์ธ๊ณต์ง๋ฅ
AI๋ฅผ ์ด์ฉํ ์๋ฃ ํ์ : ์ธ๊ณต์ง๋ฅ์ ์ด์ฉํ ์๋ก์ด ์ฝ๋ฌผ ๋ฐ๊ฒฌ
약물 발견은 그 긴 기간과 높은 비용으로 인해 “벤치에서 베드 사이드”로 알려져 있습니다. 약물 개발은 약 11~16년이 걸리고, 시장에 출시하기까지 10억~20억 달러의 비용이 듭니다. 그러나 이제 인공지능은 약물 개발을 혁신적으로 변화시키고 있으며, 더 빠른 속도와 수익성을 제공하고 있습니다.
의료 분야에서 인공지능은 우리의 접근 방식과 전략을 혁신적으로 변화시키고 있습니다. 이는 질병 경로의 복잡성을 줄이고 생물학적 표적을 식별하는 데 도움이 되었습니다.
인공지능이 약물 발견에 미치는 잠재적인 영향을 더 깊이 살펴보겠습니다.
인공지능의 역할 이해: 약물 발견을 위해 어떻게 사용되고 있는가?
인공지능은大量의 데이터를 분석하고 복잡한 예측을 수행하는 능력으로 약물 발견 과정을 다양한 단계에서 강화했습니다. 다음과 같이:
1. 표적 식별
표적 식별은 약물 발견의 첫 번째 과정으로, 질병에 대항하여 치료 효과를 나타낼 수 있는 단백질, 효소, 수용체 등과 같은 분자实體를 식별하는 것입니다.
인공지능은 중요한 정보를 포함하는 대규모 임상 데이터베이스를 활용할 수 있습니다. 이러한 데이터 소스는 생물의학 연구, 생물분자 정보, 임상 시험 데이터, 단백질 구조 등이 포함됩니다.
생물의학적 기술과 함께 훈련된 인공지능 모델은 복잡한 생물학적 질병을 이해하고 약물 후보의 생물학적 표적을 식별할 수 있습니다. 예를 들어, 연구자들은 새로운 항암 표적을 식별하기 위한 다양한 인공지능 기술을 개발했습니다.
2. 표적 선택
인공지능은 질병과 관련된 상관관계 및 예측된 치료 효능에 따라 약물 후보의 표적을 선택하는 데 도움이 될 수 있습니다. 강력한 패턴 인식 능력으로 인공지능은 선언된 의학 문헌에 기반한 표적뿐만 아니라 이전에 발행된 특허에 언급되지 않은 완전히 새로운 표적을 선택할 수 있습니다.
3. 약물 우선순위
이 단계에서 인공지능은 리드 약물 후보를 평가하고 평가하여 개발을 진행하기 위해 우선순위를 지정합니다. 이전의 순위 지정 기술과 비교할 때 인공지능 기반 접근 방식은 가장 유망한 후보를 식별하는 데 더 효과적입니다. 예를 들어, 연구자들은 알츠하이머병을 위한 새로운 약물의 식별 및 우선순위를 지정하기 위한 딥 러닝 기반의 계산 프레임워크를 개발했습니다.
4. 화합물 스크리닝
인공지능 모델은 화합물의 화학적 특성과 생물학적 활성을 예측하고 부작용에 대한 통찰력을 제공할 수 있습니다. 이전 연구 및 데이터베이스를 포함한 다양한 소스의 데이터를 분석하여 특정 화합물과 관련된 потен적인 위험 또는 부작용을 식별할 수 있습니다. 예를 들어, 연구자들은 대규모 화합물 탐색을 가속화하기 위해 10억 개의 분子の 화학 라이브러리를 스크리닝하기 위한 딥 러닝 도구를 개발했습니다.
5. De Novo 약물 설계
대규모 화합물 컬렉션의 수동 스크리닝은 약물 발견에서 전통적인 관행입니다. 인공지능을 사용하면 연구자들은 이전 정보가 있는 경우나 없는 경우에 새로운 화합물을 스크리닝할 수 있으며 발견된 약물의 최종 3D 구조를 예측할 수 있습니다. 예를 들어, DeepMind에서 개발한 AlphaFold는 단백질 구조를 예측할 수 있는 인공지능 시스템입니다. 이는 약물 설계 프로세스를 가속화할 수 있는 2,000만 개 이상의 단백질 구조 예측 데이터베이스를 유지합니다.
5개의 성공적인 인공지능 기반 약물 발견 예시
1) Abaucin
항생제는 세균을 죽입니다. 그러나 새로운 약물의 부족과 세균이 기존 약물에 대한 내성을 빠르게 발달시키는 때문에 세균을 치료하기가 어려워지고 있습니다. Abaucin은 인공지능으로 개발된 강력한 실험용 항생제로, 가장 위험한 슈퍼박테리아 중 하나인 Acinetobacter baumannii를 죽이는 것을 목표로 합니다.
