Genomics of Drug Sensitivity in Cancer (GDSC): 항암제에 대한 암세포주 반응 Database

종양학 (Oncology)에서의 정밀 의료암세포의 돌연변이 프로필 (Mutational Profile)에 대한 정보를 얻고, 이를 바탕으로 항암제 또는 기타 약물의 효과를 예측해서, 환자에게 최적의 치료 효과를 낼 수 있는 치료를 하는 것이 목적입니다. 하지만, 종양 세포가 가지고 있는 복잡하고 다양한 돌연변이로 인해서, 특정 바이오 마커를 이용하여 실제 임상 현장에서 약물의 치료 효과를 예측하고 활용하는데에는 많은 한계가 존재합니다. 특히, 이를 위해서는 실제로 약물의 효과를 예측하는 효과적인 바이오마커가 발굴되어야 하는데, 이러한 작업은 다양한 변수들로 인해서 쉽지가 않습니다. 오늘 포스팅할 내용은 이러한 노력의 연장선에서,  약  1000여개의 확립된 인간 암세포주들에 대해 500여개의 항암제로 처리하여 각각의 세포를 죽일 수 있는 농도 (IC50 values, 50%의 세포가 죽는 농도)를 스크리닝하고, 각각의 세포주가 가지고 있는 돌연변이 프로필에 대한 정보를 제공하고 있는 Database인 Genomics of Drug Sensitivity in Cancer (https://www.cancerrxgene.org/)에 대해서 소개하고자 합니다. 이러한 대규모 스크리닝과 통계적 접근을 통해서, 어떠한 돌연변이가 어떠한 약물에 효과가 있는지 또는 저항성을 보이는지에 대한 분석이 가능하고, 궁극적으로 약물 효과를 예측하는 바이오 마커를 찾아내는게 가능해지게 됩니다.

title

overview
GDSC Website (https://www.cancerrxgene.org/)에서는 다양한 암종의 Pathway를 타겟으로 하는 약물에 대한 암세포주의 스크리닝 결과를 제공하고 있습니다.

위의 사이트에 들어가면, 다양한 세포주 정보, 돌연변이 정보, 그리고 약물 스크리닝 결과를 항목별로 조회할 수 있으면, 해당 데이터도 다운로드가 가능합니다.

kras

위의 그림은 KRAS 돌연변이를 가지고 있는 세포주들에 대해서 통계적으로 유의미하게 효과가 있거나, 저항성을 나타내는 약물에 대한 Volcano plot을 보여주고 있습니다. 이러한 세포주 결과를 통해서, KRAS 돌연변이 암세포에 대해서는 효과를 나타내는 약물 (위 그림의 초록색)을 타겟 치료의 후보로 생각해 볼 수 있습니다.

scatter

또한 비슷하게, 개별 약물에 대해서 조회를 하면, 세포주 중에서 해당 돌연변이를 가지고 있는 세포주와 가지고 있지 않은 세포주의 반응을 통계적으로 분석하여 Scatter Plot으로 제공해주고 있기도 합니다. 위의 그림은 Ibrutinib에 대해서 KRAS 돌연변이를 가지고 있는 세포들이 더 높은 IC50를 가져서, 저항성이 높다는 것을 보여주고 있습니다.

현재 위와 같은 시도는 인간 유래의 확립된 세포주 (Human Cancer Cell Lines)들에 대해서 스크리닝이 진행되고 있습니다.  추후에는 궁극적으로는 환자 개개인의 암 세포 또는 종양 오가노이드 (Organoid)를 이용하여 비슷한 접근을 한 후에, 치료 효과를 판정하고, 이를 바탕으로 치료제를 선택하는 날이 올 것으로 기대되고 있습니다. 다만, 위의 방법은 약물에 의해 세포를 직접적으로 죽이는 효과이기 때문에 면역항암제와 같이 환자 체내에서 일어나는 면역 반응을 이용하는 치료제에 대해서는 효과를 보기 어렵다는 단점이 있습니다. 위의 GDSC 프로젝트에 대해서자세히 나와있는 논문들을 Reference에 남기며, 이번 포스팅은 마무리하도록 하겠습니다.

