타일 및 행동 과학 컨설팅 회사 Integral Science, LLC를 운영 중인 인물입니다. 과학적 웰니스 회사 Arivale의 Chief Translational Science Officer를 맡았던 이력도 있습니다.

[이어지는 내용은 C. Lovejoy의 시점으로 작성됐습니다.]

인간은 복잡합니다. 하지만 건강 그리고 의학에 대한 현재의 접근 방식은 단순한, 즉 신체, 정신, 사회적 및 물리적 환경 간의 복잡한 관계를 고려하지 못하는 모델에 기반하고 있습니다. 인간은 자연(nature)과 양육(nurture)의 산물이며 인간의 정신은 신체에, 신체는 정신에 영향을 주지만 이러한 사실은 의료 시스템에 거의 반영되지 않았습니다. 인종과 사회적인 배경의 ‘다양성’ 역시 쉽게 간과됩니다. 이들이 건강에 중요한 역할을 한다는 사실이 잘 알려져 있음에도 불구하고 말입니다.

설상가상으로 사람들은 보통 어떤 증상이 없다면 건강과 웰빙에 대한 정보를 찾지 않습니다. 안타깝지만 증상이 나타났다면 발병을 막기엔 너무 늦었을 수도 있습니다.

10여 년 전, 시애틀 Institute for Systems Biology 소속인 우리 연구팀은 의학이 ‘질병’보다 ‘건강’에 집중할 수 있는 방법을 생각하기 시작했습니다. 다시 말하자면 사람들이 ‘아플 때까지’ 기다리는 것이 아닌, 사람들이 건강을 유지하도록 돕는 방법을 찾고자 한 것입니다.

저비용 유전자 시퀀싱(low-cost genetic sequencing)과 같은 기술이 발전하면서 엄청난 양의 데이터를 사용할 수 있게 된 것도 이 ‘발상의 전환’에 영향을 주었습니다. 이러한 툴은 새롭게 떠오른 ‘멀티오믹스(multiomics)’, 즉 신체의 많은 생물학적 구성 요소에 대한 데이터 기반 조사 분야에서 나왔습니다. 참고로 멀티오믹스의 ‘오믹스(omics)’는 단백질(proteins)/대사산물(metabolites)/유전자(genes)/장내 세균(gut bacteria) 총 네 종류의 구성 요소를 분석하는 데 사용되는 일반적인 방법인 proteomics/metabolomics/genomics/microbiomics에서 유래했습니다.

그때부터 우리는 수천 명에 이르는 연구원들과 함께 이 아이디어를 발전시켜 왔습니다. 우리는 이용할 수 있는 방대한 ‘오믹(omic)’ 데이터가 임상의의 질병 진단에 도움이 될 뿐 아니라 개인의 건강 상태 측정에도 도움이 된다는 사실을 밝혀냈는데, 덕분에 일이 잘못되고 있음을 암시하는 ‘초기 징후’, 즉 ‘질병 전환’ 시점을 식별하는 방법을 연구할 수 있게 됐습니다. 현재 우리는 질병 전환 시점 이전과 질병 전환 과정 중에 ‘개입’하여 이를 다시 정상으로 돌려놓는 방법, 때로 질병을 완전히 피하는 방법을 찾아내고자 노력하고 있습니다.

이러한 개입이 과감하거나 침습적일 필요는 없습니다. 식이 요법, 운동 또는 특정한 영양소를 위한 보충제 같은 작은 변화만 주어도 비만, 당뇨병, 심장병 등의 발병을 막을 수 있습니다. 여기서 핵심은 발병 전에 개입하는 것입니다. 또한 개입에 필요한 정보를 얻기 위해 행동 과학이 이용되면서 사람들의 일상 생활에 무리를 주지 않는 형태의 개입이 가능해졌는데, 이는 종종 극적인 결과로 이어졌습니다.

우리는 질병 전이에 대한 이해와 이를 예방하는 방법, 다시 말해 ‘과학적 웰니스(scientific wellness)’ 분야의 ‘연구 공백(research gaps)’을 채우는 데 집중하고 있습니다. 동시에 진정한 의미의 ‘예방’과 맞춤형 의료 접근 방식을 실현하기 위해서는 많은, 실질적인 장애물도 넘어야 합니다. 하지만 이러한 예방 중심 접근법이 기존의 질병 중심 의학보다 건강 관리에 훨씬 도움이 된다는 사실은 지금까지의 연구를 통해 명백히 확인됐습니다. 참, 비용 절감 효과도 상당합니다.

