바이오인

01 감염병 예측의 과거, 현재, 그리고 미래

Ⅰ 서론

2019년 12월 중국 우한시로부터 시작된 ‘원인불명 폐렴(Pneumonia of unknown cause)’은 이후 세계 각국 연구진들의 분석을 통해서 과거 사스(SARS, 중증급성호흡기증후군) 바이러스와 유사하지만 지금껏 보고된 바 없는 새로운 종류의 코로나바이러스인 것으로 밝혀졌으며, ‘코로나-19(COVID-19)’, ‘SARS-CoV-2’와 같은 이름으로 명명된 이후 1년이 다 되어가는 현재까지 우리의 생활에 막대한 영향력을 행사하며 위력을 과시하고 있다. 

이번 코로나-19와 같이 지금껏 겪어보지 못한 새로운 종류의 감염병이 출몰하게 되면, ‘이 바이러스가 대유행(pandemic)이 될 것인가?’라는 질문에 대한 답을 찾기 위해 고군분투한다. 즉, 자신의 존재가 파악되기 전에 최대한 많은 수를 감염시켜야 하는 바이러스와, 바이러스의 특성을 파악하여 더 이상의 전파를 신속하게 차단해야 하는 인간 간의 쫓고 쫓기는 정보전이 펼쳐지는 것이다.

사실 감염병과 인간과의 쫓고 쫓기는 싸움은 인류역사가 시작된 이래 지속적으로 이어져 오고 있는 현상이다. 14세기 유럽에서 수억 명의 목숨을 잃게 한 흑사병(독일명 : 페스트(Pest))의 경우 쥐를 숙주동물로 삼는 원인균인 페스트균(Yersinia pestis)이 쥐의 몸에 기생하는 벼룩을 통해서 인근 사람에게까지 전파되는 전형적인 곤충매개의 형태와 환자 자체의 객담 등을 통해서 전파되는 직접 전파의 두 가지 특성을 모두 가지고 있었으며, 일단 감염이 되면 병의 진행속도가 매우 빠르며 치사율도 50~90%에 달한 것으로 알려져 있다. 흑사병이 창궐했던 당시에는 최초 발생지로부터 인접 지역으로 질병을 전파시키는 주요 동력은 병원체에 감염된 쥐(숙주생물)나 감염된 사람이었는데, 이들은 도보를 통한 인근지역뿐만 아니라 국가 간 무역거래를 위한 상선이나 장거리 원정 전쟁 등을 통하여 광범위한 지역에 해당 감염병을 전파시켰다. 

다만, 현대의 감염병 전파양상과의 차이점이라면 원거리 전파의 경우, 이동하는데 지금보다는 더 많은 시간이 소요되었다는 점을 들 수 있겠다.

미국의 존스 홉킨스(Johns Hopkins) 대학교에 있는 시스템 과학 및 공학 센터(CSSE, Center for Systems Science and Engineering)에서는 2020년 1월 22일에, 전 세계의 모든 확인된 코로나-19 확진자 및 회복･사망자 현황을 위치정보와 함께 온라인상에서 제공하기 시작하였다. 위의 그림에서도 확인할 수 있듯이, 이번 코로나-19의 경우 과거 흑사병의 사례와 비교해 볼 때 바이러스의 전파 속도와 범위가 매우 빠르고 넓은 것을 알 수 있는데, 주된 이유로는 항공기 여행객을 통한 국가 간 교류의 증가와 자가용, 고속철도 등을 통한 국가 내에서의 이동반경 확대, 그리고 급속한 도시화 등을 꼽을 수 있다. 바이러스가 인간이 개발한 다양한 교통수단들을 통해서 최초 진원지로부터 전 세계로 빠른 속도로 전파된다는 점은 흡사 인체 내에서 증식 시 인간세포 내 소기관들을 활용해서 빠른 속도로 자기복제를 하는 과정과 닮아 보인다. 

바이러스는 스스로 가지지 못한 것들을 주변으로부터 찾아서 끊임없이 생존을 위한 돌파구를 찾고 있다. 융합연구리뷰에서는 이처럼 문명의 발달과 더불어 점점 더 진화해 온 바이러스와의 정보전을 승리로 이끌기 위해서 과거의 기술들로부터 현대의 인공지능 기법까지 다양한 예측기술들에 대하여 알기 쉽게 설명하고자 한다.

