AI를 이용한 의학적 돌파구: 인공 지능을 이용한 새로운 약물 발견

약물 발견은 “벤치에서 침대까지”라고 불리는데, 그 이유는 기간이 길고 비용이 많이 들기 때문입니다. 약물을 시장에 출시하는 데에는 약 11년에서 16년이 걸리고, 비용은 10억 달러에서 20억 달러까지 걸립니다. 그러나現在 AI는 약물 개발을 혁신시키고 있으며, 속도와 수익성을 높여주고 있습니다.

약물 개발에서 AI는 우리의 접근 방식과 전략을 바꾸어주었습니다. 연구자들은 질병 경로의 복잡성을 줄이고 생물학적 표적을 식별하는 데 도움을 주었습니다.

약물 발견에서 AI의 잠재력을 더 깊이 살펴보겠습니다.

AI의 역할 이해: 약물 발견에서 어떻게 사용되고 있는가?

AI는 데이터를 분석하고 복잡한 예측을 하는 능력으로 약물 발견 과정을 다양한 단계에서 강화했습니다. 다음과 같이 약물 발견에서 AI가 사용되는 방법을 살펴보겠습니다:

1. 표적 식별

표적 식별은 약물 발견의 첫 번째 과정으로, 질병에 대항하여 치료 효과를 나타낼 수 있는 단백질, 효소, 수용체와 같은 분자 实體를 식별하는 것을 포함합니다.

AI는 큰 임상 데이터베이스를 활용하여 표적 식별에 필요한 정보를 제공할 수 있습니다. 이러한 데이터 소스에는 생물학적 연구, 생체 분자 정보, 임상 시험 데이터, 단백질 구조 등이 포함됩니다.

생물학적 기술과 함께 훈련된 AI 모델은 복잡한 생물학적 질병을 이해하고 약물 후보의 생물학적 표적을 식별하는 데 도움을 줄 수 있습니다. 예를 들어, 연구자들은 새로운 항암 표적을 식별하기 위한 다양한 AI 기술을 개발했습니다.

2. 표적 선택

약물 발견에서 AI는 연구자들이 질병과 관련된 표적을 선택하는 데 도움을 줄 수 있습니다. 또한 AI는 이전에 발표된 특허에 언급되지 않은 완전히 새로운 표적을 선택하는 데에도 사용될 수 있습니다.

3. 약물 우선순위

이 단계에서 AI는 약물 후보를 평가하고 우선순위를 매겨, 개발을 진행하는 데 도움을 줄 수 있습니다. 이전의 순위 지정 기술과 비교하여, AI 기반의 접근 방식은 가장 유망한 후보를 식별하는 데 더 효과적입니다. 예를 들어, 연구자들은 알츠하이머병을 위한 새로운 약물 후보를 식별하기 위한 깊은 학습 기반의 계산 프레임워크를 개발했습니다.

4. 화합물 스크리닝

AI 모델은 화합물의 화학적 특성과 생물학적 활성을 예측하고, 부작용에 대한 정보를 제공할 수 있습니다. 이전 연구와 데이터베이스에서 데이터를 분석하여 특정 화합물과 관련된 잠재적인 위험이나 부작용을 식별하는 데 도움을 줄 수 있습니다. 예를 들어, 연구자들은 대규모 화학 라이브러리를 스크리닝하기 위한 깊은 학습 도구를 개발했습니다.

5. De Novo 약물 설계

대규모 화합물 컬렉션의 수동 스크리닝은 약물 발견에서 전통적인 방법입니다. AI를 사용하면 연구자들은 이전 정보가 없는 새로운 화합물을 스크리닝하고, 발견된 약물의 최종 3D 구조를 예측할 수 있습니다. 예를 들어, DeepMind에서 개발한 AlphaFold는 단백질 구조를 예측하는 AI 시스템입니다. 이는 약물 설계 과정을 가속화하는 데 도움을 줄 수 있습니다.

5개의 성공적인 AI 기반 약물 발견 예시

1) Abaucin

항생제는 세균을 죽입니다. 그러나 새로운 약물의 부족과 세균의 빠른 저항으로 인해, 세균을 치료하기가 어려워졌습니다. Abaucin은 AI로 개발된 강력한 실험용 항생제로, Acinetobacter baumannii와 같은 위험한 세균을 죽이는 데 설계되었습니다.