 

관련 포스팅 보기>

DNA 손상 복구 기전과 타겟 치료 항암제

[실험실 노트] Organoid의 기본 개념과 활용

면역 항암제, Immune checkpoint inhibitor의 원리 및 종류

동반 진단, Companion diagnostics란 무엇인가?

 


[References]

Yang, Wanjuan, et al. “Genomics of Drug Sensitivity in Cancer (GDSC): a resource for therapeutic biomarker discovery in cancer cells.” Nucleic acids research 41.D1 (2012): D955-D961.

Garnett, Mathew J., et al. “Systematic identification of genomic markers of drug sensitivity in cancer cells.” Nature 483.7391 (2012): 570-575.

Iorio, Francesco, et al. “A landscape of pharmacogenomic interactions in cancer.” Cell 166.3 (2016): 740-754.

광고

약물유전체 Annotation tool: PharmCAT

제가 있는 연구실의 주요 연구 테마는 약물 유전학인데, 저는 어쩌다 보니 운이 좋게도 암종 (Cancer), 선천성 희귀 유전 질환 (Rare Disease), 약물유전체 (Pharmacogenomics) 시퀀싱 데이터를 모두 분석할 기회가 있었습니다. 사실 이 3가지 분야는 유전체 기술을 통한 정밀 의료 실현을 위해 연구자들이 집중하고 있는 주요 카테고리인데, 공통점도 있지만 성격이 많이 다릅니다. 특히, Cancer, Rare Disease와 구분되는 Pharmacogenomics의 가장 큰 차이는 연구 집단이 환자가 아닌 정상 일반인이라는데 있습니다. 이 차이점은 Variant interpretation 접근 과정에서도 큰 차이를 보이는데, 1) 일반적으로 환자의 원인 변이를 찾을 때, Allele Frequency에 의한 variant filtering을 통해 rare variant를 찾는 것 뿐 아니라, 인구 집단에 따른 Common variant도 무시하기가 어렵고,  2) 약물 대사와 관련된 유전자의 발현은 다양한 요소에 영향을 받기 때문에, 한 두개의 유전형으로 기능을 평가한다는 것이 거의 불가능합니다.

이러한 유전체 정보를 통합적으로 활용하기 위해서, 다양한 변이에 기반한 약물 유전형을 annotation 하기 위한 도구가 개발되고 있는데, 이름하여 PharmCAT (Clinical Annotation Tool) 이라고 부르게 되었습니다. 일반적으로 시퀀싱 정보는 이전에 언급한 Annovar를 이용하여, Annotation을 진행하지만, 약물 유전학적 접근에서는 annovar의 annotation 정보로는 임상적인 활용까지 부족한 부분이 많은 것이 사실입니다. 그래서 이번 포스팅에서는 다른 유전체 정보와 구분되는 약물 유전체 정보의 특성과 PharmCAT의 개발 상황에 대해서 정리해보고자 합니다.

관련 포스팅 보기>

약물유전체학 연구 네트워크: PGRN

CPIC Guideline: 유전체 정보를 활용한 약물 처방에 관한 임상 근거 지침

약물 유전체 연구가 어려운 이유

Annovar: Population frequency, in-silico prediction tool 및 기타 database 활용

Haplotype 의미와 Linkage Disequilibrium (LD), Haplotype Phasing 검사 방법

 

