한 환자를 위한 암 치료 운영체제: 개인맞춤 치료와 AI는 어디까지 왔나
이 사례를 “ChatGPT가 암을 치료했다”라고 요약하면 거의 모든 중요한 점을 놓치게 됩니다.
GitLab 공동창업자 Sid Sijbrandij가 만든 것은 AI 단독 치료법이 아닙니다. 한 환자의 종양을 가능한 한 많이 측정하고, AI와 전문가가 데이터를 해석하며, 실험실과 영상으로 가설을 검증하고, 허가된 약이 없으면 단일 환자 규제 경로를 통해 치료를 만들고, 결과를 다시 측정하는 개인맞춤 암 치료 운영체제에 가깝습니다.
그 결과는 분명 주목할 만합니다. 2024년 재발한 척추 골육종에 표준치료 선택지가 사실상 소진된 뒤, 종양에서 발견한 FAP 표적을 이용해 방사성리간드 치료를 받았습니다. 종양 조직의 60%가 괴사하고 크기가 20% 줄어 다시 수술할 수 있게 됐습니다. 2025년 4월 남은 종양을 절제한 뒤 2026년 8월 현재 1년 넘게 영상에서 질병의 증거가 없다고 보고했습니다.
그러나 이것은 한 사람의 사례입니다. 여러 실험적 치료가 겹쳤고 대조군도 없습니다. 어떤 치료가 얼마나 기여했는지 분리할 수 없으며, 현재 상태도 완치가 아니라 질병 증거 없음(NED, no evidence of disease)입니다.
이 긴장을 유지해야 이 사례의 진짜 의미가 보입니다. 성공담으로만 읽기에는 근거가 약하지만, 개인맞춤 치료의 미래를 구성하는 기술과 병목이 한 사람 안에서 실제로 연결된 드문 사례입니다.
핵심 판단
이 사례가 증명한 것은 AI가 암을 치료할 수 있다는 사실이 아닙니다. AI가 문헌·다중오믹스·코드 분석의 시간을 줄이고, 전문가와 실험을 연결하는 조정 계층으로 작동할 수 있다는 가능성입니다. 치료 효과의 최종 검증자는 여전히 영상, 병리, 혈액, 실험과 임상의입니다.
표준치료가 끝난 자리에서 시작된 실험
Sijbrandij는 2022년 11월 흉추에서 자라난 6cm 크기의 고등급 골육종 진단을 받았습니다. 골육종은 주로 소아·청소년의 긴 뼈에서 발생하기 때문에 성인의 척추 골육종은 특히 드뭅니다.
초기에는 종양과 척추 일부를 절제하고 척추를 고정한 뒤 방사선과 강도 높은 항암화학요법을 받았습니다. 공개 치료 기록에는 시스플라틴, 독소루비신, 이포스파마이드와 방사선치료가 포함됩니다. 항암치료가 매우 강해 네 차례 수혈이 필요했다고 회고했습니다.
이 시기에 한 가지 비표준 치료도 추가했습니다. Shasqi의 SQ3370은 종양 주변에 주입한 생체재료와 전신으로 투여한 독소루비신 전구약물이 몸 안에서 클릭화학 반응을 일으키게 하는 방식입니다. 항암제를 종양 위치에서 더 많이 활성화해 전신 독성을 줄이는 목적입니다. 임상시험이 이미 종료된 상황에서 담당 의사와 회사가 FDA에 단일 환자 IND를 신청해 투여했습니다.
FDA의 개인 환자 확대접근 제도는 중증·생명위협 질환에서 만족스러운 대안과 임상시험 기회가 없을 때 미승인 치료제에 접근할 수 있는 경로입니다. FDA가 안전성과 유효성을 승인했다는 뜻은 아니며, 잠재적 이익이 위험을 정당화한다고 판단할 때 제한적으로 치료를 허용하는 제도입니다.
표준치료와 SQ3370을 함께 받은 뒤 약 1년간 관해가 이어졌다고 그는 설명합니다. 하지만 2024년 종양이 국소 재발했습니다. 적합한 임상시험도 찾지 못했고, 담당 종양내과 의사도 근거를 갖고 권할 수 있는 표준치료가 더 없다고 말했습니다.