PIONEER 100 파일럿 연구

우리는 ‘Pioneer 100’이라는 파일럿 연구를 통해 과학적 웰니스 분야에 뛰어들었습니다. 이 프로젝트를 시작한 인물은 의사이자 과학자인 Leroy Hood로, Hood는 임상 프로토콜을 만들고 연구를 감독하기 위해 저를 영입했습니다. 저는 비만, 당뇨병, 여성 건강에 대한 학술 연구 경험과 건강 및 웰니스 스타트업 임원 경력을 갖고 있는데, 행동 과학과 결합된 빅 데이터의 잠재력에 마음을 빼앗겼습니다. 이 연구는 과학적 웰니스의 개념을 증명하는 방향으로 흘러갔습니다. 우리는 자기가 건강하다고 믿는 사람들에게 건강을 최적화하거나 질병을 예방할 수 있는 기회가 있는지, 다양한 데이터 유형을 통합하는 작업이 건강을 정량화하는 데 도움이 되는지를 확인하고자 했습니다. 멀티오믹(multiomic) 데이터로 새로운 것을 발견할 수 있을지, 인원이 적어도 괜찮을지, 참가자들은 과학적 웰니스 개입에 어떻게 반응할지가 관건이 됐습니다.

우리는 건강을 정량화하고 최적화하기 위한 9개월간의 연구에 참여할 건강한 지원자 108명을 모집했습니다. 가장 먼저 기본 데이터를 모으는 작업에 착수했는데, 추후 실행 계획을 개발하고 과학적 연구를 수행하며 프로그램의 성과를 평가할 때 이용하기 위해서였습니다. 또한 우리는 다양한 ‘건강 조치’ 데이터를 수집했습니다. 신뢰도가 낮기로 유명한 음식 섭취량 조사에 의존하는 대신 영양 바이오마커, 즉 그 사람이 무엇을 먹고 있는지를 좀더 정확하게 보여주는 혈액 내 분자를 측정했습니다. (일반적으로, 우리는 이 연구를 할 때 개인이 보고한 질병이나 상태보다는 정밀하게 만들 수 있는 바이오마커 측정값에 주목했습니다.) 우리는 지원자들에게 신체 활동과 수면을 모니터링하는 장치인 Fitbit을 착용하라고 지시했습니다. 아울러 다양한 생활습관과 심리검사를 진행해 그 결과를 ‘행동 코치’와 공유했는데, 행동 코치는 지원자들의 개인화된 행동 계획을 개발하고 구현하는 작업을 도와주면서 위험 요소를 줄이는 역할을 맡았습니다. 그리고 우리는 지원자들의 게놈을 시퀀싱하고, 장내 세균을 샘플링하고, 대사 산물과 단백질을 측정하는 멀티오믹 데이터를 수집해 총 6가지 유형의 데이터(임상, 생활 방식, 유전체학, 단백질체학, 대사체학, 장내 미생물학)를 확보했습니다. 우리에게 새로운 통찰력을 줄지도 모르는 데이터를 얻게 된 것입니다.

기본 데이터 검토를 마친 뒤에는 각각의 참가자에게 적합한 개별적인 라이프스타일 개입 계획의 초안을 작성했습니다. 참가자가 지닌 질병 위험 요소를 개선하거나 잠재적으로 역전시킬 수 있는, 다양하고 실행 가능한 방안이 여기에 포함됐습니다. 예를 들어, 코르티솔이 높은 참가자를 위해서는 일일 스트레스 관리 방법 개발을 도와주고, 스트레스 요인을 찾아내고 해결하기 위한 일련의 연습 기회를 제공하기로 했습니다. 또한 정상 체중보다 20파운드 더 나가고 저탄수화물 식이요법 다이어트에 실패한 경험이 있는 참가자에게는 체중과 관련된 유전적인 프로필과 일치하는 식이 패턴을 교육하기로 했습니다. 몇몇은 비타민 D 혹은 오메가-3 지방산 수치가 낮았는데 이들에게는 건강 보조 식품을 권유했습니다.

이후 참가자들은 행동과 영양 지원을 해 주는 공인 영양사와 함께 일련의 건강 코칭 세션을 시작했습니다. 또한 우리는 라이프스타일 코칭이 건강에 미치는 영향을 확인하기 위해 혈액 표지자, 장내 미생물, 라이프스타일 데이터를 3개월마다 한 번씩 평가했습니다.

