산화스트레스 위험을 진단하기 위한 예측 모델이 개발되어 관심이 주목되고 있다.

▲ 권오란 이화여자대학교 교수 - 한국연구재단 제공
권오란 이화여자대학교 교수와 Jildau Bouwman TNO(네덜란드 응용과학연구기구) 공동 연구팀은 '한국인의 산화스트레스 위험을 진단하기 위한 머신러닝 모델'을 개발 및 검증했다고 전했다.

우리 몸에서 노화는 지속적인 산화스트레스를 유발하여 만성 염증 상태로 이어질 수 있다. 적절하게 조절되지 않으면 대사증후군, 심혈관질환, 신경퇴행성 질환, 암, 식이 생활 습관 관련 만성 질환 장애를 일으킬 수 있다.

많은 연구에서 흡연, 노화, 지질 과산화산물인 말론디알데하이드(malon dealdehyde), 체질량지수(BMI)를 포함한 변수를 산화스트레스와 관련된 요인으로 확인했다. 그러나 진단환경에서의 반응은 단일 변수를 기반으로 할 수 없다. 복합 바이오마커는 프로세스와 상호작용을 설명하는 미묘한 변화를 이해하는 데 도움이 될 수 있다. 

또한 여러 변수 각각은 산화 스트레스의 종합적 결과에 중요한 역할을 할 수 있다.

이에 연구팀은 "다변수 매개 변수화에 의해 결정된, 건강 상태를 투영하는 건강 공간 개념을 사용하여 개인의 산화스트레스 상태를 정량화하는 방법을 증명하고자 했다"고 전했다.

빅데이터 분석과 인공지능의 발전은 많은 양의 코호트 데이터와 임상 관련 정보를 토대로 환자에게 적합한 의료정보를 제공하거나 진단 및 치료 오류를 줄여주는 데에 도움을 주고 있다.

그러나 기계학습 알고리즘을 적용하여 산화스트레스 관련 만성 질환의 위험을 사전에 줄이고 정밀영양을 제공하려는 연구는 거의 없는 실정이다.

코호트 데이터란 특정기간 동안 공통된 특성이나 경험을 갖는 사용자 집단의 데이터를 의미한다. 어떠한 원인이 어떠한 결과를 가져오는지를 연구하는 방법의 기초 자료로서, 시간적 개념을 포함하고 있다.

이번 연구에는 지난 2015년 4월부터 2018년 8월 사이에 건강검진을 위해 서울시 보라매병원에 내원한 2,454명의 데이터가 사용됐다. 

연구팀은 건강 공간 방법론을 기반으로 건강한 대조군과 산화성 질병사례를 선택함으로써 양 극단의 기준을 설정 한 뒤, 라쏘(LASSO) 및 엘라스틱넷(elasticnet) 회귀 방법과 10번의 교차 검증을 통해 산화 스트레스 상태를 식별하는 기계학습 알고리즘을 개발했다.

모델의 미세 조정을 위해 ▲나이 ▲BMI ▲식사의 질 ▲혈액지표 등과 같은 16가지 변수를 종합적으로 고려해 사용자의 산화스트레스의 위험 정도를 정량화할 수 있고 예측하는 모델을 개발하는데 성공했다.

▲ 산화스트레스 예측 모델 개념도 - 한국연구재단 제공

연구팀은 "알고리즘을 통해 산화스트레스 위험을 개인별로 계층화할 수 있으며, 식이 및 생활습관 관련 만성 질환을 사전적으로 예방할 수 있는 건강관련 정보를 제공할 수 있다"고 설명했다.

관계자는 "이번 연구는 식습관, 신체활동, 음주, 흡연 등 생활 요인에 근거한 맞춤형 영양 서비스 기술 제공의 토대를 마련했다는 것에 의의가 있다"고 전했다.

페이스북  트위터  카카오톡

독자 의견남기기

독자의견쓰기   운영원칙보기

(0/500자)

        

등록
댓글 0   숨기기
독자의견(댓글)을 달아주세요.