다양한 약물 유전자의 변이와 조합, Haplotype status

CYP2C19

발생 과정에서 핵심적인 역할을 하는 유전자는 상대적으로 변이가 적습니다. 그에 비해 약물 유전자는 주변 환경과 식이 등의 영향을 받아서, 인종과 개별에 따라서 매우 다양한 변이를 가지고 있습니다. 대표적인 예로, 96%의 사람들이 중요한 약물 유전자들인 CPIC-Level A 유전자들에 최소 1개 이상의 변이를 가진 것으로 보고되고 있습니다. 이러한 변이의 수 뿐만 아니라, 배수체 (Haplotype, Diploid n = 2) 상태에 따라, 변이가 cis- 또는 trans- 위치인지에 따라서 다양한 조합이 존재하게 됩니다. 위의 그림은 이러한 변이의 종류와 조합에 따른 CYP2C19 유전자의 약물 유전형 상태를 나타내고 있습니다. 단순히 시퀀싱 데이터를 통해서, 개인의 약물 유전형을 추정하는 것이 쉽지 않은 이유입니다. 더불어 약물 유전자들의 경우에는 Star nomenclature를 통해서, 유전형을 표시하는데 시퀀싱 데이터에서 바로 Star allele (ex> *1A, *2B, *3 등등)로 읽어 들이기가 쉽지 않습니다.

약물 유전자 변이와 유전형에 대한 Star nomenclature 정보 보기>

https://www.pharmvar.org/

 

PharmCAT Project

PharmCAT

PharmCAT은 위와 같은 어려움을 극복하여, 시퀀싱 데이터를 통해 개인별 약물 유전형을 추정하고, 최종적으로는 그에 맞는 약물 처방 가이드 라인을 제공하여, 정밀 의료를 현실화 하려고 하는 프로젝트입니다. 일반적인 Annotation 과정 외에도 Haplotype 정보를 통합한 약물 유전형 추정 및, 이를 통합한 약물 처방 가이드 라인 제공이 합쳐진 Pipeline을 구축하는 것이 목표입니다. 현재는 아직 개발 단계의 테스트 버젼만 제공하고 있으나, 곧 어느 정도의 파이프 라인이 구축되지 않을까 생각됩니다. 다만, 아직까지는 약물 유전형에 따른 충분한 임상 정보와 가이드 라인이 구축되어 있지 않아서, 약물 유전체 연구가 더 활발하게 이루어져야 진정한 의미의 정밀 의료가 실현 될 수 있지 않을까 생각됩니다.

 


[References]

Sangkuhl, Katrin, et al. “Pharmacogenomics Clinical Annotation Tool (Pharm CAT).” Clinical Pharmacology & Therapeutics (2019).

Sangkuhl, Katrin, et al. “Pharmacogenomics Clinical Annotation Tool (Pharm CAT).” Clinical Pharmacology & Therapeutics 107.1 (2020): 203-210.

Kalman, Lisa V., et al. “Pharmacogenetic allele nomenclature: international workgroup recommendations for test result reporting.” Clinical Pharmacology & Therapeutics 99.2 (2016): 172-185.


PharmCAT Web-sources:

http://pharmcat.org/

https://www.pharmgkb.org/page/pharmcat

https://github.com/PharmGKB/PharmCAT

약물 유전체 연구가 어려운 이유

저는 작년 2월부터 1년 반정도의 기간을 약물유전체 연구를 하고 있습니다. 지도 교수님이신 이민구 교수님과 다양한 약물 반응에 대한 유전적 바이오 마커를 발굴하는 연구를 하고 있는데, 생각보다 쉽지가 않고, 좋은 결과가 나오지 않고 있습니다. 그에 비해 최근에 선천성 기형의 일종인 두개골 조기유합증이라는 희귀질환에 대해 성형외과 및 신경외과와 공동연구에도 참여하고 있는데, 많은 환자들의 유전적 원인들을 확인할 수 있었습니다. 유전적 소인과 형질 간에는 어떠한 연관이 있는 것일까요? 이번 글은 흔히 말하는 Common diseaseRare disease 의 차이와 더불어, 지난 1년반정도의 기간을 약물 유전체 연구를 하며 느낀 점들과 왜 약물 유전체 연구가 어려운지에 대해서 정리해보고자 합니다.

