분자 언어를 해독하다: 생성적 인공지능이 약물 발견을 가속화하는 방법

생성적 인공지능이 발전함에 따라, 인공지능은 인간 언어를 해독하는 것을 넘어서 생물학과 화학의 복잡한 언어를 마스터하기 시작했다. DNA를 30억 자의 자세한 스크립트로 생각해 보자. 이것은 우리 몸의 기능과 성장을 지시하는 스크립트이다. 마찬가지로, 생명의 필수 구성 요소인 단백질은 20개의 아미노산 알파벳을 포함한 자신의 언어를 가지고 있다. 화학에서는 분자도 고유한 방언을 가지고 있다. 분자 문법은 원자와 하위 구조가 어떻게 결합하여 분자를 형성하는지 정의한다. 언어 문법이 문장의 구조를 정의하는 것과 마찬가지로, 분자 문법은 분자의 구조를 설명한다.

생성적 인공지능, 예를 들어 대규모 언어 모델(LLM)은 분자 언어를 해독하는 능력을 보여주면서, 효율적인 약물 발견을 위한 새로운 길을 열어주고 있다. 여러 제약会社는 이 기술을 사용하여 약물 개발에서 혁신을 驅動하고 있다. 맥킨지 글로벌 연구소(MGI)는 생성적 인공지능이 제약 산업에서 연간 600억 달러에서 1,100억 달러의 경제 가치를 창출할 수 있다고 추정한다. 이것은 주로 약물 개발 과정에서 잠재적인 새로운 약물 후보를 식별하고 개발 및 승인 프로세스를 가속화하는 능력 때문이다. 이 기사는 생성적 인공지능이 약물 발견을 가속화하는 데 어떻게 기여하는지에 대해 설명한다. 그러나 생성적 인공지능의 영향력을 이해하기 위해서는 전통적인 약물 발견 과정과 그 내재된 한계 및 도전을 이해하는 것이 필수적이다.

전통적인 약물 발견의 도전

전통적인 약물 발견 과정은 여러 단계로 구성된 시간이 걸리고 자원 집약적인 과정이다. 이것은 생물학적 표적을 식별하는 것으로 시작되는데, 과학자들은 질병에 관여된 생물학적 표적, 즉 단백질이나 유전자 등을 식별한다. 이 단계는 표적 검증으로 이어지는데, 이것은 표적을 조작하면 치료 효과가 있을 것인지 확인하는 것이다. 다음으로 연구자들은 리드 화합물 식별을 통해 표적과 상호작용할 수 있는 잠재적인 약물 후보를 찾는다. 일단 식별되면, 이러한 리드 화합물은 리드 최적화를 통해 화학적 특성을 개선하고 부작용을 최소화한다. 전임상 시험은 이러한 화합물의 안전성과 효과를 시험관에서 및 동물 모델에서 평가한다. 유망한 후보는 인간의 안전성과 효과를 평가하기 위해 3개의 임상 시험 단계를 거친다. 마지막으로, 성공적인 화합물은 시판 및 처방되기 전에 규제 승인을 받아야 한다.

尽管 전통적인 약물 발견 과정은 철저한 과정이다, 그러나 이것은 여러 한계와 도전을 가지고 있다. 이것은 유명하게 시간이 걸리고 비용이 많이 드는 과정이다. thường적으로 10년 이상의 시간이 걸리고, 수십억 달러의 비용이 발생한다. 또한, 임상 시험 단계에서 높은 실패율이 발생한다. 생물학적 시스템의 복잡성은 과정을 더 복잡하게 만들며, 약물이 인간에서 어떻게 작용할지 예측하기 어렵다. 또한, 집중적인 스크리닝은 가능한 화학적 화합물의 한정된 부분만을 탐색할 수 있다. 높은 제거율도 과정에 방해가 된다. 많은 약물 후보가 후기 개발 단계에서 실패하여 자원과 시간이 낭비된다. 또한, 약물 발견의 각 단계는 인간의 개입과 전문 지식이 필요하여 진행을 늦출 수 있다.

생성적 인공지능이 약물 발견을 변경하는 방법

생성적 인공지능은 약물 발견 과정의 여러 단계를 자동화함으로써 이러한 도전을 해결한다. 이것은 표적 식별과 검증을 가속화하여 생물학적 데이터를 빠르게 분석하여 잠재적인 약물 표적을 더 정확하게 식별하고 검증한다. 리드 화합물 발견 단계에서, 인공지능 알고리즘은 표적과 효과적으로 상호작용할 수 있는 새로운 화학적 구조를 예측하고 생성할 수 있다. 생성적 인공지능이 탐색할 수 있는 리드의 수가 많아지면, 화학적 탐색 과정은 매우 효율적이 된다. 생성적 인공지능은 또한 리드 최적화를 개선하여 화학적 수정이 리드 화합물에 미치는 영향을 시뮬레이션하고 예측한다. 예를 들어, NVIDIA는 Recursion Pharmaceuticals와 협력하여 2.8 quadrillion개의 작은 분자와 표적의 조합을 단 1주일만에 탐색했다. 전통적인 방법을 사용하면 이 proceso를 완료하는 데 약 100,000년이 걸렸을 것이다. 이러한 proceso를 자동화함으로써, 생성적 인공지능은 새로운 약물을 시장에 출시하는 데 필요한 시간과 비용을 크게 줄일 수 있다.

