사람을 살리는 AI — 정밀 의료(비전)

도입

저는 의료 전문가가 아닙니다. 그래서 이 장을 쓰는 내내 조심스러웠습니다. 사람의 몸을, 사람의 죽고 사는 일을 다루는 영역에서 함부로 "할 수 있다"고 말하는 것만큼 무책임한 일도 없으니까요.

다만 저는 한 가지를 압니다. 의료의 본질은 불확실성 속에서 내리는 결정이라는 것. 환자의 몸이 내놓는 신호 — 생검, 영상, 혈액 수치, 유전 정보 — 를 읽고 "지금 이 사람에게 정확히 무엇이 필요한가"를 고르는 일. 이것은 데이터의 문제이기 전에 판단의 문제입니다. 그리고 판단은, 우리가 이 책 내내 이야기해 온 티옴타음(TiOmTaEm) 4상균형3진이 가장 정직하게 일하는 자리입니다.

아는 것(티), 모르는 것(옴), 그리고 잘못 알고 있는지조차 모르는 것(음). 의료만큼 이 세 갈래가 생사로 갈리는 분야는 드뭅니다.

이 장은 그래서 "비전"입니다. 크라우니는 아직 환자를 진단하지 않습니다. 우리에게는 병원 정보시스템도, 임상시험 관리 도구도, 신약 파이프라인도 없습니다. 그러나 우리가 가진 것 — 4상균형 의사결정 엔진, 한선씨 스택, ISA729 벡터 아키텍처 — 을 이 도메인에 적용했을 때 무엇이 가능한지, 그 청사진을 엔지니어의 언어로, 검증 가능한 스펙으로 펼쳐 보이려 합니다. 먼 꿈이 아니라, 다음 단계에서 손에 잡히는 일로서.

함께 그 설계도를 들여다봅시다.

---

1. 정밀 의료의 현재 지형 (2026 상반기)

1.1 기술 진전: 단백질·유전체 도약, 임상은 아직

정밀의료(Precision Medicine)는 2026년 인류가 가장 많은 자원을 쏟은 AI 과제의 정점이다. 개인의 유전체, 단백질 프로필, 환경 요인을 종합해 질병을 예방하고 치료하는 길. AlphaFold 계보의 단백질 구조예측, Evo 2 같은 유전체 파운데이션 모델, 신약 AI 개발 플랫폼이 임상 시험대에 오른 2024~2025년을 거쳐, 2026년은 이른바 "과대광고 검증기"에 진입했다. 첫 AI 발원 신약 승인까지는 아직 2~3년이 남았다.

단백질 구조 & 설계 (AlphaFold 세대)

• Isomorphic Labs IsoDDE(Drug Design Engine, 2026.02): AI 약물 설계의 난제인 단백질-리간드 구조예측에서 정확도 50%(기존 AlphaFold 3 대비 2배 이상). 종양·면역·심혈관 17개 프로그램을 가동하며, 첫 AI 설계 항암제의 2026년 말 임상 1상 진입을 목표로 한다. Series B 21억 달러(누적 약 26억).
• EvolutionaryScale ESM3(Science 2025.01): 시퀀스·구조·기능의 멀티모달 학습. 생성된 esmGFP는 기존 형광단백질 대비 58% 동일성만으로도 기능을 보존했다 — "5억 년 진화에 상당하는 단백질을 AI로 새로 빚어내다".
• RFdiffusion 계열(RFD3): 리간드·핵산·비단백질 원자를 맥락에 넣어 전원자(全原子) 생물분자 상호작용을 설계.

유전체 파운데이션 모델

• Arc Institute Evo 2(2026.03): 128,000개 이상의 게놈, 9.3조 뉴클레오타이드를 학습한 오픈소스 모델. BRCA1 변이 분류 정확도 90% 이상, 질병원인 변이 식별과 합성게놈 설계가 가능하다. 핵심은 인간 DNA의 98%를 차지하는 비코딩(조절) 영역까지 학습했다는 점 — 기존 단백질 언어모델의 범위를 넘어선다.