기본적으로 약물 유전체 연구는 크게 여러 사람들이 동일한 약물을 먹었을 때 혈중 유효 농도가 다양하게 나타나는 것에서, 어떤 유전적 차이가 이러한 약물 대사에 기인하는지부작용 발생 유무의 위험도를 예측할 수 있는 유전적 바이오마커가 있는지에 관심을 갖춰 연구되고 있습니다.

관련 포스팅 > 약물 유전학은 왜 정밀의료에서 중요한가?

slide_42

I. 약물 반응은 복합 형질 (Complex trait)이다 : 기본적으로 약물의 대사 과정에는 다양한 약물 효소가 관련합니다. 또한 약물이 흡수되어 배출되기까지의 대사 과정 (ADME) 또는 약동학 (Pharmacokinetics) 과정에는 다양한 요소들이 관여하기 때문에, 한 두가지 유전적 소인이 형질에 결정적 차이를 나타내기 어렵습니다. 복합 형질로 가장 많이 연구되는 질병 중 하나가 2형 당뇨병 (Type 2 Diabetes mellitus; T2DM)인데, 당뇨병 발생의 원인과 그 유전적 요인에 대해서 많은 연구가 진행되었지만 여전히 속 시원한 유전적 원인에 대해서는 알지 못하고 있습니다. 특히 이러한 복합 형질에서 발굴된 유전적 마커들은 형질의 차이에 기여하는 정도가 매우 작아서, 대부분의 효과 크기 (Effect size)가 매우 작습니다. 그래서 그나마 연구가 잘되고 결과가 잘 나오는 것은 효과 크기가 매우 큰 한 두가지의 유전적 인자가 약물의 부작용 발생 유무에 영향을 미치는 경우입니다.

II. 약물 반응의 측정 자체가 어렵다 : 체내 약물 대사능에 영향을 주는 유전적 인자를 확인하고자 하는 연구의 경우, 일단 환자에서 해당 약물 농도 측정 자체가 매우 어렵습니다. 현실적으로 환자들에게는 의사들이 체중이나 대사능 등을 고려하여 약을 처방하기 때문에 복용한 약물의 양도 간격도 전부 달라지게 되며, 약물 농도라는 것도 매우 변동성이 심하기 때문에 언제 채혈하였는지, 다른 약과 함께 복용하였는지 (drug-drug interaction), 음주 & 흡연 여부, 성별 등 다양한 요소에 영향을 받게 됩니다. 기본적으로 이러한 요소들에 대한 명확한 통제가 어렵고, 보정을 한다고 하더라도 그 측정 약물 농도가 명확하게 그 사람의 약물 대사능을 대변하지도 못합니다. 즉, 처음부터 얻어지는 정보 자체에 매우 큰 변동성이 있기 때문에 해당 데이터와 유전적 정보 간의 연관성을 찾으려고 해도, 그 영향이 명확하게 큰 경우가 아니면 연관성을 찾기가 매우 어렵습니다.

III. 약물 대사 경로에는 다양한 대체자가 존재한다. : 이 세상에는 정말로 다양한 약물이 존재합니다. 기본적으로 약물은 간에서 대사되어 신장을 통해 배설된다고 알려져 있습니다만, 약물 개별로 보면 어떤 약물이 정확하게 어떠한 효소에 의해 대사되어 어떠한 형태로 배설되는지, 명확하게 알려져 있는 약물은 그리 많지 않습니다. 희귀 질환의 경우에는 생명에 필수적인 역할을 하는 어떠한 유전자에 문제가 생겨서 바로 질환으로 나타나는 경우가 많습니다. 이는 해당 유전자가 만들어내는 단백질이 중요한 역할을 하고, 다른 유전자가 대신 기능을 해주지 못하기 때문입니다. 반면에 약물 유전자가 만들어내는 약물 효소의 종류는 워낙 다양해서 한 두가지 효소에 문제가 생긴다고 하더라도, 비슷한 다른 효소가 이러한 역할을 대신해주게 됩니다. 그리고 대사 경로 자체가 한가지 방향으로만 정해져 있는 것이 아니라, 어떠한 길이 막히면 다른 길로 돌아갈 수 있는 대체 경로가 존재하게 됩니다. 즉, 약물 대사능은 한가지 유전자와의 1:1 대응이 아니라, 다수의 효소들이 관여하여 복합적으로 나타나기 때문에 동시에 고려해야할 요소들이 많아지게 됩니다. 이를 유전학적으로 나타내보면 다음과 같습니다.