그때부터 접근법이 바뀌었습니다.
- 가능한 진단을 최대한 자주 수행합니다.
- 기존 약을 찾는 데 그치지 않고 개인맞춤 치료를 직접 준비합니다.
- 치료를 하나씩 직렬로 기다리지 않고 위험을 검토한 뒤 병렬로 시행합니다.
- 매번 영상·혈액·조직 데이터를 다시 측정해 다음 결정을 갱신합니다.
최대한 많이 측정한 것이 출발점이었습니다
이 접근의 첫 번째 축은 ‘최대 진단’(maximal diagnostics)입니다. 일반적인 진료에서는 검사 결과가 치료 결정을 바꿀 수 있을 때 검사를 시행합니다. 이 팀은 반대로 먼저 데이터를 최대한 모은 뒤, 그 안에서 실행 가능한 가설을 찾았습니다.
- 전장유전체·전장엑솜·벌크 RNA 시퀀싱
- 종양과 말초혈액의 단일세포 RNA·TCR 시퀀싱
- 공간전사체와 다중 병리 염색
- 종양세포로 만든 오가노이드의 약물 반응 시험
- 여러 회사의 혈액 기반 미세잔존질환(MRD) 검사
- FDG PET/CT와 FAP·B7-H3·EphA2 표적 PET
- 장기적인 면역세포·T세포 클론 추적
공개 데이터 사이트는 현재 약 25TB의 원시·가공 데이터를 안내합니다. The Cancer Letter 기고문은 전체 수집량을 30TB 이상으로 표현합니다. 네 차례 종양 시점의 WGS·WES·벌크 및 단일세포 RNA, 공간전사체, 병리영상, HLA 타입과 반복 혈액 데이터가 포함됩니다.
데이터 양보다 중요한 것은 시간축입니다. 2022년 최초 종양, 2024년 재발 조직, 2025년 치료 도중 조직, 2025년 수술 조직을 반복 측정했습니다. 한 장의 분자사진이 아니라 치료 전후에 종양과 면역계가 어떻게 변했는지를 추적한 것입니다.
개인맞춤 치료에서 상태는 한 번 확정되는 환자 프로필이 아닙니다. 종양은 치료 압력에 따라 달라지고 면역계도 변합니다. 따라서 진단 결과, 치료 이력, 부작용, 영상, 혈액 신호를 계속 갱신하는 종단적 환자 상태가 필요합니다.
FAP 발견에서 수술까지 이어진 결정 사슬
가장 명확한 성과는 FAP 표적을 치료로 연결한 과정입니다.
재발 종양의 벌크 RNA 분석에서 FAP(fibroblast activation protein) 발현이 높게 나타났습니다. FAP는 여러 고형암에서 암연관 섬유아세포에 많이 발현되는 단백질입니다. 이 사례에서는 단일세포 분석을 통해 주변 섬유아세포뿐 아니라 종양세포 자체에서도 FAP 발현을 확인했다고 보고했습니다.
분자 데이터만으로 치료하지는 않았습니다. 먼저 FAP에 결합하는 진단용 추적자를 사용한 PET에서 실제 종양 위치에 표적이 모이는지 확인했습니다. 그 뒤 독일 CURANOSTICUM에서 FAP 표적 분자에 방사성동위원소를 붙인 치료를 두 차례 받았습니다. 공개 타임라인에는 수술 전인 2025년 2월 177Lu-FAPi, 3월 225Ac-FAPi가 기록되어 있습니다.
치료 뒤 병리에서 종양의 60%가 괴사했고 크기는 20% 줄었습니다. 숫자만 보면 축소 폭이 작아 보이지만, 종양이 경막에서 떨어져 다시 절제할 수 있게 된 것이 임상적으로 더 중요했습니다. 2025년 4월 수술로 남은 종양을 제거했습니다.
이 과정은 개인맞춤 치료의 핵심 구조를 잘 보여줍니다.
RNA 발현 가설 → 단일세포에서 세포 위치 확인 → PET로 전신 결합 확인
→ 같은 표적에 치료용 방사선을 연결 → 병리와 수술 결과로 검증
진단과 치료에 같은 표적 분자를 사용하는 방식을 테라노스틱스(theranostics)라고 합니다. 약을 투여한 뒤 잘 맞기를 기대하는 것이 아니라, 먼저 표적이 환자의 몸 어디에 얼마나 존재하는지 영상으로 확인하고 같은 경로로 치료 물질을 보냅니다.