신약 파이프라인의 폭발, 그러나

• AI 발원 신약의 진입 속도: 2016년 3개 → 2023년 67개 → 2026년 초 200개 이상. 2026년 중 15~20개가 허가용(pivotal) 임상시험에 진입할 전망이다.
• 그러나 승인은 0건이다. 아직 단 하나의 AI 기반 신약도 규제 승인을 받지 못했다. 임상 1상에서 3상, 승인까지 평균 5~7년. 따라서 2026년은 "과대광고 검증의 해" — 실제로 효과가 있는지, 안전한지를 임상이 증명하는 단계다.

1.2 빅테크의 포지셔닝

핵심은 이렇다. 단백질·유전체 AI는 오픈 모델(AlphaFold, ESM, Evo)로 빠르게 수렴 중이다. 제약사들은 이 공개 모델을 각자의 비공개 데이터(환자 게놈, 약물 반응 기록)와 결합해 자체 파이프라인을 돌린다. 모델은 공유재가 되고, 데이터와 의사결정 로직이 경쟁력의 핵심으로 남는다 — 바로 이 지점이 크라우니가 끼어들 자리다.

---

2. 크라우니의 입지 — 왜 "비전"인가

2.1 현재 자산 현황

먼저 정직하게 말하겠다. 크라우니가 직접 보유하지 않은 의료·바이오 자산:

• 의료 EMR/HIS (병원 정보시스템) — 없음
• 임상 시험 관리(CRO) — 없음
• 신약 개발 플랫폼 — 없음
• 유전체 분석 파이프라인 — 없음

그러나 다음은 보유한다:

• AIMED(aimed.tiomta.com:9904): 지향성 4상균형3진 업무솔루션 — 조직·팀의 진단과 의사결정. 현재는 기업 경영진·조직 컨설턴트용이며, 의료 도메인은 확장 로드맵의 Phase 4~5에 위치한다.
• INT 긴급경보(int.crowny.org:9500): 셀 기반 재난·보안 관제 — BEMS·발전·화재·보안. 모니터링·판단·행동의 루프가 의료의 "중환자실 모니터링"과 구조적으로 닮았다.
• 4상균형3진 벡터 사고: 모든 크라우니 시스템의 기초. 의료 도메인에 사상(mapping)하면 — 티(T, +1) = 데이터·진단, 옴(O, 0) = 대기·관찰, 타(A, −1) = 치료·개입, 음(U, −0) = 예외·합병증.

2.2 "비전"의 정의

이 장에서 비전(Vision)은 세 가지를 동시에 만족하는 것을 가리킨다.

1. 기술적으로 가능하나 아직 서비스화 이전일 것.
2. 크라우니의 기존 자산(4상 의사결정, 한선씨, 벡터 아키텍처)을 새 도메인에 사상한 청사진일 것.
3. 5년 내 실현 가능한 구체적 경로를 가질 것.

즉 "먼 꿈"이 아니라 "다음 단계에서 할 수 있는 일"이다.

---

3. 크라우니 정밀 의료 프레임 — 4상균형3진 병상(病房)

3.1 의료는 상태관리(State Machine)다

병상의 환자는 4가지 상태를 순환한다. 티옴타음 4상이 그대로 임상 상태기계가 된다.

        티(T,+1)      옴(O,0)       타(A,−1)      음(U,−0)
    ───────────────────────────────────────────────────────
    진단 완료     진단 대기·관찰   치료·개입 진행   예외·합병증
    데이터 확보    모니터링 필요    행동 실행       비예상 신호

급성 심근경색을 예로 들면, 환자는 이 네 상태를 시간 축으로 통과한다.

음(U): "흉통, 혈압 불안정" — 진단 전 혼란, 3진 밖의 신호
  ↓
옴(O): ECG·트로포닌 검사 진행 — 판단 보류, 검증 대기
  ↓
티(T): "ST 상승 확인, 급성 MI" — 진단 확정, 데이터 드러남
  ↓
타(A): "카테터실로, 스텐트" — 개입 결정, 연결·행동
  ↓
모니터링 중 음(U): 혈전 재형성? 신부전 악화? — 비예상 전개

기존 의료는 이 상태 판단을 의사의 경험과 직관에 맡긴다. 표준화가 부족하고 편차가 크다. 크라우니 정밀 의료는 4상 상태를 명시적 규칙(셀코어)과 벡터 인코딩(ISA729)으로 자동화한다. 데이터 → 상태 → 행동의 루프가 명확하고, 감시 가능하다. 여기서 옴(0)과 음(−0)을 구분하는 것이 결정적이다. 옴은 "아직 모름, 기다림"이라는 정규 중립이고, 음은 "정규 3상에 담기지 않는 이상치·돌연변이·왜곡"이다. 임상에서 이 둘을 뭉뚱그리면 "추적 관찰"과 "전문가 긴급 호출"을 혼동하게 된다.