또한, 생성적 인공지능은 전임상 시험을 더 정확하게 만듦으로써 약물 발견을 가속화한다. 인공지능은 잠재적인 문제를 더早期에 식별하여 제거율을 낮춘다. 인공지능 기술은 또한 많은 노동 집약적인 작업을 자동화하여 연구자들이 더 높은 수준의 전략적 결정에 집중할 수 있도록 한다.

사례 연구: Insilico Medicine의 첫 번째 생성적 인공지능 약물 발견

생물기술 회사인 Insilico Medicine는 생성적 인공지능을 사용하여 특발성 폐섬유증(IPF), 즉 만성적인 흉터가 폐 기능을 영구적으로 저하하는 희귀한 폐 질환에 대한 첫 번째 약물을 개발했다. Insilico는 생성적 인공지능을 조직 섬유증과 관련된 omics 및 임상 데이터셋에 적용하여 조직 특이적인 섬유증 표적을 성공적으로 예측했다. 이 기술을 사용하여, 회사는 섬유증과 염증에 대해 잠재력을 보여준 작은 분자 억제제인 INS018_055를 설계했다.

2023년 6월, Insilico는 INS018_055를 1상 임상 시험에서 환자에게 첫 번째 투여를 실시했다. 이 약물의 발견은 세계에서 처음으로 생성적 인공지능을 사용하여 발견되고 설계된 항섬유증 작은 분자 억제제라는 역사적인 순간을 맞이했다.

INS018_055의 성공은 생성적 인공지능이 약물 발견을 가속화하는 효율성을 검증하며, 복잡한 질환을 해결하고 새로운 치료법을 시장에 더 효율적으로 출시하는 잠재력을 강조한다.

생성적 인공지능에서 환각

생성적 인공지능이 약물 발견을 가속화하는 데 기여하는 동안, 이러한 모델이 직면할 수 있는 중요한 도전을 인식하는 것이 필수적이다. 생성적 모델은 환각 현상에 취약하다. 약물 발견의 contexto에서 환각은 표면적으로는 유효하지만 실제로 생물학적으로 관련이 없거나 실용적인 가치가 없는 분子的 생성을 의미한다. 이 현상은 여러 가지 딜레마를 제기한다.

한 가지 주요 문제는 화학적 불안정성이다. 생성적 모델은 이론적으로 유리한 특성을 가진 분자를 생성할 수 있지만, 이러한 화합물은 화학적으로 불안정하거나 분해되기 쉽다. 이러한 “환각” 분자는 합성 중에 실패하거나 생물학적 시스템에서 예상치 못한 행동을 할 수 있다.

또한, 환각 분자는 생물학적으로 관련이 없다.它们는 화학적 표적과 맞을 수 있지만, 생물학적 표적과 의미 있는 상호작용을 하지 못한다. 따라서, 이러한 분자는 약물로 효과적이지 않다. 또한, 분자의 합성이極めて 복잡하거나 비용이 많이 들 수 있다. 환각은 실제적인 합성 경로를 고려하지 않는다.

검증 간隙도 문제를 복잡하게 만든다. 생성적 모델은 많은 후보를 제안할 수 있지만, 엄격한 실험적 테스트와 검증은 이러한 후보의 유용성을 확인하는 데 필수적이다. 이 단계는 이론적인 잠재력과 실제 적용의 간격을 메우는 데 필요하다.

여러 가지 전략을 사용하여 환각을 완화할 수 있다. 생성적 인공지능과 물리 기반 모델링 또는 지식 기반 방법을 결합하는 하이브리드 접근법을 사용하여 환각 분자를 필터링할 수 있다. 적대적 학습을 통해 모델이 자연스러운 분자와 환각 분자를 구별하는 것을 학습할 수 있다. 또한, 화학자와 생물학자를 설계 과정에 참여시킴으로써, 환각의 영향을 줄일 수 있다.

환각의 도전을 해결함으로써, 생성적 인공지능은 약물 발견을 가속화하는 데 더 큰 기여를 할 수 있다. 더 효율적이고 효과적인 새로운 약물 개발을 가능하게 한다.

결론

생성적 인공지능은 약물 발견을 가속화하고 비용을 줄임으로써 제약 산업을 변화시키고 있다. 환각과 같은 도전이 남아 있지만, 인공지능을 전통적인 방법과 인간의 전문 지식과 결합함으로써, 더 정확하고 효과적인 화합물을 만들 수 있다. Insilico Medicine는 생성적 인공지능이 복잡한 질환을 해결하고 새로운 치료법을 시장에 더 효율적으로 출시하는 잠재력을 가지고 있음을 보여준다. 약물 발견의 미래는 더 나아지며, 생성적 인공지능이 혁신을 주도하고 있다.