연구자들은 먼저 수천 가지 약물을 테스트하여 세균에 대한 효과를 확인했습니다. 그런 다음 이 정보를 사용하여 효과적으로 치료할 수 있는 약물을 개발하기 위해 인공지능을 훈련했습니다.
2) Insilico Medicine의 Target X
Insilico Medicine은 생성적 인공지능 플랫폼을 사용하여 Target X라는 약물을 개발했습니다. 이는 현재 1상 임상 시험 중입니다. Target X는 노인에서 치료하지 않으면 폐 경직을 유발할 수 있는 질병인 특발성 폐섬유증을 치료하기 위한 것입니다. 1상 시험에는 80명의 참가자가 참여하며, 그 중 절반은 점진적으로 더 높은 용량을 받게 됩니다. 이것은 약물 분子の 인간 신체와의 상호작용을 평가하는 데 도움이 됩니다.
3) Verge Genomic의 VRG50635
Verge Genomics은 인공지능 약물 발견 회사로, CONVERGE 플랫폼을 사용하여 ALS를 치료하기 위한 새로운 화합물인 VRG-50635를 발견했습니다. 이는 인간 데이터 포인트를 분석하여 뇌와 척수 조직의 정보를 포함하는 데이터 포인트를 분석하여 발견되었습니다.
플랫폼은 먼저 PIKfyve 효소를 ALS의 가능한 표적으로 식별했습니다. 그런 다음 VRG50635를 PIKfyve의 유망한 억제제로 제안했습니다. 이 과정은 약 4년이 걸렸으며, 현재 후보자는 인간 임상 시험의 1상에 있습니다.
4) Exscientia-A2a 수용체
Exscientia는 면역종양학 치료를 위한 최초의 인공지능 설계 분자로 알려진 MedTech 회사입니다. 이는 인공지능 약물이 인간 임상 시험에 들어간 것입니다. 그 잠재력은 암 세포와 싸우기 위해 체内の 면역 체계를 사용하는 암 치료 형태입니다. 그 잠재력은 체내 및 뇌에 대한 부작용을 최소화하면서 항종양 활성을 촉진하기 위해 A2a 수용체를 표적으로 하는 것입니다.
생성적 인공지능을 사용하여 다양한 질병을 표적으로 하는 다른 화합물을 생성했습니다.
- 전사적으로 중독된 암을 CDK7 억제제를 표적으로 하여
- PKC-세타 효소를 표적으로 하여 염증성 질환을
- LSD1 조절자를 표적으로 하여 혈액학 및 종양학 질환을
5) Absci의 제로샷 생성적 인공지능을 이용한 De Novo 항체
Absci는 생성적 인공지능 약물 발견 회사로, 컴퓨터 시뮬레이션을 통해 제로샷 생성적 인공지능을 사용하여 De Novo 항체를 생성하고 검증했습니다. 제로샷 학습은 인공지능 모델이 훈련 단계에서 현재 입력 정보에 대해 명시적으로 테스트되지 않은 것을 의미합니다. 따라서 이 프로세스는 독창적인 항체 설계를 생성할 수 있습니다.
인공지능으로 구동되는 De Novo 치료 항체는 새로운 약물 리드를 개발하는 데 걸리는 시간을 6년에서 18~24개월로 단축하고, 임상에서 성공할 가능성을 높입니다. 회사의 기술은 매주 3백만 개의 인공지능 생성 디자인을 테스트하고 검증할 수 있습니다. 이 새로운 개발은 즉시 모든 환자에게 새로운 치료법을 제공할 수 있는 중요한 산업적 변화를 나타낼 수 있습니다.
인공지능과 약물 발견의 미래는 무엇을 담고 있을까?
다른 의료 응용 프로그램 외에 인공지능은大量의 데이터를 분석하고 유망한 약물 표적 및 후보를 예측하여 약물 발견 프로세스를 더 빠르고 지능적으로 만듭니다. 생성적 인공지능을 사용하여 바이오 테크 회사들은 환자 반응 마커를 식별하고 빠르게 개인화된 치료 계획을 개발할 수 있습니다.
報告에 따르면, 곧 더 많은 MedTech 회사가 초기 약물 발견에 인공지능 및 기계 학습을 통합할 것입니다. 이는 10년 내에 500억 달러의 시장을 창출하여 제약업계에서 인공지능의 상당한 성장 잠재력을 창출할 것입니다. 인공지능은 약물 발견의 전체 비용을 줄이고, 더 많은 새로운 약물을 더 빠르게 환자에게 제공할 수 있을 것입니다.
인공지능과 미래에 대한 자세한 내용을 알고 싶다면, unite.ai를 방문하세요.
