분자 언어의 해독: 생성적 AI가 약물 발견을 가속화하는 방법

생성적 AI가 발전함에 따라, 인간의 언어를 해독하는 것을 넘어서 생물학과 화학의 복잡한 언어를 마스터하는 것으로 발전한다. DNA를 3억 자의 시퀀스로 생각해 보라. 이것은 우리 몸의 기능과 성장을 지시하는 자세한 스크립트이다. 마찬가지로, 생명의 필수 구성 요소인 단백질은 20개의 아미노산 알파벳을 포함하는 언어를 가지고 있다. 화학에서는 분자도 고유한 방언을 가지고 있다. 즉, 문법 규칙을 사용하여 단어, 문장 또는 단락을 구성하는 것과 같다. 분자 문법은 원자와 하위 구조가 어떻게 결합하여 분자를 형성하는지 또는 폴리머를 형성하는지 설명한다. 언어 문법이 문장의 구조를 정의하는 것과 같이, 분자 문법은 분자의 구조를 설명한다.

생성적 AI, 예를 들어 대규모 언어 모델(LLM), 분자 언어를 해독하는 능력을 보여줌에 따라, 효율적인 약물 발견의 새로운 길이 열리고 있다. 여러 제약 회사들은 이 기술을 사용하여 약물 개발에서 혁신을 주도하고 있다. 맥킨지 글로벌 연구소(MGI)는 생성적 AI가 제약 산업에서 연간 600억 달러에서 1,100억 달러의 경제 가치를 창출할 수 있다고 추정한다. 이것은 주로 새로운 약물 후보를 식별하고 개발 및 승인 과정을 가속화하는 능력 때문이다. 이 기사는 생성적 AI가 약물 발견에서 빠른 발전을 촉진하는 촉매로서 제약 산업을 어떻게 변화시키고 있는지 탐구한다. 그러나 생성적 AI의 영향을 이해하기 위해서는 전통적인 약물 발견 과정과 그 내재된 한계 및 도전을 이해하는 것이 필수적이다.

전통적인 약물 발견의 도전

전통적인 약물 발견 과정은 다단계의 노력으로, 종종 시간이 걸리고 자원 집중적이다. 이것은 생물학적 표적을 식별하는 것으로 시작되는데, 과학자들은 질병에 관여하는 단백질이나 유전자와 같은 표적을 식별한다. 이 단계는 표적을 조작하면 치료 효과가 있을 것이라는 것을 확인하는 표적 검증으로 이어진다. 다음으로 연구자들은 잠재적인 약물 후보를 찾기 위해 리드 화합물 식별에 참여한다. 일단 식별되면, 이러한 리드 화합물은 효능을 향상시키고 부작용을 최소화하기 위해 화학적 특성을 개선하기 위한 리드 최적화 과정을 거친다. 전임상 시험은 이러한 화합물의 안전성과 효능을 시험관 내(in vitro)와 동물 모델(in vivo)에서 평가한다. 유망한 후보자는 인간의 안전성과 효능을 평가하기 위한 3단계 임상 시험을 거친다. 마지막으로, 성공적인 화합물은 시판되기 전에 규제 승인을 받아야 한다.

尽管如此, 전통적인 약물 발견 과정에는 몇 가지 제한과 도전이 있다. 이것은 유명하게 시간이 걸리고 비용이 많이 드는 과정으로, 종종 10년 이상이 걸리고 수십억 달러의 비용이 든다. 특히 임상 시험 단계에서 높은 실패율이 발생한다. 생물학적 시스템의 복잡성은 과정을 더 복잡하게 만들며, 약물이 인간에서 어떻게 작용할지 예측하기 어렵게 만든다. 또한, 집중적인 스크리닝은 가능한 화학적 화합물의 한정된 부분만을 탐색할 수 있으며, 많은 잠재적인 약물이 발견되지 않는다. 높은 중도 탈락률도 과정에 방해가 되는데, 많은 약물 후보가 개발의 마지막 단계에서 실패하여 자원과 시간이浪費된다. 또한, 약물 발견의 각 단계는 상당한 인간의 개입과 전문 지식을 요구하여 진행을 느리게 만든다.

생성적 AI가 약물 발견을 어떻게 변화시키는가

생성적 AI는 약물 발견 과정의 다양한 단계를 자동화함으로써 이러한 도전을 해결한다. 이것은 생물학적 데이터를 빠르게 분석하여 더 정확하게 잠재적인 약물 표적을 식별하고 검증하는 것을 가속화한다. 리드 화합물 발견 단계에서, AI 알고리즘은 표적과 효과적으로 상호작용할 가능성이 있는 새로운 화학적 구조를 예측하고 생성할 수 있다. 생성적 AI가 탐색할 수 있는 리드의数量은 화학적 탐색 과정을 매우 효율적으로 만든다. 생성적 AI는 또한 리드 최적화를 강화하여 화학적 수정이 리드 화합물에 미치는 영향을 시뮬레이션하고 예측한다. 예를 들어, NVIDIA는 Recursion Pharmaceuticals와 협력하여 작은 분자와 표적의 2.8제곱 조의 조합을 단 1주일 만에 탐색했다. 전통적인 방법을 사용하여 동일한 결과를 얻으려면 약 100,000년이 걸렸을 것이다. 이러한 과정을 자동화함으로써, 생성적 AI는 새로운 약물을 시장에 출시하는 데 필요한 시간과 비용을 크게 줄인다.