다만 이 결과를 FAP 치료 단독 효과라고 결론 내릴 수는 없습니다. 같은 시기에 이중 체크포인트 차단, NK세포 치료, IL-15 계열 면역조절, 종양용해 바이러스와 개인맞춤 펩타이드 백신 등이 병렬로 투여됐습니다. 연구팀은 FAP 치료가 면역억제성 종양미세환경을 바꾸고 기존 면역치료가 작동할 길을 열었을 가능성을 제시하지만, 이는 종단 데이터가 지지하는 기전 가설이지 인과관계가 확정된 결과가 아닙니다.
실제로 AI가 한 일
The Cancer Letter 글만 읽으면 AI는 미래의 확장 수단으로 짧게 등장합니다. 실제 사용 방식은 2026년 3월 OpenAI Forum 발표와 전사에 더 구체적으로 나옵니다.
초기 실험은 단순했습니다. 벌크 RNA 시퀀싱에서 나온 유전자별 발현량 CSV를 범용 언어모델에 넣고 의미 있는 패턴을 물었습니다. 모델은 B7-H3를 후보 표적으로 표시하고 일부 면역계 변화를 지적했습니다. 연구팀은 이를 단일세포 분석과 별도 전문가 분석으로 더 깊게 검토했습니다.
다음 단계에서는 범용 채팅을 넘어 에이전트형 생물정보학 하네스를 만들었습니다. 자연어로 질문하면 시스템이 다음 작업을 수행합니다.
- 관련 논문을 검색합니다.
- 가능한 생물학적 가설과 확인할 마커를 정합니다.
- 분석 계획과 Python 코드를 만듭니다.
- 환자의 단일세포 데이터에서 코드를 실행합니다.
- 인터랙티브 그래프와 요약 보고서를 만듭니다.
- 검색·추론·코드 실행 이력을 함께 남깁니다.
발표에서 소개한 예시는 항암치료 이후 발생할 수 있는 클론성 조혈(CHIP) 위험 조사였습니다. 시스템은 여러 시점에서 채취한 약 60만 개의 혈액 단일세포 데이터에 연결됐습니다. 약 30분 동안 문헌검색과 도구 호출을 수행하고 약 20달러의 API 비용으로 마커 선정, 코드, 그래프, 보고서를 만들었습니다.
중요한 부분은 그 다음입니다. 팀은 AI 결과를 그대로 믿지 않았습니다. 생물정보학자들이 후속 분석을 수행했고 해당 위험에 대한 우려를 해소했습니다. AI는 진단을 확정한 의사가 아니라, 비전문가가 전문가와 더 빨리 대화할 수 있도록 가설과 분석 초안을 만든 연구 보조자였습니다.
또 하나의 구분도 필요합니다. FAP 표적을 AI가 발견했다고 확인된 것은 아닙니다. 원문은 벌크 RNA와 단일세포 분석이 FAP를 찾았다고 설명하며, AI가 그 발견의 직접 주체였다고 명시하지 않습니다. AI의 기여가 구체적으로 공개된 사례는 B7-H3 후보 제시와 에이전트형 단일세포 분석입니다.
B7-H3 사례가 보여준 AI의 경계
B7-H3 사례는 AI가 잘한 일보다 AI만으로는 할 수 없는 일을 더 선명하게 보여줍니다.
범용 모델과 전사체 분석은 B7-H3를 유망한 표적으로 제안했습니다. 연구팀은 B7-H3를 겨냥하는 CAR-T 세포치료제를 재발 시 사용할 후보로 준비했습니다. 그러나 실제 투여 전에 B7-H3 표적 PET를 촬영하자 간에서도 예상보다 높은 신호가 나타났습니다. 발표에 따르면 이전 비교 대상보다 약 3.5배 높은 수준이었습니다.