  • A number of isoforms (e.g. Cytochrome P450 family, GST family)
  • Many different transcription mode in a single gene: alternative splicing

 

IV. 연구 방법의 한계 : 유전적 바이오 마커 발굴의 연구 방법으로 많이 사용하고 있는 것이 SNP array chip 또는 NGS를 통한 시퀀싱입니다. SNP array는 주로 GWAS 연구에 사용하기 때문에 인구집단에 흔하게 존재하는 common variant 연구에 사용하고, NGS 시퀀싱은 유전자의 개별 변이까지 모두 확인하기 때문에 rare variant 발굴에 사용하게 됩니다. 그러나 두 연구 방법 모두 한계가 있습니다. 앞에서 언급한 것처럼 복합형질에서 common variant는 그 효과 크기에 대부분 매우 작기 때문에 GWAS 연구로는 새로운 마커의 발굴이 쉽지 않은 편입니다. 반면 Rare variant 발굴에 유리한 NGS 방법으로는 rare variant를 발굴하여도 그 변이의 해석이 쉽지 않고, 더불어 통계적으로 의미 있는 결과를 얻기 위해 필요한 n수가 매우 커서 현실적으로 연구가 어렵게 됩니다.

관련 포스팅 >

[유전자칩 비교] SNP array와 array CGH, 그리고 한국인칩

전장 유전체 연관 분석, GWAS란 무엇인가?

유전자 변이의 해석: 대용량 기능 검사의 필요성

위에서 언급한 여러가지 이유들로 인해, 약물 유전체 연구는 정말 어려운 분야인 것 같습니다. 하지만 다른 한편으로는 정밀의료 분야의 발전으로 가장 많은 사람들이 혜택을 볼 수 있는 분야도 약물과 관련된 분야이기 때문에, 그만큼 의미가 크다고 할 수 있겠습니다. 이러한 여러가지 어려운 점에도 불구하고, 열심히 노력하고 있는 연구자들이 함께 좋은 연구가 나올 수 있었으면 하는 바람입니다.

CPIC Guideline: 유전체 정보를 활용한 약물 처방에 관한 임상 근거 지침

지난 포스팅에서 약물 유전학이 왜 정밀 의료의 실현에 중요한지에 대해서 간단하게 포스팅했습니다. 오늘은 조금 더 구체적으로 약물 유전체 정보에 근거하여 실제 임상 진료 시 약물의 처방에 대한 지침을 제공하고 있는 CPIC (Clinical Pharmacogenetic Implementation Consortium) Guideline에 대해서 구체적으로 소개해 보고자 합니다.

지난 포스팅 보기 -> 약물 유전학은 왜 정밀의료에서 중요한가?

CPIC 홈페이지 방문하기 -> CPIC 홈페이지

CPIC 가이드 라인 및 중요도 구분

CPIC 가이드 라인은 약물과 관련 유전자 쌍 (Gene-Drug pair)에 대한 다양한 연구 결과들을 바탕으로, 실제 임상 적용에 대한 중요도를 Level로 구분하고 있습니다.  아래는 이러한 중요도를 평가하는 기준을 나타내주고 있습니다.

  • Is there prescribing actionability?
  • What is the severity of the clinical consequences (adverse effects, lack of response) if genetics are not used to inform prescribing?
  • Is the gene already subject to other CPIC guidelines?
  • Is there an available genetic test for that gene?
  • How commonly used are the affected drugs?
  • How common are the high-risk genetic variants?
  • Is there mention of genetic testing in drug labelling?
  • Are there pharmacogenetically-based prescribing recommendations from professional organizations or others?