또한, 생성적 AI에 의한 통찰력은 전임상 시험을 더 정확하게 만듦으로써, 잠재적인 문제를 과정의 초기에 식별하여 중도 탈락률을 낮춘다. AI 기술은 또한 많은 노동 집약적인 작업을 자동화하여 연구자들이 더 높은 수준의 전략적 의사결정에 집중하고 약물 발견 과정을 확대할 수 있도록 한다.

사례 연구: Insilico Medicine의 첫 번째 생성적 AI 약물 발견

생물기술 회사인 Insilico Medicine는 생성적 AI를 사용하여 특발성 폐섬유증(IPF)이라는 희귀한 폐 질환을 치료하기 위한 첫 번째 약물을 개발했다. 이것은慢性瘢痕화로 인해 폐 기능이 영구적으로 저하되는 질환이다. Insilico는 조직 섬유증과 관련된 omics 및 임상 데이터셋에 생성적 AI를 적용하여 조직 특이적 섬유증 표적을 성공적으로 예측했다. 이 기술을 사용하여, 회사는 섬유증과 염증에 대해 잠재력을 보인 작은 분자 억제제 INS018_055를 설계했다.

2023년 6월, Insilico는 2상 임상 시험에서 환자에게 처음으로 INS018_055를 투여했다. 이 약물의 발견은 생성적 AI를 사용하여 발견되고 설계된 세계 최초의 항섬유증 작은 분자 억제제로서 역사적인 순간을 맞이했다.

INS018_055의 성공은 생성적 AI가 약물 발견을 가속화하는 효율성을 입증하며, 복잡한 질환을 해결하는 잠재력을 강조한다.

약물 발견을 위한 생성적 AI의 환각

생성적 AI가 새로운 분자를 생성함으로써 약물 발견을 가속화하는 동안, 이러한 모델이 직면할 수 있는重大한 도전 중 하나에 대해 인식하는 것이 중요하다. 생성적 모델은 분자 언어를 해독하는 과정에서 “환각” 현상을 겪을 수 있다. 약물 발견의 맥락에서, 환각은 실제 생물학적 관련성이나 실용적 유용성이 없는 분자를 생성하는 것을 의미한다. 이러한 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 보일 수 있다.

또한, 환각 분자는 생물학적으로 관련성이 없다.它们는 화학적 표적과 일치할 수 있지만, 생물학적 표적과 의미 있는 상호작용을 하지 않아 약물로 효과적이지 않다. 분자가 유망해 보일지라도, 그 합성은 실용적인 합성 경로를 고려하지 않기 때문에 매우 복잡하거나 비용이 많이 들 수 있다.

검증 격차는 문제를 더 복잡하게 만든다. 생성적 모델은 수많은 후보를 제안할 수 있지만, 그 유용성을 확인하기 위해 엄격한 실험적 테스트와 검증이 필수적이다. 이 단계는 이론적 잠재력과 실질적 적용의 격차를 메우기 위해 필수적이다.

환각을 완화하기 위한 다양한 전략을 사용할 수 있다. 생성적 AI와 물리 기반 모델링 또는 지식 기반 방법을 결합하는 하이브리드 접근 방식은 환각 분자를 필터링하는 데 도움이 될 수 있다. 적대적 훈련, 즉 모델이 자연스러운 화합물과 환각 화합물을 구별하도록 학습하는 방식도 생성된 분자의 품질을 향상시킬 수 있다. 화학자와 생물학자를 반복적인 설계 과정에 참여시킴으로써, 환각의 영향을 줄일 수 있다.

환각의 도전을 해결함으로써, 생성적 AI는 약물 발견을 가속화하는 약속을 더욱 발전시킬 수 있다. 이는 약물 발견 과정을 더 효율적이고 효과적으로 만듦으로써, 새로운 약물의 개발을 가속화한다.

결론

생성적 AI는 약물 발견을 가속화하고 비용을 절감하는 제약 산업을 변화시키고 있다. 환각과 같은 도전이 남아 있지만, 전통적인 방법과 인간의 전문 지식과 결합하여 더 정확하고 유용한 화합물을 생성할 수 있다. Insilico Medicine는 생성적 AI가 복잡한 질환을 해결하고 시장에 새로운 치료법을 더 효율적으로 도입하는 잠재력을 가지고 있음을 보여준다. 약물 발견의 미래는 더 나아지며, 생성적 AI가 혁신을 주도하고 있다.