만약 B7-H3 하나만 보고 공격하는 CAR-T를 투여하면 정상 간을 공격할 위험이 생깁니다. 그래서 팀은 종양에서 함께 발현되지만 간에서는 낮은 FAP를 두 번째 조건으로 추가하는 방식을 검토했습니다. B7-H3와 FAP가 동시에 있을 때만 활성화되는 AND 게이트형 CAR-T입니다. 이 치료는 투여된 것이 아니라 재발에 대비해 개발 중인 후보입니다.
이 한 장면에 AI 기반 개인맞춤 치료의 올바른 구조가 들어 있습니다.
AI는 가능한 표적을 빠르게 좁힐 수 있습니다. 하지만 그 표적이 정상 장기에도 발현되는지, 실제 단백질이 세포 표면에 존재하는지, 환자의 몸에서 치료제가 어디로 이동하는지는 언어모델이 알 수 없습니다. 영상, 병리, 세포 실험이 모델의 외부 검증기가 됩니다.
이것이 AI 신약개발의 경쟁이 분자 생성에서 생물학적 추론으로 이동하는 이유이기도 합니다. 좋은 후보를 만드는 것보다 잘못된 가설을 빨리 버리는 능력이 더 중요합니다.
개인맞춤 mRNA 백신은 결과가 아니라 다음 보험입니다
Sijbrandij 사례에는 두 종류의 개인맞춤 암백신이 등장합니다. 활성 종양이 있던 시기에 여러 차례 투여한 펩타이드 신생항원 백신과, 수술 후 재발 방지를 위해 새로 만든 mRNA 신생항원 백신입니다.
Houston Methodist는 종양의 돌연변이와 HLA 정보를 바탕으로 환자의 면역계가 알아볼 신생항원을 고르고, 이를 암호화한 mRNA 백신 후보들을 만들었습니다. 여러 설계를 합성해 사람 세포에서 먼저 시험한 뒤 최종 후보를 제조했습니다. 병원은 종양 시퀀싱부터 신생항원 선정과 제조까지 내부 절차를 4개월 안에 수행했다고 밝혔고, 팀은 최초 논의부터 첫 투여까지 약 6개월이 걸렸다고 설명했습니다.
첫 투여는 공개 타임라인상 2025년 12월이었습니다. 2026년 6월까지 용량을 올리며 일곱 차례 투여가 기록돼 있습니다. Houston Methodist 발표는 첫 투여 뒤 혈액에서 유망한 면역반응이 관찰됐고 내약성이 양호했다고 설명합니다.
그러나 이 백신이 현재의 NED 상태를 만들었다고 말할 수는 없습니다. 종양 축소와 수술은 2025년 4월에 끝났고 mRNA 백신은 그보다 8개월 뒤 시작했습니다. 이 백신은 이미 제거한 종양이 돌아오는 것을 막으려는 보조요법이며, 현재 공개된 것은 안전성과 면역반응의 초기 신호입니다. 재발 방지 효과는 더 긴 추적이 필요합니다.
개인맞춤 mRNA 백신이라는 방식 자체에는 다른 암종의 임상 근거가 쌓이고 있습니다. 절제된 고위험 흑색종의 무작위 2b상에서는 개인맞춤 mRNA 치료제와 펨브롤리주맙 병용이 펨브롤리주맙 단독보다 5년 무재발생존을 개선했습니다. 하지만 흑색종의 결과가 골육종 한 환자의 백신 효과를 대신 증명하지는 않습니다. 개인맞춤 암치료가 분석·제조·추적 공정으로 바뀌는 산업적 의미와 개별 환자의 임상효과는 별도로 판단해야 합니다.