즉, 실제 처방에 활용할 수 있는 용이성과 그 임상적 중요도를 바탕으로 하여, 아래 표와 같이 4가지 레벨 A, B, C, D로 구분하고 있습니다. CPIC 홈페이지는 작성일자 기준 352개의 약물-유전자 쌍에 대한 CPIC level을 제공하고 있는데, 이 중에서도 가장 중요도가 높은 A로 분류된 약물-유전자 쌍에 대해서는 실제 임상 가이드 라인이 출판되거나, 진행 되는 중입니다. 또한, CPIC 에서는 Level A 및 B로 구분된 약물-유전자 쌍에 대해서는 실제 유전형에 따라 다르게 약물을 처방하는 것이 효과적이라고 구분하고 있습니다.

cpic level
CPIC 가이드 라인은 약물과 관련 유전자 쌍에 대한 임상적 활용의 중요도에 따라 4가지 기준으로 구분하고, 중요도가 높은 A 및 B에 대해서는 실제 임상 진료 지침을 수립하고 있습니다.

CPIC 가이드 라인의 실제 적용 예

다음으로 CPIC 가이드 라인의 실제적인 예를 살펴 보도록 하겠습니다. 면역 억제제로 흔하게 사용하고 있는 Tacrolimus와 CYP3A5 유전자에 대한 지침을 살펴보겠습니다. CPIC은 우선적으로 CYP3A5 유전자에 대한 유전형을 검사하여, 실제 약물 대사 표현형을 3개의 단계로 구분하고, 각 표현형에 따라 서로 다른 약물 농도를 처방할 것을 권장하고 있습니다.

cpic level_00000
CYP3A5 유전형에 따른 표현형을 구분한 표. CYP3A5 유전형에 따라 약물을 얼마나 잘 대사하는지에 따라 표현형을 Extensive / Intermediate / Poor Metabolizer와 같이 구분합니다.
cpic level_00001
위의 CYP3A5 유전형에 따라 구분된 표현형에 따라, Extensive/Intermediate 그룹과 Poor Metabolizer 그룹에 속하는 환자의 권장 처방 용량이 달라집니다.

 

CPIC 가이드 라인의 한계 및 나아가야 할 방향

마지막으로 CPIC 가이드 라인의 한계 및 앞으로 정밀 의료의 측면에서 보완해야할 내용을 짚어보고 포스팅을 마치고자 합니다. 위의 실제 예를 살펴보면, 임상 지침이 상당히 간단(?)한 것을 볼 수 있습니다. 사실 이는 우리가 흔히 꿈꾸고 있는 정밀 의료의 모습과는 상당히 멀다는 것을 알 수 있습니다. 사실 지금도 이 분야에서 많은 연구자들이 노력하고 있지만, 저런 간단한 유전형에 따른 약물 처방 지침 조차도 현재까지는 19개의 약물 유전자 쌍에 대해서만 출판이 된 상태입니다. 즉 아직도 많은 약물 반응과 유전 정보와의 관계가 불명확하거나, 근거가 부족한 상태입니다. 또한 이러한 임상 지침은 흔한 변이에 근거하여 축적된 관찰에 근거하기 때문에, 매우 드문 변이 (Rare variant)를 갖는 환자에 대해서는 적절한 정보를 제공해 주지 못합니다. 또한 표현형의 구분이 3~4개의 카테고리로 매운 단순하기 때문에 같은 표현형 내에서도 여전히 많은 차이를 보이게 됩니다. 더 세밀한 구분과 관련 지침 수립이 필요한 부분입니다.

또한, 수많은 약물과 유전형과의 추가적인 연구와 덧붙여, 기존에 알려진 약물-유전형에 대한 가이드 라인도 여전히 문제가 많습니다. 위의 임상 지침은 미국을 기준으로 하고 있으나, 약물 반응은 인종별로도 차이가 크게 다르며, 따라서 위의 임상 근거 및 처방 용량이 한국인에서 그대로 적용될 것이라고는 말하기 어렵습니다. 따라서 엄밀한 의미의 정밀 의료를 위해서는 인종별 약물 반응에 대한, 각 지역별 근거도 함께 수립이 되어야 합니다. 한국인 맞춤 진료 지침이 필요한 이유입니다.