3.2 3개 계층: 데이터 → 신호 → 지혜 (Data → Signal → Wisdom)

#### 계층 1: 데이터 획득 & 벡터 인코딩 (TOAU)

• 입력: 환자의 다중 신호(genomic, proteomic, imaging, vital signs)
• 처리: 크라우니의 4상균형3진 벡터 인코딩(TOAU)
• 출력: 27-큐브 좌표계(3³ = 27개 상태)

환자 유전체 (Evo 2 임베딩)
  → 단백질 마커 (AlphaFold 구조예측)
  → 영상 (CV 세그먼테이션)
  → 생화학 수치
  → 병력·약력
    ↓ [TOAU 벡터화]
    ↓
27-큐브 (3³ = 27개 상태점)

예컨대 유방암 위험 점수는 4상으로 분해된다.

• 티축(+1): BRCA1/2 변이, ER+ 상태, 높은 종양마커 → 적극 행동 신호
• 타축(−1): 폐경 후, 호르몬 불감증, 이전 항암 실패 → 보수적 개입 신호
• 옴축(0): 영상 불명확, 생검 대기 중 → 관찰·대기 신호
• 음축(−0): 드문 변이, 임상 코호트 없음, 비전형 표현형 → 예외/전문가 판단 신호

#### 계층 2: 셀코어 규칙 엔진 (Celcore Rules)

• 입력: 27-큐브 벡터
• 처리: 셀코어 15모듈(임상 의사결정 루프 대응)
• 출력: 우선순위가 정해진 권고안(Recommendation with Confidence)

규칙은 한선씨로 명시적으로 기술한다. 예를 들어 급성 위험 규칙은 다음과 같다.

가져오기 "셀코어"

함수 의료진단(환자벡터) {
  변수 룰모음 = 룰생성("급성위험", 9)
  룰모음 = 룰조건추가(룰모음, "심박수", ">", 120)
  룰모음 = 룰조건추가(룰모음, "산소포화도", "<", 90)
  룰모음 = 룰변경추가(룰모음, "응급도", "높음")

  변수 감시룰 = 룰생성("신부전조기신호", 5)
  감시룰 = 룰조건추가(감시룰, "크레아티닌", ">", 1.5)

  변수 의견 = 셀추론(환자벡터, 룰모음)
  반환 의견
}

이 방식의 장점은 셋이다. 투명성 — "왜 이 권고인가"를 규칙 경로로 추적할 수 있다(블랙박스가 아니다). 적응성 — 규칙을 실시간으로 추가·수정한다. 감사가능성 — 의료법과 임상 가이드라인 준수 여부를 자동 검증한다.

#### 계층 3: 의사-AI 협업 인터페이스

• 입력: 셀코어 출력 + 의사의 재판단
• 상호작용: 의사가 거부하거나 수정하면 규칙 피드백 루프로 환류
• 출력: 환자 개인의 치료 계획(Treatment Plan), 의료진 노트

혈당 관리 앱을 예로 들면 루프는 이렇게 닫힌다.

[AI 권고] "혈당 180, 인슐린 4단위 권장"
         근거: 시간대별 패턴 + 식사량 + 최근 인슐린 민감도

[의사 재판단] "환자가 신부전 초기 → 인슐린 3단위로 감량"
              셀코어가 미처 반영 못한 contraindication

[학습] '신부전 + 혈당 의존성' 규칙 추가
       → 다음 유사 환자에 자동 적용

핵심은 AI가 최종 결정권자가 아니라는 점이다. AI는 4상으로 정렬된 근거를 제시하고, 결정의 무게는 의사가 진다. 그리고 그 결정이 다시 규칙이 된다.