확인된 성과와 확인되지 않은 인과관계
| 시도 | 관찰된 결과 | 해석의 한계 |
|---|---|---|
| 표준치료 + SQ3370 | 약 1년 관해 후 국소 재발 | SQ3370의 독립 기여도를 분리할 수 없음 |
| 최대 진단 | FAP, B7-H3, MDM2, PANX3 등 후보 표적과 면역 변화를 식별 | 후보가 실제 치료효과를 보장하지 않음 |
| FAP 표적 방사성리간드 2회 | 60% 괴사, 20% 축소, 재수술 가능 | 면역치료가 병렬로 진행돼 단독 인과 추정 불가 |
| 2025년 4월 재수술 | 남은 종양 절제 후 1년 이상 NED 보고 | NED는 완치가 아니며 재발 가능성이 남음 |
| 반복 MRD·영상 | 최근 종양정보 기반 일부 MRD와 영상에서 미검출 | 검사별 민감도·수치가 달라 음성이 암 부재를 보증하지 않음 |
| 개인맞춤 mRNA 백신 | 초기 면역반응과 양호한 내약성 보고 | 재발 방지 효과는 아직 미확인, 초기 NED의 원인이 아님 |
| AI 분석 하네스 | 문헌·가설·코드·단일세포 분석 시간을 크게 단축 | 임상결정 정확도나 생존 개선 효과를 검증한 연구가 아님 |
가장 강한 성과는 종양이 실제로 괴사·축소해 수술이 가능해졌고 이후 1년 넘게 NED가 유지됐다는 점입니다. 가장 약한 고리는 무엇이 그 결과를 만들었는지에 대한 인과 추정입니다.
병렬 치료는 환자의 선택지를 빠르게 늘리지만 과학적으로는 각 치료의 효과와 독성을 분해하기 어렵게 합니다. 종단 단일세포 분석으로 면역계와 종양미세환경 변화를 관찰할 수 있어도, 치료하지 않았을 경우의 반사실은 존재하지 않습니다. 데이터가 많아져도 대조군이 생기는 것은 아닙니다.
개인맞춤 치료에 주는 의미
1. 개인맞춤은 약 하나가 아니라 전체 공정입니다
정밀의료는 흔히 유전자 변이를 보고 맞는 약을 고르는 것으로 이해됩니다. 이 사례에서는 범위가 더 넓습니다. 조직 확보, 다중오믹스, 표적 검증, 약물 접근, 개인별 제조, 투여, 반복 감시가 모두 연결돼야 합니다.
개인맞춤 치료의 제품 단위는 알약이나 주사제가 아니라 환자별로 매번 다시 실행되는 파이프라인이 됩니다.
2. 조직형보다 실제 표적과 상태가 중요해집니다
FAP 치료는 골육종에 승인된 치료가 아니었습니다. 이 환자의 종양이 실제 FAP를 발현하고 PET에서 표적 결합이 확인됐기 때문에 다른 암에서 개발되던 방식을 가져왔습니다. 장기적으로는 “어느 장기의 암인가”와 함께 “지금 이 환자의 종양이 무엇을 발현하고 어떤 면역상태인가”가 치료 선택의 중심이 됩니다.
3. 치료 전에 몸 안의 분포를 확인하는 기술이 커집니다
B7-H3 사례처럼 종양 발현만 보면 좋은 표적도 정상 장기에 많이 존재하면 위험합니다. 진단용 추적자와 치료용 물질을 같은 표적에 연결하는 테라노스틱스, 공간전사체, 단일세포 분석이 개인맞춤 치료의 안전 게이트가 됩니다.
4. 제조와 규제가 진료의 일부가 됩니다
개인별 mRNA 백신과 TCR-T는 병원 약국에서 꺼내 쓰는 제품이 아닙니다. 종양을 읽고 표적을 고른 뒤 설계·합성·품질검사·IND·IRB 절차를 통과해야 합니다. 개인맞춤 mRNA 치료에서 제조가 핵심 해자가 되는 이유는 과학보다 운영의 문제에 가깝습니다.
5. 희귀암의 n=1 경험을 집단 지식으로 바꿀 수 있습니다
희귀암은 큰 무작위시험을 만들기 어렵습니다. 개별 환자의 원시데이터, 치료 과정, 실패와 결과가 공통 형식으로 축적되면 비슷한 분자 특성을 가진 다음 환자의 사전정보가 됩니다. 단 한 사례가 임상 근거를 대신할 수는 없지만, 후속 가설과 시험을 만드는 데이터 자산은 될 수 있습니다.
AI 기술 발전에 주는 의미
1. 범용 모델보다 하네스가 실제 가치를 만들었습니다
이 사례의 AI 시스템은 단순한 의료 챗봇이 아닙니다. 문헌검색, 마커 선정, 데이터베이스, Python 실행, 시각화, 결과 요약을 연결한 에이전트 하네스입니다. 모델이 생물학을 모두 알고 있어서가 아니라 필요한 도구와 환자 데이터에 접근하고 작업 이력을 남길 수 있었기 때문에 유용했습니다.