연구자들은 먼저 수천 가지 약물을 테스트하여 Acinetobacter baumannii에 대한 효과를 확인했습니다. 그런 다음 이 정보를 사용하여 AI를 훈련시켜, 이 세균을 효율적으로 치료할 수 있는 약물을 개발했습니다.

2) Insilico Medicine의 Target X

Insilico Medicine는 자사의 생성적 AI 플랫폼을 사용하여 Target X라는 약물을 개발했습니다. 이는 현재 1상 임상 시험 중입니다. Target X는 노인에서 폐 경화를 유발할 수 있는 Idiopathic Pulmonary Fibrosis를 치료하기 위한 약물입니다. 1상 시험에서는 80명의 참가자가 참여하고, 절반은 점진적으로 더 높은 용량을 받게 됩니다. 이는 약물 분子の 인체와의 상호작용을 평가하는 데 도움을 줄 것입니다.

3) Verge Genomic의 VRG50635

Verge Genomics는 ALS 치료를 위한 새로운 화합물인 VRG-50635를 개발하기 위해 자사의 AI 플랫폼 CONVERGE를 사용했습니다. 이 플랫폼은 인간 데이터 포인트를 분석하여 ALS의 가능한 표적을 식별했습니다.

플랫폼은 먼저 PIKfyve 효소를 ALS의 가능한 표적으로 식별했습니다. 그런 다음 VRG50635를 PIKfyve의 유망한 억제제로 제안했습니다. 이는 ALS 치료를 위한 약물 후보가 되었습니다. 이 과정은 약 4년이 걸렸으며, 현재 후보는 1상 임상 시험 중입니다.

4) Exscientia-A2a Receptor

Exscientia는 암 치료를 위한 첫 번째 AI 설계 분자인 A2a 수용체를 개발했습니다. 이는 암 세포를 공격하는 데 사용되는 면역 요법의 한 형태입니다. 이 약물은 현재 임상 시험 중입니다.

Exscientia는 생성적 AI를 사용하여 다양한 질병을 표적으로 하는 다른 화합물을 개발했습니다. 예를 들어, 암을 치료하기 위한 CDK7 억제제를 개발했습니다.

5) Absci-de Novo 항체 với Zero-Shot 생성적 AI

Absci는 생성적 AI를 사용하여 컴퓨터 시뮬레이션을 통해 de novo 항체를 개발했습니다. Zero-Shot 학습은 AI 모델이 현재 입력 정보에 대해 훈련되지 않은 경우를 의미합니다. 따라서 이 과정은 새로운 항체 설계를 생성할 수 있습니다.

AI를 사용한 de novo 치료 항체는 새로운 약물 후보를 개발하는 데 걸리는 시간을 6년에서 18~24개월로 단축시킵니다. 이는 임상에서 성공할 가능성이 더 높은 약물을 개발하는 데 도움을 줄 수 있습니다. 회사의 기술은 매주 300만 개의 AI 생성 설계를 테스트하고 검증할 수 있습니다. 이는 모든 환자에게 즉시 새로운 치료법을 제공할 수 있는 중요한 산업적 변화를 의미합니다.

AI와 약물 발견의 미래는 무엇인가?

다른 의료 응용 프로그램 외에도, AI는 약물 발견 과정을 더 빠르고 지능적으로 만들고 있습니다. 이는 데이터를 분석하고 약물 후보를 예측하는 데 도움을 줄 수 있습니다. 생성적 AI를 사용하여 바이오 기술 회사들은 환자 반응 마커를 식별하고 개인화된 치료 계획을 빠르게 개발할 수 있습니다.

보고서에 따르면, 곧 더 많은 메드텍 회사들이 초기 약물 발견에 AI와 기계 학습을 통합할 것입니다. 이는 10년 내에 500억 달러의 시장으로 성장할 수 있습니다. 이는 약물 발견 비용을 줄이고, 더 많은 새로운 약물을 환자에게 더 빠르게 제공하는 데 도움을 줄 수 있습니다.

AI에 대해 더 알고 싶으시면, unite.ai를 방문하세요.