.avif)
과학적 발견은 항상 양질의 깨끗한 데이터에 의존해 왔습니다. 잘못된 데이터는 재현 불가능한 결과와 문제 있는 해결책으로 이어지며, 결국 더 나은 데이터를 다시 확보해야 하는 상황을 초래합니다. 이제 AI 기반 예측 모델이 초기 신약 개발 워크플로에서 보편화됨에 따라, 전체 연구 워크플로 전반에 걸쳐 정확하고 일관된 데이터의 중요성은 그 어느 때보다 커졌습니다.
지저분한 데이터는 현대 신약 개발에서 여전히 해결하기 어려운 과제로 남아 있으며, 과학자들은 엔티티 명명법의 불일치를 해결하고, 일치하지 않는 데이터베이스 형식을 찾아내며, 오류를 수정하는 데 상당한 시간을 소비하고 있습니다. 기계는 모호함과 불일치를 해석하는 데 필요한 맥락적 이해가 부족하기 때문에 복잡한 데이터셋의 미묘한 차이를 처리하는 데 어려움을 겪습니다. 인간 과학자들은 기술이 충분히 해결할 수 없는 데이터 속에 숨겨진 문제를 식별하고 수정하는 작업을 자주 수행해야 합니다.
신약 개발 팀에게 지저분한 데이터는 연쇄 반응을 일으켜 연구자들이 잘못된 가정이나 불완전한 정보에 기반하여 실험을 설계하고 모델을 구축하게 함으로써 결국 귀중한 자원을 낭비하게 만듭니다. 바로 이 지점에서 데이터 클렌징과 데이터 조화라는 상호 보완적인 과정이 워크플로를 최적화하는 데 중추적인 역할을 하며, 각각은 서로 다르지만 상호 연결된 과제를 해결합니다.
- 데이터 클렌징: 전문가가 오류를 식별 및 수정하고, 누락된 값을 채우며, 관련 없는 정보를 제거하여 개별 데이터셋 내의 정확성과 신뢰성을 보장하는 과정
- 데이터 조화: 여러 소스의 정보를 인간이 통합하여 일관된 프레임워크로 표준화하고 통일함으로써 원활한 분석, 비교 가능성 및 협업을 가능하게 하는 과정
성공적인 클렌징과 조화의 핵심은 인간의 큐레이션에 있습니다.
데이터 클렌징, 그 중요한 첫걸음
과학자들은 데이터를 조화시키기 전에 먼저 클렌징해야 합니다. 데이터 입력, 계산 착오, 센서 오작동 또는 시스템 오류로 인해 발생하는 오류를 제거함으로써 과학자들은 조화에 필요한 데이터 기반을 구축할 수 있습니다. 적절하게 클렌징된 데이터를 활용하는 팀은 다음과 같은 이점을 얻습니다:
- 정확도 향상, 이 데이터에서 도출된 결과가 신뢰할 수 있고 재현 가능함을 보장하여 고품질의 신약 후보 물질을 확보합니다.
- 효율성 증대, 오류로 인한 문제 해결 및 분석 재실행에 소요되는 시간을 단축합니다.
- 협업 강화, 데이터셋 간의 불일치를 제거하여 팀, 기관 및 산업 간의 더 나은 협력을 촉진합니다.
- 예측력 개선, 클렌징된 데이터를 활용하여 약물-표적 상호작용, 질병 관계 등을 정확하게 예측할 수 있는 예측 모델의 기반을 구축합니다.
적절한 데이터 클렌징 없는 조화는 모래 위에 집을 짓는 것과 같아서 취약하고 지속 가능하지 않습니다. 과학자들은 데이터를 클렌징함으로써 가장 관련성 높고 신뢰할 수 있는 정보만이 후속 프로세스에 통합되도록 보장하며, 연구 환경에 대한 정확한 시각과 견고한 데이터 기반을 제공합니다.
성공적인 데이터 조화를 위한 구조적 접근 방식
데이터 조화(그림 1)는 권위 있는 구성 요소(authority constructs)와 명명 표준을 확립하는 것에서 시작됩니다. 예를 들어, 이러한 세심한 작업은 신약 개발을 위해 단백질과 같은 엔티티가 모든 소스와 데이터셋에서 동일하게 명명되고 분류되도록 보장하여 표적 식별을 가능하게 합니다.
조화의 다음 단계는 물질 연결(substance linking)로, 과학자들이 서로 다른 데이터셋이나 데이터베이스에서 동일한 화학 물질에 대한 참조를 식별하고 연결하는 과정입니다. 이 과정은 서로 다른 물질 표현, 동의어 및 식별자를 하나의 일관된 엔티티로 통합합니다. 이 노력은 소스마다 다른 관례로 인해 동일한 화합물이 다르게 설명되는 경우가 많은 약리학 및 신약 개발 분야에서 필수적입니다.