Ⅱ 감염병 예측을 위한 기계학습과 데이터 마이닝

지난 2016년, 이세돌 9단이 알파고와의 바둑 대결에서 4대 1로 패배한 것은 바둑계뿐만 아니라 전 세계적으로도 많은 사람을 충격에 빠뜨렸다. 이 사건을 계기로 기계학습을 별도로 공부하지 않은 사람에게도 ‘딥러닝’이나 ‘기계학습’과 같은 키워드가 더는 이질적인 단어가 아닌, 어디에선가 가끔은 들리는 꽤 친숙한 단어가 되었다. 그럼에도 불구하고 기계학습이라는 단어는 여전히 이상한 구석이 있다. 기계에는 동물의 뇌와 같이 사고를 할 수 있는 기관이 있는 것도 아닌데 어떻게 학습이라는 단어를 붙일 수 있는 것인지, 기계가 하는 학습이라는 것이 도대체 어떤 것을 이야기하는 것일까?

알파고가 바둑으로 인간을 정복하기 이전에 컴퓨터가 인간과 체스로 대결을 벌인 사건이 있었는데, 1997년 당시 체스 세계 챔피언 가리 카스파로프(Garry Kasparov)와 IBM사의 딥 블루(Deep Blue)가 맞대결을 펼쳤고, 이때 딥 블루가 2승 3무 1패라는 성적으로 인간을 상대로 승리를 거두었다(이는 제2국이었으며 제1국인 1996년에 이루어진 경기에서는 딥 블루가 패배하였음). 이처럼 과거부터 언젠가는 컴퓨터가 인간이 하는 일을 대신 할 수 있을 것이라는 기대 속에, 예전부터 인공지능과 관련된 도전들이 꾸준히 있었다. 인공지능에 대한 기대는 20세기에서 21세기로 넘어가던 무렵, 전 세계적으로 정보기술(IT, Information Technology) 붐이 일어 컴퓨터의 대중화가 이루어지며 더 커지게 되었다. 

이때부터 본격적으로 데이터 수집에 대한 중요성이 대두되어 체계적으로 데이터를 수집할 수 있는 방법들이 연구되었고 다양한 분야에서 데이터가 차곡차곡 쌓이기 시작했다.  불어 무어의 법칙(Moore's law)에 따라 컴퓨터의 성능까지 꾸준히 증가하여 인공지능에 관한 다양한 연구가 이루어질 수 있는 기반을 마련하였다. 본 챕터에서는 우선 기계학습을 간단히 소개하고, 21세기의 시작에서부터 지금까지 감염병 예측 연구의 흐름 변화와 감염병 예측에 기계학습 기법이 사용된 사례 몇 가지를 살펴보기로 한다.

1. 감염병 예측과 기계학습

 

우선, 기계학습에 대해 간단히 설명하자면, 기계학습은 인공지능의 하위 분야로, 수집한 데이터를 활용해서 예측 모델을 만들고, 이 예측 모델에 새로운 데이터를 입력하여 결과를 도출하는 것을 이야기한다. <식 1>과 같은 방정식을 예측 모델의 아주 간단한 예로 들 수 있다. 이런 예측 모델을 학습시키는 것은 <표 1>과 같은 예제 데이터가 있을 때 <그림 2>의 붉은색 선이 그려지도록 하는 모수(parameter) a와 b를 찾는 것을 뜻한다. 이 붉은색 선은 우리의 예측 모델<식 1>에 예제 데이터에 있는 각각의 x를 입력하여 계산한 값과 그에 상응하는 y 간 오차 제곱들의 합을 최소화하는 모수 a와 b를 찾아 <식 1>에 적용한 결과이다. 

 

예제로 주어진 데이터 외에 새로운 데이터를 추가로 얻게 된다면 새로운 데이터를 포함하여 오차 제곱들의 합을 최소로 하는 새로운 모수들을 찾아내게 되는데, 이것이 마치 예측 모델이 새로운 데이터를 학습해서 성장하는 모습처럼 보인다. 이런 예측 모델을 조금 더 복잡하게 만든 다양한 모델 중 하나가 인공 신경망(Artificial Neural Network)이며, 인공 신경망을 겹겹이 쌓아 만든 예측 모델이 딥러닝 모델이다. 즉, 정리하자면 <그림 3>과 같이 인공지능의 여러 분야 중 하나가 기계학습이며, 기계학습을 하는 방법에는 인공 신경망이나 서포트 벡터 머신(SVM, Support Vector Machine)과 같은 다양한 모델이 존재한다. 다양한 분야에서 더 좋은 성능을 낼 수 있는 예측 모델을 만들기 위해 지금도 꾸준히 새로운 방법론들이 연구되고 있다.