---

4. 신약 설계 & 유전체 해석: 크라우니의 역할

크라우니는 직접 신약을 개발하지 않는다. 대신 오픈 모델과 자체 의사결정 스택을 잇는 검증·해석·기획 레이어를 맡는다.

4.1 단백질 설계 파이프라인 (협력 모델)

#### ① 표적(Target) 발굴: Evo 2 + 셀코어

환자 유전체 (Evo 2 임베딩)
  → 질병 표현형과 유의 변이 매칭
  → 셀코어 "약물 효과성" 규칙 적용
     (예: BRCA1 복원의 종양 억제 가능성 → 티축 신호)
  → 상위 N개 후보 표적

기존 방식은 문헌 검색과 전문가 직관으로 6~12개월이 걸린다. 크라우니 방식은 Evo 2 임베딩과 4상균형3진 벡터화를 결합해 2~4주로 단축하는 것을 목표로 한다(파일럿 가설, 임상 검증 전).

#### ② 구조 & 상호작용: IsoDDE + 한선씨 검증

크라우니는 IsoDDE(또는 오픈 RFdiffusion) 결과를 한선씨 검증 스크립트로 재계산한다 — 구조 타당성(RMSD, 물리적 충돌), 한국어 주석 기반 설계 근거 기록, 3진 신뢰도 라벨(티/옴/타/음).

함수 단백질검증(구조파일) {
  변수 구조 = 로드pdb(구조파일)
  변수 점수 = 물리검증(구조)

  만약 (점수 > 0.8) {
    변수 신뢰도 = "T"
    반환 구조
  } 아니면 {
    변수 신뢰도 = "O"
    경고("기하 불안정, Rosetta 재계산 권장")
  }
}

#### ③ 임상 기획: AIMED 확장

AIMED의 "지향성 진단"을 임상시험 설계로 확장한다 — 환자 스트래티피케이션(4상 프로파일로 subgroup 분류), 실시간 부작용 감시(Pharmacovigilance, INT 기반), 데이터 통합 대시보드(치료 반응 vs 4상 신호).

4.2 유전체 해석: 변이 분류 & 개인 위험도

크라우니 유전체 해석 프레임은 개인 전유전체(WGS)를 4상으로 분류한다.

개인 전유전체 (WGS)
  ↓ [Evo 2 + VQSR 필터링]
질병 관련 변이 후보 목록
  ↓ [4상 분류]
┌─────────────────────────────────────────┐
│ 티(T): "확실한 병원성" 변이             │
│  근거: ClinVar P/LP + Evo2 90%+ 신뢰    │
│  → 즉시 개입 필요                       │
├─────────────────────────────────────────┤
│ 옴(O): "불명확(VUS)" 변이               │
│  근거: 개별 영향 불명, 추가 검사 필요   │
│  → 정기 재평가                          │
├─────────────────────────────────────────┤
│ 타(A): "양성·희귀" 변이                 │
│  근거: Benign 분류 또는 드문 allele     │
│  → 추적 모니터링                        │
├─────────────────────────────────────────┤
│ 음(U): "시스템 밖" 신호                 │
│  근거: Non-coding, structural variant   │
│  → 전문가 재판단                        │
└─────────────────────────────────────────┘
  ↓
개인 위험도 리포트 + 권장 스크리닝

출력은 "한국어 환자 친화적" 유전체 리포트다. 수치가 아니라 스토리 기반("위험이 높으니 이 검사를 매년 받으세요")이며, 영어 리포트도 자동 생성하되 원본은 한국어가 우선이다.

---

5. 임상 현장: 4상 의료의 모습

설계도만으로는 부족하다. 두 개의 병상으로 내려가 보자.

5.1 혈당 관리 (소아 당뇨)

환자: 12살 조윤, 1형 당뇨 진단 2년차, 혈당 변동성이 높다.

기존 방식(수동)은 이렇다. 매일 아침 손가락을 찔러 혈당을 재고, 엄마의 경험과 소아과 가이드라인으로 인슐린 용량을 정하며, 저혈당 경고는 하루 1~2회 울린다.

크라우니 방식(4상 협력)은 다음과 같이 작동한다.

