김재경 (Google Scholar)
이메일 :
jaekkim@kaist.ac.kr
실험실 : https://www.ibs.re.kr/bimag/
Research LIST
수리과학과
의생명수학, 시스템즈 바이올로지, 계산생물학, 약동력학실험실 : https://www.ibs.re.kr/bimag/
연구내용
의생명수학 연구실의 연구 목표는 질병 진단 및 치료법 개발에 필요한 가상 실험 및 데이터 분석을 위한 방법론을 개발하는 것입니다. 첫째, 스마트워치와 같은 웨어러블 장치에서 측정된 생체 데이터를 바탕으로 수면질환을 최소화하는 맞춤형 수면 패턴을 제공 하고자 합니다. 둘째, 가상 시뮬레이션을 통해 신약 후보 물질의 효과를 예측하여 신약 개발을 돕고자 합니다. 셋째, 환자 빅데이터를 이용하여 정밀 진단 플랫폼을 개발하는 것에 관심이 있습니다.
- 수면 질환 디지털 치료제
- 신약 개발을 위한 가상 시뮬레이션
- 빅데이터 기반 정밀 진단
연구성과
□ 수면 질환 디지털 치료제
80%이상의 현대인은 불규칙한 수면 패턴을 동반하고 이는 다양한 수면 질환을 유발한다. 특히, 과도한 주간 졸음을 유발하는데, 이는 업무 수행 효율성을 감소시키고 업무 관련 부상의 위험을 증가시킨다. 주간 졸림증을 예방할 수 있는 교대 근무자의 수면패턴을 찾기 위해 오랫동안 연구가 진행되었으나 교대 근무자의 복잡한 수면 패턴으로 인해 전통적인 수면 연구 방식으로는 그 답을 찾을 수 없었다. 특히, 단순히 평균 수면 시간을 늘리는 것만으론 주간 졸림증을 예방할 수 없다. 우리는 교대 근무자들의 주간 졸림 정도와 웨어러블 장치를 이용해 측정한 수면 패턴의 복잡한 관계를 수리모델을 이용해 분석하였다. 즉, 수리모델을 이용해 개별 교대 근무자들의 일주기 리듬과 수면 압력을 시뮬레이션 함으로써 수면 패턴의 개인의 일주기 리듬과 일치할수록 평균 수면 시간은 비슷하더라도 주간 졸음이 감소한다는 것을 밝혔다. 이를 통해 주간 근무와 야간 근무 후 동일한 시간을 자는 것 보단 야간 근무 후에 짧게 자고 주간 근무 후에는 길게 자는 것이 주간졸림증을 완화시킬 수 있음을 밝혔다. 특히 본 연구에서 개발된 수리모델을 스마트 워치와 연동하면 개인 맞춤형 수면 패턴을 실시간으로 제공할 수 있다. 이를 바탕으로 교대 근무자들의 수면 질환을 치료하는 임상 실험이 현재 진행하고 있어 불규칙한 수면의 부작용을 최소화하는 디지털 치료제 (Digital Medicine)의 개발이 기대된다.
[그림 1 웨어러블 장치로 측정된 교대 근무자들의 수면 패턴 (좌상)을 수리모델 (우상)로 분석하여 높은 주간 졸림증
(High Daytime sleepiness)와 낮은 주간 졸림증 (Low Daytime sleepiness)를 유발하는 수면 패턴을 밝혀냄]
□ 신약개발을 위한 가상 실험
신약을 개발하기 위해 임상 시험 전 단계로 쥐 등의 동물을 대상으로 전임상 실험을 하게 된다. 이 과정에서 동물에서 보였던 효과가 사람에게선 보이지 않을 때가 종종 있고 사람마다 효과가 다르게 나타나기도 한다. 이러한 약효의 차이가 발생하는 원인을 찾지 못하면 신약 개발에 큰 걸림돌이 된다. 수면 장애는 맞춤형 치료 분야에서 개발이 가장 더딘 질병 중 하나이다. 쥐는 사람과 달리 수면시간이 반대인 야행성 동물이다 보니 수면시간을 조절할 수 있는 치료제가 실험쥐에게는 효과가 있어도 사람에게는 무효한 경우가 많았다. 하지만 그 원인이 알려지지 않아 신약 개발을 진행하던 글로벌 제약회사 Pfizer는 어려움에 처해있었다. 우리는 이러한 차이의 원인을 미분방정식을 이용한 가상실험과 실제 실험을 결합해 연구했고, 주행성인 사람은 야행성인 쥐에 비해 빛 노출 때문에 약효가 더 많이 반감되는 것이 원인임을 밝혔다. 이는 빛 노출 조절을 통해 그동안 사람에게 보이지 않던 약효가 발현되게 할 수 있음을 뜻한다. 수면 장애 치료 약물의 약효가 사람마다 큰 차이를 보이는 것도 신약 개발의 걸림돌이었다. 연구팀은 증상이 비슷해도 환자마다 약효 차이가 나타나는 원인을 밝히기 위해 수리 모델링을 이용한 가상환자를 이용했다. 이를 통해 약효가 달라지는 원인은 수면시간을 결정하는 핵심 역할을 하는 생체시계 단백질인 PER2의 발현량이 달라서임을 규명했다. [그림 2]
□ 빅데이터 기반 정밀 진단 방법
폐쇄성 수면 무호흡증(Obstructive sleep apnea; OSA)은 전체 인구 5% 이상에서 발견되는 가장 흔한 수면 질환 중 하나로, 수면 중 저산소증, 고이산화탄소 혈증, 수면 분절 등을 야기한다. OSA를 진단하기 위해서는 환자가 병원에서 수면을 취하며 수면 다원 검사(PSG)를 통해 수면과 관련된 다양한 정보를 측정한다. 하지만, 이러한 다양한 정보 중 OSA에 대한 진단은 무호흡 저호흡 지수 (apnea-hypopnea index, AHI)라는 단일 정보로만 이루어지고 있다. 이를 기반으로 치료법이 결정되는데 치료 성공률이 낮다. 우리는 기계학습을 이용해 OSA 환자들의 복잡한 PSG데이터를 분석하여 환자를 더 정밀 진단기법을 개발하였다. 이를 통해 합병증 위험도와 치료 성공률에 대한 예측 정확도를 높였다. [그림3]
[ 그림 2 ] [ 그림 3 ]