본 연구는 발효 유제품 기반 기능성 제형인 낙타유(CM), 대조군 요거트(YC), 캐롭 첨가 요거트(YPC, YSC)가 인간 대장 선암 HCT-8 세포에 미치는 생물학적 활성을 평가했습니다. 세포를 10, 25, 50 µg/mL 농도로 24시간 노출시킨 후, 대사 활성, 세포 내 활성산소종(ROS), 자가포식 활성, 세포 이동을 분석했습니다.
모든 제형은 농도 의존적으로 대사 활성을 감소시켰으나, 처리군 간 유의미한 차이는 없었습니다. 50 µg/mL 농도에서 캐롭 첨가 요거트는 ROS를 강하게 증가시키고 자가포식 관련 소포의 초기 및 지속적인 축적을 유도하여 산화환원 민감성 스트레스 신호가 강화됨을 시사했습니다.
반면, 낙타유와 비첨가 요거트는 세포 이동을 효과적으로 억제했으며, 캐롭 첨가 샘플은 부분적인 상처 봉합을 허용했습니다. 이러한 결과는 첨가 및 발효 과정이 서로 다른 세포 경로를 조절함을 보여줍니다. 캐롭은 주로 산화 스트레스-자가포식 반응에 영향을 미치고, 비첨가 요거트는 이동 관련 과정에 더 강한 영향을 미쳤습니다.
결론적으로, 낙타유 기반 요거트는 대장암 관련 세포 과정 조절 및 식단 관련 질병 예방에 잠재적으로 유용한 생리활성 물질을 전달하는 식품 매트릭스로서 중요한 의미를 가집니다.
대장암은 전 세계적으로 암 관련 사망의 주요 원인이며, 정확한 예후 모델 개발의 중요성이 커지고 있다. 기존 연구에서는 생존 예측 시 시간-대-사건(time-to-event) 데이터를 이진 변수로 변환하여 일반 분류 알고리즘을 적용하는 경우가 많았다. 이는 데이터의 시간적 특성과 중도 절단(censoring)을 무시하는 방법론적 한계를 내포한다.
본 연구는 이러한 관행의 문제점을 비판하고, 중도 절단을 적절히 처리하며 해석 가능한 생존 분석 전용 기계 학습 방법론의 필요성을 강조한다. 브라질 상파울루주 대장암 환자 데이터를 활용하여, 기존 분류 기반 XGBoost 모델 연구를 재검토하고, 랜덤 생존 산림(Random Survival Forests, RSF) 모델을 다양한 분할 규칙으로 적용하여 비교 분석했다.
예측 성능은 Harrell의 C-index와 Integrated Brier Score로 평가했으며, SHAP 값을 통해 모델의 해석 가능성을 분석했다. 연구 결과, RSF는 안정적인 성능을 보이며 임상적으로 유의미한 사망 예측 인자를 식별했다. 반면, 분류 모델은 특히 중도 절단 비율이 높을수록 생존 확률을 체계적으로 과소평가하는 경향을 보였으며, 이는 시뮬레이션 연구를 통해 재확인되었다.
이러한 발견은 중도 절단된 시간-대-사건 데이터 분석에 있어 생존 분석 전용 기계 학습 방법론의 중요성을 강조한다. 본 연구는 대장암 환자의 예후 예측 정확도를 높이고, 보다 신뢰할 수 있는 임상 의사결정을 지원하는 데 기여할 수 있다.