여기까지 살펴보면, 실제 유전 정보를 이용하여 약물 반응을 설명하는 것이 쉽지 않음을 깨닫게 됩니다. 이는 약물 반응이라는 형질 또는 표현형이 단순히 한 두가지 유전자의 조합으로만 쉽게 설명되지 않는 경우가 대부분이기 때문입니다. 그러나 동시에 여전히 많은 연구자들은 정밀 의료 실현을 위해 노력하고 있음을 알아야 할 것입니다.

약물유전체학 연구 네트워크: PGRN

오늘은 약물 유전학 분야에서 정밀 의료 실현을 위해 연구와 노력을 이어가고 있는 약물유전체학 연구 네트워크 (Pharmacogenomic Research Network; PGRN)에 대해서 소개하고자 합니다. 사실 이 연구 네트워크를 소개하는 이유에는 크게 2가지 이유가 있는데, 우선 제가 현재 약물 유전체학을 공부하기 때문이기도 하거니와 당장 정밀 의료의 실현을 위한 최전선에서 노력하고 연구하고 있는 사람들이기 때문입니다. 더불어, 아직 우리나라에서는 PGRN에 포함되어 연구를 하고 있는 연구자가 거의 없고, 정밀 의료 실현을 위한 약물 유전체학의 중요성에 대해서도 외국에 비해서 관심이 너무 적기에, 우리나라에서 많은 관심과 연구가 있기를 바래봅니다.

PGRN
[PGRN 홈페이지] 약물 유전체학 관련 연구를 하는 사람들이 서로 연구를 공유하고, 시너지를 일으켜 정밀의료의 실현을 위해서 노력하고 있습니다.
PGRN2_00000

PGRN의 identity를 잘 보여주는 문장이라 가져왔습니다. 약물의 치료 효과와 부작용과 관련된 유전적 차이 (genomic variation)를 연구하여 정밀 의료의 실현을 목표로 하는 연구자 네트워크라는 것을 알 수 있습니다. 한 가지 눈여겨 볼 점은 이 연구자 네트워크에 단순히 약물 유전체 전공자만 있는 것이 아니라, 다양한 전공의 연구자들을 포용하고 서로 연구에 시너지를 내고 있다는 점 입니다. 또한 연구자들 간의 활발한 교류를 위해서 구축된 네트워크가 서로 윈-윈 할 수 있는 매우 긍정적인 방향으로 진행 중이라 것도 부러운 점이 많습니다.

PGRN2

위에는 PGRN 주도로 진행되었던 또는 진행되고 있는 연구를 바탕으로 구축된 연구 Resource들입니다. 단순히 하나의 연구에서 끝나는 것이 아니라, 연구의 효용성을 극대화하고 실제로 적용하는데까지 필요한 모든 하나 하나의 세부 단계들을 생각하고 구축해가고 있다는 점이 정말로 부러운 점입니다. 사실 정밀 의료를 실현하기 위해서는 그 것을 뒷받침할 수 있는 연구 결과도 중요하지만, 연구 결과를 통해 도출한 지식들은 잘 엮고 실제 임상 환경이나 사회에 적용하기 까지도 많은 노력이 필요하게 되는데, PGRN의 연구자들은 이 점에도 많은 공을 들이고 있는 모습이 보입니다. 사실 세부적인 프로젝트 소개나 구성원, 약물 유전체 데이터 베이스 등 소개해야할 내용이 많지만, 이번 글은 간단히 PGRN을 소개하는 것에서 마무리하고자 합니다. 연구자들 부터 일반 대중까지 정밀 의료 실현을 위한 이해와 공감대가 형성되기를 바라며, 오늘 글은 이것으로 마치겠습니다.