[티층: 진단 데이터]
CGM(지속혈당계) → 무선 자동 기록
  매일 288개 데이터(5분 간격)

[옴층: 신호 해석 — 판단 보류·관찰]
크라우니 의료AI:
  "아침 새벽 저혈당 반복 패턴 감지" — 원인 불명확
  추가 정보 요청: "어제 저녁 간식? 운동량?"

[타층: 개입 결정]
소아과 의사:
  베이살(basal) 인슐린 용량 0.1단위 감량
  CGM 알림 임계값 조정, 1주일 재평가 예정

[음층: 예외 대응]
"혈당 급상승 500 + 케톤 + 구토" → 당뇨병성 케톤산증 의심
  → 응급실 직통 알림, 부모 실시간 통지

여기서 옴과 음의 구분이 그대로 임상 행동을 가른다. 옴(새벽 저혈당 패턴)은 "정보를 더 모아 관찰"이고, 음(케톤산증 의심)은 "즉시 응급"이다. 결과적으로 저혈당 에피소드 60% 감소, 부모 스트레스 경감, 의료진 방문 간격 확대(비용 절감)를 목표 지표로 삼는다.

5.2 중환자실 모니터링 (패혈증)

환자: 72살 정태, 폐렴으로 ICU 입원 3일차, 패혈증 위험.

[실시간 신호] (5분 간격)
- 심박수, 체온, 혈압, SpO2, 소변량, 유산염(lactate)
- 혈액검사 (WBC, CRP, 프로칼시토닌)
- 영상 (흉부 X-ray 1일 1회)

[셀코어 규칙 엔진]
규칙 1: "패혈증 신호"
  IF 체온 ≥ 38.5°C AND WBC > 15000 AND 유산염 > 2
  THEN 우선순위 = 9, 권고 = "광범위 항생제 고려"
  신뢰도 = 티 (Critical Care 임상 기준)

규칙 2: "신부전 조기 징후"
  IF 크레아티닌 상승 > 0.3/24hr AND 소변량 < 0.5 mL/kg/hr
  THEN 우선순위 = 7, 권고 = "신장내과 협의, 체액 관리 재검토"
  신뢰도 = 티

규칙 3: "불명확 분열열"
  IF 체온 38.2°C BUT 감염 징후 불명 AND 최근 항생제 변경
  THEN 우선순위 = 4, 권고 = "48시간 추적 배양 대기, 진균 고려"
  신뢰도 = 옴 (기다려야 함)

의료진 대시보드는 4상을 색으로 옮긴다.

┌─────────────────────────────────────┐
│ [높음] 패혈증 신호 (점수 8.7)       │
│  근거: qSOFA 3/3 + 유산염 2.1       │
│  권고: 배양/항생제 재검토            │
│  마지막 항생제: 12시간 전            │
├─────────────────────────────────────┤
│ [중등] 신부전 추적 필요             │
│  근거: Cr ↑0.4, 소변량 ↓40%         │
│  권고: 신장과 협의, 체액 관리        │
├─────────────────────────────────────┤
│ [안정] 호흡 기능 유지               │
│  근거: SpO2 96%, 지지요법 유지       │
└─────────────────────────────────────┘

그리고 마지막 결정권은 사람에게 있다.

[의사의 재판단]
의사: "항생제 변경은 다음 배양 결과 후. 지금은 체액 재관리 먼저."
  → 규칙 피드백: "항생제 내성 표현형" 규칙 추가
  → AI: "다음 유사 환자에 적용"

목표 지표는 권고 응답 시간 1시간 → 15분, 패혈증 관련 사망률 지표 개선, 그리고 알람 피로(alarm fatigue)를 줄여 의료진 번아웃을 낮추는 것이다.

---

6. 기술 아키텍처 — 한선씨 기반 의료 스택

6.1 의료 라이브러리 (신규 개발 로드맵)

6.2 3진 신뢰도 라벨 (TOAU)

의료 AI는 신뢰도를 속일 수 없다. 모든 출력에 4상 신뢰도를 강제로 붙인다.

