AI 연구자, 기존 약물을 재사용하여 코로나19와 싸우는 방법 개발

국제 연구팀은 AI 모델을 적용하여 기존에 있는 약물을 코로나19를 치료하기 위해 사용할 수 있는지 조사했다. 연구팀은 오토인코더 모델을 이미 시장에 있는 약물에 적용하여 노화와 코로나19로 인한 유전자 발현의 변화에서 공통점을 찾고자 했다.

MIT의 계산생물학자이자 연구 공동 저자인 Caroline Uhler는 코로나19와 싸우기 위한 새로운 약물을 개발하는 문제는 약물 개발 과정에 몇 년이 걸릴 수 있다는 것을 설명했다. AI는 이미 새로운 약물을 발견하는 데 사용되었으며, 전통적인 약물 발견 방법보다 훨씬 빠른 속도로 치료 약물의 새로운 제형을 찾을 수 있다. 그러나 코로나19와 같은 상황에서는 약물 발견에 사용되는 AI의 상대적으로 빠른 속도도 너무 느리다. 기존 약물을 재사용하는 것이 훨씬 더 신속하다.

연구팀은 노화와 코로나19 바이러스에 영향을 받는 유전자들을 조사하여 노인 인구에서 코로나19의 영향을 싸울 수 있는 약물을 찾고자 했다.

코로나19는 특정 세포 경로, 특히 염증 경로를 사용하여 복제되는 것으로 추정된다. 또한 코로나19의 영향은 노인 인구에서 젊은 인구보다 훨씬 더 심각하다. 또한 노화된 개인의 호흡기계는 조직 경도에 대한 변경으로 특징지어진다. 이러한 사실을 고려하여 연구팀은 노화와 코로나19에서 변경된 유전자들을 찾아서 이 유전자들과 긍정적으로 상호작용하는 약물을 찾고자 했다.

연구팀은 세 단계의 과정을 통해 두 경로에서 공통된 유전자들을 찾고자 했다. 연구의 첫 번째 단계에서 팀은 오토인코더를 사용하여 후보 약물 목록을 생성했다. 이를 위해 오토인코더는 두 개의 유전자 발현 패턴 데이터셋을 분석하여 바이러스의 전반적인 영향을 줄이는 약물들을 선택했다. 결과는 후보 약물과 노화 및 감염 경로에서 단백질과의 상호작용 목록이 포함된 목록이었다. 이후 연구팀은 후보 약물 목록을 가져와서 두 경로에서 단백질 간의 상호작용을 매핑하여 두 경로의 단백질 상호작용 맵을 생성했다. 연구팀은 두 단백질 상호작용 맵을 비교하여 중복되는 영역을 찾았다. 이는 노인 환자에서 코로나19의 심각성을 줄이기 위해 약물이 목표로 해야 할 유전자 발현 네트워크를 발견하는 데 이어졌다.

연구 프로젝트의 마지막 단계에서 팀은 통계적 방법을 사용하여 매핑된 네트워크 내에서 인과관계를 결정했다. 이 방법을 사용하여 연구팀은 코로나19 감염의 심각성을 가장 효과적으로 줄이기 위해 약물 후보가 상호작용해야 하는 정확한 유전자들을 결정할 수 있었다.

분석 결과에 따르면 RIPK1 유전자는 코로나19 치료 약물이 목표로 해야 할 유전자 중 가장 적합한 것으로 생각되었다. 일부 약물 후보는 이미 암 치료를 위해 사용되고 있다. 다른 약물 후보는 이미 의료 기관에서 코로나19 치료를 위해 테스트되고 있다.

연구팀은 이것이 코로나19 치료를 위한 약물이 재사용될 수 있는지 결정하는 첫 번째 단계에 불과하다고 지적했다. 실제로 약물이 효과적인지 확인하기 위해 광범위한 시험관 실험과 임상 시험을 수행해야 한다. 그러나 이 접근법이 성공적이면 다른 질병에 효과적인 약물을 찾는 데 사용될 수 있다.

연구팀은 다음과 같이 설명했다.

“우리가 우리의 계산 플랫폼을 SARS-CoV-2의 contexto에 적용하고 있지만, 우리의 알고리즘은 많은 질병에 대해 사용 가능한 데이터 모달리티를 통합하여 광범위하게 적용할 수 있다.”