조화 프로세스의 후반부에서 데이터 과학자들은 정확하게 일치하거나 관련된 문서를 식별하고 관리하여 데이터 중복을 방지하고 가장 관련성 높은 정보만 유지되도록 합니다. 마지막 단계는 데이터셋 전반에 걸쳐 데이터 정의의 일관성을 보장하는 데 중점을 두며, 이는 여러 소스의 데이터로 구축된 응집력 있는 기반을 만드는 데 필수적입니다.
신약 개발 팀은 전문가가 직접 큐레이션하는 데이터 통합 워크플로를 도입하여 복잡한 데이터 환경을 효과적으로 관리할 수 있습니다. 이를 통해 고급 분석 및 예측 모델링에 최적화된 신뢰할 수 있는 데이터셋을 확보하게 됩니다. 이러한 체계적인 접근 방식은 오류를 최소화하고, 모든 후속 연구가 탄탄하고 정제된 데이터 기반 위에서 수행되도록 보장합니다.
통합된 데이터는 예측 모델의 정확도를 향상시킵니다
데이터 통합의 가장 실질적인 이점 중 하나는 예측 모델에 미치는 영향입니다. 예측 정확도에 미치는 긍정적인 효과를 입증하기 위해 CAS 과학자들은 새로 통합된 데이터셋을 사용하여 리간드-표적 쌍의 활성을 예측하는 기존 앙상블 모델을 재학습시켰습니다.
재학습된 모델은 상당한 정확도 향상을 보였으며, 예측 결과와 실험 결과 간의 표준 편차를 23% 줄이고 리간드-표적 상호작용 예측의 불일치를 56% 감소시켰습니다(그림 2). 과학자들은 표적 명칭을 표준화하고 물질 연결성을 개선함으로써, 물질과 표적 간의 관계를 더욱 일관되고 정확하게 설명할 수 있도록 데이터를 고도화했습니다.
이러한 예측 모델링은 모델 성능을 개선하는 데 있어 인간의 데이터 통합 작업이 필수적임을 보여줍니다. 스크리닝 초기 단계에서 가장 유망한 후보 물질에 집중함으로써, 연구 팀은 히트-투-리드(hit-to-lead) 단계를 더 빠르게 통과하고 개발 및 임상 시험으로 신속하게 전환할 수 있습니다.
통합된 데이터는 고급 분석을 가속화합니다
데이터 통합은 예측 모델뿐만 아니라 지식 그래프 및 상호작용 네트워크와 같은 고급 분석 도구를 최적화하여 혁신적인 신약 개발 워크플로를 촉진합니다(그림 3). 이러한 도구는 연구자들이 표적, 물질, 생물학적 경로 간의 관계를 탐색하여 질병 연관성을 파악하고 새로운 치료법을 발견하도록 돕습니다.
전문가가 큐레이션한 통합 데이터 기반을 통해 과학자들은 유전자 발현, 단백질 상호작용, 대사 경로 등 다양한 생물학적 수준에 걸친 복잡한 상호작용을 추적할 수 있으며, 이는 파편화된 데이터 소스로는 파악하기 어려운 통찰력을 제공합니다. 이러한 접근 방식은 신약 개발의 정밀도를 높이고, 기존 화합물과 새로운 치료 표적 간의 숨겨진 연결 고리를 밝혀내어 잠재적인 약물 재창출 기회를 더 빠르게 식별하도록 돕습니다.
인간의 큐레이션은 혁신의 토대입니다
맥락적 뉘앙스를 파악하는 능력이 없는 기계는 생물학적 데이터셋에 내재된 모호함과 불일치를 적절히 처리하는 데 어려움을 겪습니다. 숙련된 전문가는 미묘한 차이를 인식하고 오류를 해결하며 데이터를 조정함으로써 자동화 시스템이 할 수 없는 방식으로 정확성과 관련성을 보장하는 중요한 역할을 합니다. 이 과정은 과학 연구를 수행하는 연구자와 관련 서비스를 제공하는 조직에 매우 중요합니다. 예를 들어, 수백 명의 CAS 과학자들이 CAS Content Collection™을 구축하는 데 사용되는 데이터를 정제, 통합 및 큐레이션합니다. 이는 인간이 큐레이션한 세계 최대 규모의 과학 지식 컬렉션입니다.
이러한 노력은 후속 분석의 신뢰성을 높이고 잠재적인 약물 표적과 효과적인 질병 치료법 발견을 가속화하는 성과로 이어집니다.
예측 모델 및 네트워크 다이어그램과 같은 고급 도구에 적용될 때, 전문가가 큐레이션한 통합 데이터는 생명 과학 분야를 넘어 혁신을 주도합니다. 조직이 연구 과정에서 데이터 정제를 지속적으로 우선순위에 둠으로써 연구 결과의 품질을 보장하고 혁신을 앞당길 수 있습니다.