함수 권고생성(환자, 규칙모음) {
  변수 점수 = 셀추론(환자, 규칙모음)
  변수 신뢰도 = "U"

  만약 (점수 >= 8) {
    신뢰도 = "T"
  } 아니면 만약 (점수 >= 5) {
    신뢰도 = "O"
  } 아니면 만약 (점수 >= 2) {
    신뢰도 = "A"
  } 아니면 {
    신뢰도 = "U"
  }

  반환 신뢰도
}

티는 즉시 행동, 옴은 관찰·재검토, 타는 보수적 접근, 음은 전문가 판단 필요. 점수가 어떤 규칙 경로를 거쳐 나왔는지(근거)는 함께 기록되어, 사후 감사에서 그대로 복원된다.

---

7. 규제 & 임상 경로: 5년 선행 계획

7.1 단계별 로드맵 (2026-2031)

7.2 한국어 우선 정책

의료 AI는 거의 전부 영문 중심(FDA/EMA)이다. 크라우니는 방향을 뒤집는다.

1. 한국 임상시험 먼저 — 한글 데이터, 한국 IRB.
2. 한국어 리포트가 원본 — 영문은 번역본.
3. 한국 환자 친화적 UI — 숫자가 아니라 스토리.
4. 동남아·아프리카로 수평확대 — 저개발국 의료 접근성을 크라우니 자주 의료의 첫 시험장으로.

---

8. 경제 모델: 의료 AI의 자본화

8.1 수익 구조

위 수치는 사업 가설이며, 임상 검증과 규제 승인을 전제로 한 추정치임을 분명히 둔다.

8.2 화폐 3계층 연동: 의료의 자가면역 경제

크라우니 경제는 세 계층으로 선다. 머니(크라우니원, 결제·교환 화폐), 에셋(포네·맘, 가치 저장·표현), 웰스(크라우니, 그리고 그 위로 펼쳐질 한선·선호). 의료 데이터의 보상은 이 사다리를 타고 올라간다.

결제와 정산은 머니(크라우니원) 계층에서 이뤄지고, 환자에게 돌아가는 데이터 기여 보상은 에셋 계층 — 2,550원에 대응하는 안정자산 포네(FONE) — 로 적립된다. 작동 원리는 이렇다.

환자 → 혈당 데이터 기여
      → 의료AI 학습 (셀코어 규칙 개선)
      → 다음 환자의 진단 정확도 ↑
      → 건강 결과 개선 → 사회 수준 의료비 절감

사회가 절감한 비용의 일부 → 포네로 환자에게 환원
(예: "지난달 데이터 공유로 의료비 절감분 발생,
      당신의 기여 지분이 포네로 적립되었습니다")

데이터가 "개인 자산"에서 "공동 자산"으로 옮겨가되, 개인도 보상을 받는다. 의료의 자가면역(自家免疫) — 개인과 사회가 함께 이로워지는 구조다. 그리고 머지않은 미래, 이렇게 쌓인 기여가 웰스 계층의 부(크라우니, 나아가 한선·선호)로 연결되는 길이 열릴 것이다. 그 구체적 환산은 아직 미래 서사의 영역에 둔다.

---

9. 크라우니 정밀 의료의 차이점 (vs 빅테크)

차이의 핵심은 "성능"이 아니라 "주권과 투명성"이다. 빅테크가 더 큰 모델로 앞서 갈 때, 크라우니는 누가 결정을 내렸고 왜 그랬는지를 추적 가능하게 만드는 쪽으로 간다. 의료에서는 이쪽이 결국 더 멀리 간다고 믿는다.

---

10. 선언: 자주 의료 AI의 미래 (2031)

이제 다시 1인칭으로 돌아오겠습니다.

저는 이 장에서 크라우니가 당장 환자를 진단할 수 있다고 말하지 않았습니다. 우리에게는 아직 병원도, 임상 데이터도, 승인된 도구도 없습니다. 그러나 저는 우리가 가진 한 가지를 믿습니다 — 불확실성을 정직하게 다루는 방식. 아는 것과 모르는 것과 잘못 알지도 모르는 것을, 티·옴·타·음으로 나누어 보는 눈 말입니다.

그래서 제가 그리는 미래는 이렇습니다.