연구 결과는 설득력이 있었습니다. 기본 데이터 검토 결과 모든 것이 완벽한 참가자는 한 명도 없었습니다. 어떤 이들은 콜레스테롤 수치가 높거나 포도당 수치 같은 표준 임상 테스트에서 정상 범위에 들지 못했습니다. 많은 사람들에게 영양 결핍, 다양한 상태에 대한 유전적인 위험 요인 혹은 장내세균불균형(장내 미생물총의 불균형) 등의 문제가 있었습니다.

우리는 6가지 데이터 유형 간에 존재하는, 14,000개 이상의 통계적으로 유의미한 상관관계를 찾아냈습니다. 이러한 상관관계 중 많은 부분은 ‘권장 사항’, 즉 유전학을 활용해 보다 최적화된 식이 요령을 찾아내는 능력 같은 것들의 개인화 수준을 높였습니다. 아울러 추후 임상 시험을 통해 테스트할 수 있을 새로운 부분도 몇 가지 발견했습니다. 특정한 간 효소(감마-글루타밀 전이효소 또는 GGT)가 심혈관 대사 증후군(관상 동맥 심장 질환, 뇌졸중, 당뇨병의 위험을 높이는 대사 기능 장애 중 하나)의 여러 위험 요소와 관련이 있을 가능성, 높은 장내 미생물 다양성과 낮은 염증성 단백질 간의 상관성 등이 그 예시입니다.

또한 우리는 다유전자성(polygenic) 위험 점수(특정 질병과 관련된 수백 또는 수천 개의 누적된 단일 돌연변이 검사 결과)를 만들고 이 점수와 관련된 혈액 표지자의 변화를 관찰했습니다. 질병의 초기 지표가 될 수 있기 때문인데, 예를 들자면 염증성 장질환에 대한 다유전자 위험 점수가 높으면 혈액 내 아미노산 대사물질인 시스틴(cystine) 수치도 낮다는 것이 확인됐습니다. 또 방광암에 대한 다유전자 위험 점수가 높으면 카페인 대사물질 수치도 높았습니다.

앞으로의 연구는 이러한 바이오마커가 위험 인자를 가진 사람들의 질병 발병에 어떤 역할을 하는지 확인하는 방향, 곧 미래의 치료 혹은 예방 전략에 활용될 가능성이 있는 방향으 진행될 수 있었습니다. 하지만 보다 중요한 건 행동 코칭이 다양한 통합 바이오마커의 임상적 개선에 상당히 도움이 된다는 사실을 발견한 점입니다. 연구에 참여한 이들은 이 접근법에 굉장히 열성적이었습니다.

[해외DS] 데이터로 더 오래, 더 건강하게 살기 (2)로 이어집니다.


Human beings are complex. Unfortunately, our current approaches to health and medicine are based on simplistic models that fail to take into account the intricate relationships between body, mind, and our social and physical environments. Our health-care system rarely considers that humans are products of both nature and nurture and that our minds influence our bodies, and vice versa. We give short shrift to diversity in both ethnic and social backgrounds, even though it’s well known that both play a major role in health.

Worse, we generally don’t seek information about our health and well-being until we develop symptoms, by which time it may be too late to reverse the transition from wellness to disease.

More than a decade ago, a group of us at the Institute for Systems Biology in Seattle began to think about how the practice of medicine could focus more on wellness than disease. Rather than waiting until people get sick, what if we found ways of helping people stay healthy?

Part of what inspired this question was the tremendous amount of data becoming available through advances in technology, such as low-cost genetic sequencing. These tools emerged from “multiomics”, which collectively refers to new data-driven fields of inquiry into the body’s many biological constituents. The “omics” in the name comes from the common methods used to analyze four different types of constituents: proteins (proteomics), metabolites (metabolomics), genes (genomics) and gut bacteria (microbiomics).

Since then, we’ve developed these ideas and honed them through research with thousands of people. We’ve found that the copious “omic” data becoming available gives clinicians an opportunity not only to diagnose disease, but also to take the measure of an individual’s state of wellness. We are developing ways of using this data to identify early signs that things are going off track—in other words, when a person begins the transition from wellness to illness. And we are fashioning interventions that get them back on track before and during this disease transition, sometimes avoiding disease entirely.

These interventions need not be drastic or invasive. Even small changes to diet and exercise or targeted supplements could potentially head off obesity, diabetes, heart disease and other ailments before they have a chance to develop. The key is to intervene early, before the onset of disease. By informing these interventions with behavioral science, we’ve been able to deliver interventions that people actively incorporate into their daily lives, often with dramatic results.

