본문 바로가기

Tissue engineering and wound healing

젖산–HIF-1α–VEGF 축의 AI 모델링을 통한 혈관신생 예측 시스템

AI Modeling of the Lactate–HIF-1α–VEGF Axis for Predicting Angiogenesis in Wound Microenvironments

“AI로 젖산–HIF-1α–VEGF 축을 모델링해 창상 내 혈관신생을 예측하는 시스템을 제안합니다.
대사·산소·혈관 신호를 통합한 차세대 재생의학 AI 접근법을 소개합니다.”

 

 

1. 대사 신호가 이끄는 혈관 형성의 숨은 코드

젖산–HIF-1α–VEGF 축의 AI 모델링을 통한 혈관신생 예측 시스템

창상 치유 과정에서 혈관신생(angiogenesis)은 산소 공급 회복과 조직 재생의 관문입니다.
저산소 환경(hypoxia)이 조성되면, 세포는 해당작용(glycolysis)을 통해 에너지를 확보하며 젖산(lactate)을 축적합니다.
이 젖산은 단순한 대사 부산물이 아니라,
HIF-1α (Hypoxia-Inducible Factor 1α) 경로를 안정화시켜 VEGF (Vascular Endothelial Growth Factor) 발현을

촉진하는 ‘대사 신호 메신저’ 역할을 수행합니다.

젖산 → HIF-1α 안정화 → VEGF 발현 → 신생혈관 형성
이 일련의 축이 창상 재생 속도를 결정하는 핵심 분자 경로입니다.

 

 

2. 젖산–HIF-1α–VEGF 축의 세포·분자 메커니즘

2-1. 젖산의 비대사적 신호 기능

젖산은 단순히 에너지 부산물이 아니라 신호전달 분자(signaling metabolite)로 작동합니다.

  • 젖산은 프로릴 하이드록실라아제(Prolyl Hydroxylase) 활성을 억제 → HIF-1α 분해 억제
  • 결과적으로 HIF-1α가 핵 내로 이동 → VEGF 유전자 전사 촉진

2-2. HIF-1α의 전사 네트워크

HIF-1α는 200여 개 이상의 유전자의 발현을 조절합니다.
특히, VEGF-A, PDGF-B, EPO 등 혈관생성 인자가 대표적입니다.
이 신호의 강도는 산소 농도, 젖산 축적 속도, ROS 수준의 비선형 조합에 따라 달라집니다.

2-3. VEGF의 미세환경적 확산 모델

VEGF는 분비된 뒤 ECM(세포외기질)을 따라 확산하며,
농도 구배(gradient)를 형성해 내피세포(endothelial cell)의 이동 방향을 결정합니다.
이 농도 구배를 정량적으로 예측하는 것이 AI 모델링의 핵심 과제입니다.

 

 

3. AI 기반 예측 시스템 설계

3-1. 입력 데이터 구성

AI 모델은 다음 생리 변수들을 입력으로 받습니다.

  • 포도당 농도 / 젖산 농도
  • 산소 농도 (O₂ partial pressure)
  • ROS (Reactive Oxygen Species) 지표
  • ECM 강성(stiffness) 및 pH
  • 시간 경과에 따른 VEGF 분비량

3-2. 모델 구조: Hybrid AI Framework

  • 생리학적 시뮬레이션(PDE 기반 모델) → 대사물질의 확산·소비 계산
  • 딥러닝 회귀모델(LSTM or Transformer) → 시공간 패턴 학습
  • Graph Neural Network (GNN) → 세포 간 신호 네트워크 예측

이 세 가지가 통합되어,
젖산–HIF–VEGF 축의 시공간적 신호 변화를 예측하고 혈관 신생율(angiogenic index)을 정량화합니다.

3-3. 학습 및 검증

  • 데이터: 단일세포 RNA-seq + 대사량 측정(LC-MS) + 영상 기반 혈관 신생 데이터
  • 검증: 실제 상처 조직의 혈관 밀도(angiogenic density)와 예측값 비교
  • 성능 평가: R², MAE, F1-score for angiogenic activity

 

4. 연구 응용: 예측에서 제어로

4-1. 혈관신생 최적화 시뮬레이터

AI 모델은 단순 예측을 넘어,
‘젖산 농도 조절’ 혹은 ‘국소 산소 공급’의 변화를 입력하면
VEGF 발현 곡선과 혈관 형성률 변화를 시뮬레이션할 수 있습니다.

4-2. 치료 전략 제안

  • 젖산 조절 드레싱: pH·젖산 농도를 일정 수준 유지
  • HIF 안정화제(roxadustat 등)의 국소 적용
  • AI 기반 혈류 회복 가이드: 혈관 형성 부위 자동 예측

 

5. 한계 및 향후 방향

  • HIF-1α와 VEGF는 다수의 상호조절 경로를 가지므로,
    단일 변수(젖산)에 의한 단순 인과모델은 한계가 있습니다.
  • 따라서, 차세대 모델은 다중 경로 통합형 (HIF–mTOR–AMPK–Notch 네트워크 포함)으로 확장되어야 합니다.

 

6. 결론: AI가 여는 ‘예측적 혈관생리학’의 시대

AI 모델링은 창상 혈관신생을 단순한 생물학적 현상에서 예측 가능하고 제어 가능한 시스템 수준 현상으로 승화시킵니다.
젖산–HIF–VEGF 축은 그 출발점이며, 향후 대사·기계역학·면역 신호까지 통합한 ‘디지털 창상 생리학(Digital Wound Physiology)’으로 발전할 것입니다. 지금까지 젖산–HIF-1α–VEGF 축의 AI 모델링을 통한 혈관신생 예측 시스템에 대해

살펴보았습니다.