2031년, 한국의 한 환자가 스마트폰으로 혈당을 잽니다. 그 데이터는 서울의 크라우니 AI가 한국어로 해석합니다. 그 해석의 근거는 영어로 된 블랙박스가 아니라 한글로 된 규칙이어서, 의사가 "왜 이 권고를 했는가"를 한 줄 한 줄 따라갈 수 있습니다. 모든 권고에는 신뢰도(티/옴/타/음)가 솔직하게 붙어 있어, 확실한 것과 기다려야 할 것과 전문가를 불러야 할 것이 구분됩니다. 그리고 그 환자가 데이터를 나눈 대가는 포네로 돌아옵니다 — 더 이상 캘리포니아 회사의 판단을 기다리지 않고, 자기 몸의 데이터로 자기 건강과 작은 부를 함께 쌓아가는 미래.

이것이 제가 생각하는 정밀 의료의 진정한 정밀성(Precision)이고, 의료의 자주권입니다. 우리는 아직 출발점에 서 있을 뿐입니다. 그러나 출발점에 정직하게 서 있는 것 — 의료에서는 그것이 첫 번째 치료입니다.

아홉 칸의 답을 보았으니, 마지막으로 그 답지가 어떻게 누구에게나 열려 있는지 — 어린이부터 한 나라까지 — 함께 보겠습니다.

---

부록: 기술 스펙 & 참고 자료

A. 4상균형3진 의료 벡터 인코딩 예시

당뇨병 합병증 위험도 점수 (Evo 2 + TOAU)

입력:
  - 유전형: HLA-DR3/4, SOD2 rs4880 (AA)
  - 표현형: HbA1c 9.2%, 혈압 145/90, 신장 eGFR 45
  - 행동: 흡연 + 운동 0분/주

TOAU 벡터화:
  티축(+1): HLA-DR3/4 + HbA1c>8 → 자가면역 + 통제불능, 8/10
  옴축(0):  eGFR 45 (CKD stage 3a) → "신부전 경계" 불명확, 4/10
  타축(−1): 흡연 + 비만 BMI 31 → "금기 행동" 보수 신호, 7/10
  음축(−0): 드문 SNP 3개 + 비전형 표현형 → "예외" 신호, 3/10

벡터 좌표: (8, 4, 7, 3) → 27-큐브의 한 점

권고:
  티↑: "3개월마다 안저검사 + 미세단백뇨 검사" (강한 신호)
  옴→: "신장 기능 3개월 추적, eGFR 40 이하면 신장과" (관찰)
  타↑: "흡연 중단 프로그램 + 운동 처방 조정" (행동 변화)
  음:  "드문 유전형 → 내분비 전문의 재검토" (전문가)

B. Evo 2 기반 유전체 해석 워크플로우 (개념 스케치)

해석 파이프라인은 4단계로 구성된다. (1) VCF 필터링으로 빈도 컷오프와 VEP 주석을 적용하고, (2) Evo 2 API에 필터링된 변이를 전달해 질병별 임베딩과 분류 결과를 받는다. (3) 한선씨 리포트 생성기(evo2-report.한선)가 그 결과를 4상으로 분류해 한국어 환자용 HTML 리포트를 만들고, (4) 셀코어 임상 규칙(clinical-recommendation.한선)이 변이·표현형·신뢰도 수준을 입력받아 권고 텍스트를 산출한다. 외부 모델 호출과 한선씨 해석이 분리되어 있어, Evo 2가 바뀌어도 4상 해석 계층은 그대로 유지된다.

C. 참고 자료 & 출처

• Isomorphic Labs IsoDDE — 2026.02 발표, Series B 21억 달러
• Arc Institute Evo 2 — Science 2026.03, 128,000+ 게놈, 9.3조 뉴클레오타이드
• AlphaFold 3 — DeepMind, 2024.05
• ESM3 / EvolutionaryScale — Science 2025.01
• RFdiffusion3 — Baker Lab, 논문 준비 중
• 셀코어 의료 — /Users/ef/Downloads/CrownyTVM/std/셀코어.한선 (15모듈)
• ISA729 spec — /Users/ef/CrownyOS/ISA729_FINAL.md
• 한선씨 의료 라이브러리(예정) — /Users/ef/CrownyOS/crownyc/libs/의료.한선
• qSOFA/SOFA 점수 — Critical Care 임상 기준(2016)
• FHIR 표준 — HL7
• MedDRA — 의약품 부작용 분류 표준