We are now focused on filling the research gaps in our understanding of disease transitions and how to prevent them—what we have come to call “scientific wellness.” At the same time, we need to remove many practical roadblocks to realize a truly preventive and personalized approach to medicine. But nevertheless, our work has demonstrated unequivocally that this approach could vastly improve health-care outcomes compared with today’s disease-centric medicine. And because it is preventive, it could generate considerable cost savings.

THE PIONEER 100 PILOT

Our inquiry into scientific wellness began with a pilot study, called Pioneer 100. This project was initiated by Leroy Hood, a physician-scientist who brought me in to help create the clinical protocol and oversee the study. I had conducted academic research in obesity, diabetes and women’s health and had also had executive roles at health and wellness start-ups, and I was fascinated by the potential of big data combined with behavioral science. The questions we sought to answer in this study were oriented toward proving the concept of scientific wellness. We wanted to find out if people who believe they are well have actionable opportunities to optimize wellness or prevent disease. We also wanted to know if there is enhanced value in integrating different data types to quantify wellness. Could we identify novel discoveries with multiomic data, even with a small number of participants? And how would participants respond to a scientific wellness intervention?

We recruited 108 healthy volunteers to participate in a nine-month study seeking to both quantify and optimize wellness. The first thing we did was gather baseline data, which we would later use to develop action plans, perform scientific research and assess the program’s success. We collected data on a variety of health measures. Rather than rely on surveys of food intake, which are notoriously unreliable, we measured nutritional biomarkers—molecules in the blood that give a more accurate indication of what an individual is eating. (In general, in this study we relied on measurements of biomarkers, which could be made with precision, rather than self-reported disease or conditions.) We had the volunteers wear Fitbits that monitored their physical activity and sleep. We also took a variety of lifestyle and psychological assessments, which we shared with behavioral coaches, who helped the volunteers develop and implement personalized action plans to reduce risk factors. And we gathered multiomic data—we sequenced their genomes, sampled their gut bacteria, and measured their metabolites and proteins. This gave us a total of six types of data which we would be able to mine for novel insights: clinical, lifestyle, genomics, proteomics, metabolomics and gut microbiomics.

Once we had reviewed the baseline data, we drafted for each participant an individual lifestyle intervention plan, which included a range of actionable possibilities that would ameliorate or potentially reverse any risk factors for disease. For instance, someone with high cortisol would be supported in developing a daily stress management practice and given a series of exercises to identify and address their stressors. Or an individual who was 20 pounds overweight and had been trying unsuccessfully to lose weight on a low-carbohydrate diet would be educated in a dietary pattern that aligned with their weight-related genetic profile. In some cases, such as for people with low levels of vitamin D or omega-3 fatty acid levels, we would recommend a dietary supplement. Each participant then began a series of health coaching sessions with a registered dietitian, who provided behavioral and nutritional support. The blood markers, gut microbiome and lifestyle data were assessed every three months so we could determine the impact of the lifestyle coaching on wellness.

The results of the study were compelling. At baseline, all participants had multiple actionable possibilities. Some had out-of-range results on standard clinical tests, such as high cholesterol or glucose levels. Many had nutritional deficiencies, genetic risk factors for various conditions, or gut dysbiosis (an imbalance of gut microflora).

We found more than 14,000 statistically significant correlations between our six data types (see “Phenome Discoveries” on p. 26). Many of these correlations led to greater personalization of recommendations, such as the ability to use genetics to better optimize dietary tips. And several generated novel discoveries that could be subsequently tested in clinical trials. For example, we found that a certain liver enzyme (gamma-glutamyl transferase, or GGT) was associated with multiple risk factors for cardiometabolic syndrome, a group of metabolic dysfunctions that raise the risk of coronary heart disease, stroke, and diabetes. We also found that higher gut microbiome diversity was associated with lower inflammatory proteins.

We also created polygenic risk scores (which examine the cumulative total of hundreds or thousands of single mutations related to a particular disease) and observed alterations in blood markers associated with these scores that could be early indicators of disease. For example, we found that a high polygenic risk score for inflammatory bowel disease was associated with lower levels of cystine, an amino acid metabolite, in the blood, and that a high polygenic risk score for bladder cancer was associated with higher levels of a metabolite of caffeine. Future studies could be designed to examine the role of these biomarkers in development of disease in people who are at risk, potentially leading to future treatments or preventive strategies. More important, we found that behavioral coaching was effective in driving significant clinical improvements across various integrated biomarkers. Study participants were highly enthusiastic about this approach.

Similar Posts