2. 환자 상태와 장기 메모리가 핵심입니다
한 번의 프롬프트로는 4년간의 종양 변화와 치료 이력을 다룰 수 없습니다. AI가 개인맞춤 치료에 쓰이려면 환자의 조직·혈액·영상·투약·부작용을 시간축으로 연결한 상태 저장소가 필요합니다. 모델보다 데이터 계보와 컨텍스트 관리가 먼저입니다.
3. AI는 전문가 처리량을 늘리는 기술입니다
60만 개 단일세포를 사람이 직접 읽을 수는 없습니다. AI는 질문을 분석 코드로 바꾸고 문헌과 그래프를 묶어 전문가 검토의 출발점을 앞당깁니다. 한 사람에게 여러 분야 전문가가 장시간 붙어야 했던 분석을 더 많은 환자에게 제공할 가능성이 생깁니다.
다만 전문지식 자체를 제거하지는 않습니다. AI가 만든 코드와 결과를 검토할 생물정보학자, 가설의 생물학적 타당성을 판단할 과학자, 위험을 책임질 의사가 필요합니다. 민주화되는 것은 최종 판단이 아니라 전문가에게 도달하기 전의 분석 준비 비용입니다.
4. 가장 중요한 평가기는 현실 세계에 있습니다
의료 AI의 벤치마크 점수가 높아도 환자에게 맞는 표적이라는 보장은 없습니다. 이 사례에서 중요한 평가기는 표적 PET, 병리, 단일세포 분석, 오가노이드, MRD와 장기 추적이었습니다. AI 연구의 다음 경쟁은 답변 품질뿐 아니라 이런 외부 평가기를 얼마나 정확하게 호출하고 결과를 다음 추론에 반영하는가에 있습니다.
5. 인과추론은 여전히 해결되지 않았습니다
LLM은 수많은 상관관계와 기전을 연결해 가설을 만들 수 있습니다. 그러나 병렬로 투여한 여러 치료 중 무엇이 결과를 만들었는지는 데이터가 많아도 자동으로 알아내지 못합니다. 개인맞춤 치료가 확장되려면 n=1 시계열, 오가노이드, 자연실험, 유사 환자 코호트와 베이지안 추론을 결합하는 인과평가 기술이 필요합니다.
이 사례를 일반화하면 안 되는 이유
첫째, 자원과 접근성이 극단적으로 높았습니다. 전담 건강관리 책임자, 의료·과학 자문단, 여러 병원과 연구실, 국제 이동, 개인맞춤 제조와 단일 환자 IND를 감당할 자본이 있었습니다. 현재 형태는 일반 환자가 실행할 수 있는 모델이 아닙니다.
둘째, 위험 선호가 매우 공격적이었습니다. 당사자도 치료 부작용으로 사망할 위험을 감수하겠다는 개인적 입장을 공개했습니다. 이는 다른 환자에게 권할 수 있는 보편적 기준이 아닙니다.
셋째, 검사가 많을수록 거짓 양성, 우연한 상관관계와 치료 과잉 위험도 커집니다. 실행 가능한 계획 없이 최대 진단을 적용하면 비용과 불안만 늘고, 근거가 약한 치료로 이어질 수 있습니다.
넷째, 공개 타임라인에는 암 치료 외에도 감염, 재수술, 장기적인 합병증 관리가 기록되어 있습니다. 어떤 합병증이 어떤 치료에서 비롯됐는지는 확인되지 않았지만, 개인맞춤·실험적 치료가 곧 저위험 치료라는 뜻은 아닙니다.
다섯째, 공개 데이터는 강력한 연구 자산인 동시에 매우 민감한 개인정보입니다. 이 사례는 당사자가 공개를 선택했지만, 이를 일반화하려면 동의 범위, 2차 활용, 재식별 위험, 철회권과 모델 학습 사용 규칙이 필요합니다.
확장하려면 무엇을 표준화해야 하는가
개인 영웅의 자원으로 만든 시스템을 의료 인프라로 바꾸려면 다음 층이 필요합니다.
- 환자 데이터 그래프: 서로 다른 병원·검사기관의 오믹스, 영상, 병리, 투약과 결과를 같은 시간축에 연결해야 합니다.
