์ธ๊ณต์ง๋ฅ
AI๋ฅผ ์ฌ์ฉํ์ฌ ์ฌ์ ์ฆ์ ์น๋ฃํ ์ ์๋ ์ฝ๋ฌผ ๋ถ์๋ฅผ ๊ฐ๋ฐ
새로운 의약품을 개발하는 것은 수년의 연구와 수십억 달러의 비용이 드는 복잡한 과정입니다. 그러나 이것은 사람들의 건강을 위해 중요한 투자입니다. 인공지능은 최근 Insilico Medicine이 진행한 연구가 계속 진행된다면 새로운 약물의 발견을 더 쉽고 훨씬 빠르게 만들 수 있습니다. SingularityHub에 따르면, 이 인공지능 스타트업은 최근에 섬유증을 치료할 수 있는 분자를 설계하기 위해 인공지능을 사용했습니다.
새로운 약물 분자를 발견하는 과정은 매우 복잡하고 시간이 많이 걸리는 과정입니다. 따라서 과학자와 엔지니어들은 이 과정을 가속화하는 방법을不断으로 찾고 있습니다. 컴퓨터를 사용하여 새로운 약물을 발견하는 개념은 새로운 것이 아니며, 이는 수십 년 동안 존재해 왔습니다. 그러나 이 분야의 진행은 느렸으며, 엔지니어들은 약물 생성을 위한 적절한 알고리즘을 찾는 데 어려움을 겪었습니다.
딥 러닝은 인공지능 기반 약물 발견을 더 실용적으로 만들기 시작했습니다. 최근 몇 년 동안 제약 회사들은 인공지능 스타트업에大量으로 투자했습니다. 한 회사는 섬유증을 치료할 수 있는 분자를 설계하기 위해 인공지능을 사용했습니다. 이 회사는 46일 만에 치료적인 약물과 유사한 분자를 설계했습니다. Insilco Medicine은 이 결과를 얻기 위해 두 가지不同的 딥 러닝 기법을 결합했습니다. 즉, 강화 학습과 생성적 적대적 네트워크(GANs)입니다.
강화 학습은 기계 학습 모델이 특정 quyết định을 내리도록鼓励하는 기계 학습 방법입니다. 이는 네트워크에 피드백을 제공하여 특정 반응을 유도하는 것입니다. 모델은 원치 않는 선택을 위해 처벌되거나 원하는 선택을 위해 보상을 받을 수 있습니다. 양의 강화와 음의 강화의 조합을 사용하여 모델은 원하는 결정을 내리도록 안내되며, 처벌을 최소화하고 보상을 최대화하는 결정을 내리도록 합니다.
한편, 생성적 적대적 네트워크는 두 개의 서로 다른 신경 네트워크로 구성되며, 이들은 서로에 대하여 적대적입니다. 두 네트워크는 훈련을 위한 예제 객체를 받습니다. 일반적으로 이미지입니다. 한 네트워크의 작업은 가짜 객체를 생성하는 것입니다. 즉, 실제 객체와 거의 구별할 수 없는 객체입니다. 두 번째 네트워크의 작업은 가짜 객체를 감지하는 것입니다. 두 네트워크는 서로를 능가하려고 노력하며, 서로의 성능을提高하기 위해 경쟁합니다. 이 가상적인 경쟁은 가짜 모델이 실제 객체와 거의 구별할 수 없는 객체를 생성하도록 합니다.
강화 학습 알고리즘과 GANs를 결합함으로써, 연구자들은 이미 존재하는 치료적인 약물과 매우 유사한 새로운 약물 분자를 생성할 수 있었습니다.
Insilico Medicine의 인공지능 약물 발견 실험의 결과는 최근 Nature Biotechnology 저널에 발표되었습니다. 이 논문에서 연구자들은 딥 러닝 모델이 어떻게 훈련되었는지 설명합니다. 연구자들은 이미 약물에서 사용된 분자들의 표현을 사용하여 단백질과 관련된 특발성 폐섬유증 또는 IPF를 다루었습니다. 이러한 분자들은 훈련의 기초로 사용되었으며, 결합된 모델은 약 30,000개의 가능한 약물 분자를 생성할 수 있었습니다.
연구자들은 30,000개의 후보 분자 중에서 6개의 가장 유망한 분자를 선정하여 실험실에서 테스트했습니다. 이 6개의 최종 후보는 합성되었으며, IPF 단백질을 표적으로 하는能力을 추적하는 일련의 테스트에 사용되었습니다. 특히 한 분子は 유망한 결과를 보여주었으며, 의약품에서 원하는 결과를 제공했습니다.
중요한 것은 실험에서 목표로 한 섬유증 약물이 이미 광범위하게 연구되었으며, 이미 여러 가지 효과적인 약물이 존재한다는 것입니다. 연구자들은 이러한 약물들을 참조할 수 있었으며, 이는 연구 팀에게大量의 데이터를 훈련에 사용할 수 있도록 해주었습니다. 그러나 많은 다른 질병에서는 이러한 치료법이 존재하지 않으며, 따라서 이러한 치료법을 개발하기 위한 격차를 메우는 것이 더 어려울 수 있습니다.
또한 중요한 사실은 회사의 현재 약물 개발 모델은 초기 발견 과정만 다루며, 모델에 의해 생성된 분자는 임상 시험을 위해 사용되기 전에 많은 수정과 최적화가 필요하다는 것입니다.
Wired에 따르면, Insilico Medicine의 CEO Alex Zhavornokov는 인공지능 기반 약물이 아직 현장에서 사용할 수준은 아니며, 현재 연구는 개념 증명에 불과하다고 인정합니다. 이 실험의 목표는 인공지능 시스템의 도움으로 약물을 얼마나 빠르게 설계할 수 있는지 확인하는 것이었습니다. 그러나 Zhavornokov는 연구자들이 정상적인 약물 발견 방법을 사용하는 경우보다 훨씬 더 빠르게 유용한 분자를 설계할 수 있었다고 주장합니다.
주의 사항에도 불구하고, Insilico Medicine의 연구는 인공지능을 사용하여 새로운 약물을 생성하는 데 있어 주목할만한 발전을 나타냅니다. 연구에서 사용된 기술의 정제는 새로운 약물의 개발 시간을 크게 단축할 수 있습니다. 이는 항생제 내성 세균이 증가하고 많은 효과적인 약물이 효力を 잃는 시대에 특히 유용할 수 있습니다.
