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
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.
'Tissue engineering and wound healing' 카테고리의 다른 글
산소·젖산·ROS의 3중 대사 피드백 루프: 창상 재생의 숨은 시간동역학 (0) | 2025.10.10 |
---|---|
HIF-1α와 젖산 신호축(Lactate Signaling Axis)이 창상 혈관신생을 조절하는 기전 (0) | 2025.10.09 |
대사 리프로그래밍(Metabolic Reprogramming)이 상처 재생에 미치는 영향 (0) | 2025.10.09 |
면역세포–섬유아세포 Crosstalk의 실시간 추적 (0) | 2025.10.08 |
미생물군집(마이크로바이옴) 조절을 통한 창상 감염 억제 전략 (0) | 2025.10.08 |
AI 기반 항균제 설계와 신약 발굴 – 내성균 시대의 해법 (0) | 2025.10.07 |
상처 감염의 주요 원인균과 항생제 내성 문제 (0) | 2025.10.07 |
자연 유래 폴리머(실크피브로인, 키토산)의 창상 치유 응용 (0) | 2025.10.07 |