- 검증 가능한 AI 에이전트: 검색 출처, 분석 코드, 데이터 버전, 파라미터와 실패 이력을 재현할 수 있어야 합니다.
- 분자종양보드 인간 게이트: AI 후보를 의사·병리학자·생물정보학자·약리학자가 함께 검토하고 책임 주체를 명확히 해야 합니다.
- 물리적 평가기: 표적 PET, 오가노이드, 병리, MRD처럼 가설을 환자의 몸과 실험실에서 반증할 도구가 필요합니다.
- 모듈형 제조·규제 경로: 백신 서열이나 세포 수용체가 환자마다 바뀌어도 공통 제조공정과 품질 기준을 재사용해야 합니다.
- n=1 등록체계: 단일 사례를 성공담으로 끝내지 않고 같은 표적·치료·결과를 가진 환자들 사이에서 학습해야 합니다.
- 접근성 설계: 보험·병원 네트워크·원격 자문과 공공 데이터 인프라 없이는 AI가 격차를 줄이기보다 더 벌릴 수 있습니다.
한 환자의 성공에서 시스템의 가능성으로
Sijbrandij 사례의 가장 중요한 성과는 30TB의 데이터도, AI가 표시한 한 개의 유전자도 아닙니다. 데이터가 치료 결정으로 이어지고, 치료 결과가 다시 데이터가 되는 닫힌 루프가 실제 환자에게서 작동했다는 점입니다.
FAP 발현을 찾고 단일세포와 PET로 확인한 뒤 방사성리간드로 치료해 수술 가능성을 열었습니다. B7-H3는 유망한 표적으로 떠올랐지만 영상에서 간 위험이 드러나자 단일 표적 전략을 멈추고 이중 조건 세포치료로 설계를 바꿨습니다. mRNA 백신은 이미 제거한 종양의 재발을 막는 다음 방어선으로 제작됐습니다.
이 흐름에서 AI의 역할은 생명을 구하는 단일 답을 내는 것이 아닙니다. 수많은 문헌과 데이터 사이에서 다음에 확인할 질문을 만들고, 분석을 실행하며, 전문가와 실험의 대기시간을 줄이는 것입니다.
개인맞춤 치료의 미래는 모든 환자에게 거대한 모델 하나가 처방을 내리는 모습이 아닐 가능성이 큽니다. 환자마다 달라지는 상태를 읽고, 여러 AI와 분석 도구가 후보를 만들며, 물리적 검증과 인간의 책임 아래 치료를 설계하고, 결과를 다시 학습하는 시스템에 가깝습니다.
이 사례는 그 미래가 가능하다는 증명이라기보다, 그 미래를 만들기 위해 어떤 부품이 필요한지를 보여주는 가장 구체적인 프로토타입입니다.
이 글은 공개된 단일 환자 사례와 연구자료를 분석한 것이며 의료 조언이 아닙니다. 표준치료를 대체하거나 특정 실험적 치료를 권고하지 않습니다.
참고 자료
- Sid Sijbrandij, From “default dead” to living the future of cancer care, The Cancer Letter, 2026년 8월 14일
- Sid Sijbrandij 연구팀, Osteosarcoma Data Portal 및 공개 치료 타임라인
- OpenAI Forum, From Terminal to Turnaround: How GitLab’s Co-Founder Leveraged ChatGPT in His Cancer Fight, 2026년 3월 18일
- Houston Methodist, Houston Methodist develops first personalized mRNA cancer vaccine for osteosarcoma, 2026년 5월 13일
- FDA, Expanded Access Categories for Drugs 및 Project Facilitate
- ClinicalTrials.gov, NCT04106492: Phase 1/2a Study of SQ3370
- Narges Jokar et al., FAP-Targeted Theranostics in Advanced Sarcoma, Clinical Nuclear Medicine, 2026
- Luis A. Rojas et al., Personalized RNA neoantigen vaccines stimulate T cells in pancreatic cancer, Nature, 2023
- Adnan Khattak et al., Intismeran Autogene Plus Pembrolizumab Versus Pembrolizumab Alone in High-Risk Resected Melanoma, Journal of Clinical Oncology, 2026