간략한 요약
이 비디오에서는 AI와 계산 기반 신약 개발의 현재 상황과 미래 전망에 대해 설명합니다. 신약 개발의 필요성, AI 기반 신약 개발의 현황, 그리고 가상 스크리닝과 같은 AI 활용 방법에 대해 자세히 살펴봅니다.
- 신약 개발은 경제 발전의 새로운 원동력이 될 것으로 기대되지만, 높은 비용과 긴 개발 기간이 필요합니다.
- AI 기반 신약 개발은 이러한 문제를 해결하고 개발 효율성을 높이는 데 기여할 수 있습니다.
- AI는 새로운 분자 디자인과 가상 스크리닝을 통해 신약 후보 물질을 빠르게 찾아내는 데 활용됩니다.
- 데이터 부족은 AI 기반 신약 개발의 한계점으로 지적되지만, 데이터 축적과 AI 플랫폼 발전을 통해 난치병 치료에 기여할 수 있을 것으로 기대됩니다.
소개
서울대학교 약학대학 이주용 교수는 AI 및 계산 기반 신약 개발에 대해 소개하며, 제약 사업이 전 세계적으로 큰 규모를 가지고 있지만 국내 기업의 비중은 미미하다고 언급합니다. 신약 개발은 특정 단백질에 결합하는 작은 분자를 찾아 활성을 조절하는 과정이며, 목표는 이러한 분자를 효율적으로 찾아내는 것입니다.
신약 개발 단계 및 AI 필요성
신약 개발은 타겟 설정, 후보 물질 탐색, 선도 물질 최적화, 전임상 및 임상 시험 등 여러 단계를 거칩니다. 반도체 업계의 무어의 법칙과는 반대로, 제약 업계에서는 투자 대비 신약 개발 성공률이 낮아지는 이룸의 법칙이 나타나고 있습니다. 이러한 문제를 해결하기 위해 AI와 계산 과학을 이용한 신약 개발의 가속화 및 효율화가 추구되고 있습니다.
신약 개발 비용 및 생산성
하나의 신약을 개발하는 데 평균 13~15년이 걸리고 약 1조 2천억 원의 연구비가 투입됩니다. 2012년 이후 유전체 분석 및 희귀 질환 타겟 신약 개발 시도로 인해 신약 개발 생산성이 다소 향상되었습니다. 앞으로는 AI 기반 신약 탐색 및 설계, 물리 기반 시뮬레이션 등이 새로운 원동력이 될 것으로 기대됩니다.
AI 기반 신약 개발 현황
컴퓨터는 타겟 규명, 선도 물질 발굴, 최적화, 전임상 단계 등 신약 개발의 다양한 분야에서 활용되고 있습니다. 많은 다국적 제약 기업들이 AI 기반 신약 개발 스타트업과 협업하고 있으며, AI 기반 신약 개발 파이프라인이 급속도로 증가하고 있습니다. 이러한 파이프라인은 주로 데이터가 많이 알려진 단백질에 집중되어 있습니다.
AI 기반 신약 개발 사례
엑센시스템즈와 인실리코 메디슨은 특발성 폐섬유화증 치료제를 임상 2상에 진행 중이며, 몰레큘러 다이믹스를 사용하는 릴레이 스는 여러 파이프라인을 임상 1상에 시도하고 있습니다. AI 또는 계산 과학을 이용해 설계된 신약 분자들이 실제 임상으로 많이 넘어가고 있는 단계입니다.
AI 이용 신약 개발 프로세스 (역설계)
AI를 이용한 신약 개발은 역설계 방식으로 이루어집니다. 기존의 분자 설계 방식은 알려진 분자를 기반으로 화학적 지식을 동원하여 물성을 예측하고 합성하는 방식이었지만, AI는 분자의 물성을 정확하게 예측하여 원하는 물성을 가진 분자를 찾아나가는 방식을 사용합니다. 이는 전역 최적화 문제로, 10의 60승 개의 유기 분자 중에서 원하는 물성을 가진 분자를 찾아내는 과정입니다.
분자 표현 방식 및 생성형 AI
분자를 컴퓨터에 인식시키기 위해 텍스트, 그래프, 3차원 좌표, 비트 벡터 등 다양한 방법이 사용됩니다. AI는 이러한 분자 표현 방식을 기반으로 분자의 물성을 학습하고, 원하는 물성을 만들어내는 생성형 AI가 각광받고 있습니다.
생성형 AI 성공 사례
인실리코 메디슨은 AI 도움을 받아 46일 만에 ddr1 카이네이즈 저해제 후보 물질을 찾아냈습니다. 노바티스는 정션 트리 알고리즘을 이용하여 강력한 말라리아 치료제 후보 물질을 찾아냈습니다. 이러한 사례들은 AI를 이용한 새로운 분자 생성 시도가 성공적으로 진행되고 있음을 보여줍니다.
생성형 AI 한계 및 과제
AI가 설계한 분자들이 기존 분자들과 너무 유사하다는 지적이 있습니다. AI 학습을 위해서는 기존 분자 데이터를 활용해야 하지만, 기존 분자와 너무 유사하지 않으면서도 효과적인 분자를 생성하는 것이 핵심 과제입니다.
가상 스크리닝 소개
가상 스크리닝은 이미 가지고 있는 많은 수의 화합물 중에서 특정 단백질에 강하게 결합할 것으로 예상되는 분자를 빠르게 찾아내는 방법입니다. 1990년대부터 알려진 방법이지만, 최근 단백질 구조 예측, 케미컬 라이브러리 확장, 소프트웨어 알고리즘 발전, 컴퓨터 성능 향상으로 인해 급격하게 발전하고 있습니다.
가상 스크리닝 발전 요인
알파 폴드, 로제타 폴드 등 단백질 구조 예측 AI 발전으로 많은 단백질 구조를 알 수 있게 되었습니다. 화학 합성 기술 발전으로 케미컬 라이브러리 사이즈가 커졌으며, 단백질-리간드 상호작용 예측 소프트웨어와 GPU 컴퓨팅 발전으로 계산 속도가 빨라졌습니다.
울트라 라지 스케일 가상 스크리닝
에나민, 우시 등 시약 회사들은 수십억 개의 분자를 빠르게 합성하여 제공할 수 있습니다. 이러한 발전을 바탕으로 1억 7천만 개 이상의 분자를 가상으로 결합시켜 후보 물질을 찾아내는 울트라 라지 스케일 가상 스크리닝 연구가 활발하게 진행되고 있습니다.
AI 활용 가상 스크리닝
AI는 단백질-리간드 상호작용을 정확하게 예측하여 가상 스크리닝 분야에서 활용되고 있습니다. 카이스트 김의현 교수 연구팀의 피그넷은 단백질과 스몰 몰레큘 구조의 특징을 학습하여 결합력을 예측합니다. 아론티어와 협업하여 개발한 모델은 기존 방법 대비 20~30배 높은 정확도로 후보 물질을 선별할 수 있습니다.
결론 및 전망
AI 알고리즘과 계산 과학은 신약 개발 분야에서 활발하게 사용되고 있으며 빠르게 발전하고 있습니다. AI는 새로운 분자 디자인과 가상 스크리닝을 통해 신약 개발을 가속화하고 있습니다. 데이터 부족은 한계점으로 지적되지만, 데이터 축적과 AI 플랫폼 발전을 통해 신약 개발 프로세스를 자동화하고 난치병 치료에 기여할 수 있을 것으로 기대됩니다.
