인공지능이 소분자 약물 발견의 병목 현상을 해결하는 방법

임상 시험을 위한 약물 개발은 유명하게 느리고 비용이 많이 들며, 약물 후보 물질의 작은 부분만이 규제 당국에 의해 승인됩니다. 전통적인 약물 발견 프로세스의 광범위한 병목 현상은 제약 산업에서 잘 알려져 있습니다: 임상 단계만으로도 약 10년이 걸리고, 연구 개발 비용의 거의 3/4를 차지하며, 약물 개발의 평균 비용은 2024년에 22억 달러로 상승했습니다.

가장 중요한 것은, 제약 산업이 초기 단계에서 성공적인 개발 결과를 정확하게 예측하는 데 어려움을 겪어 왔습니다: 약물 후보 물질의 80-90%가 승인되지 않음에도 불구하고, 많은 시간과 막대한 자금이 투자됩니다. 약물의 안전성은 큰 이유 중 하나입니다. 예상치 못한 독성이 약물 개발 실패의 약 30%를 차지합니다.

AI로 발견된 분자는 1상 임상 시험에서 더 성공적입니다

그러나 새로운 데이터는 인공지능과 계산적 접근 방식이 이러한 도전을 해결하는 데만 아니라 우리가 성공적인 결과를 예측하는 능력을 근본적으로 변革하고 있음을 시사합니다. 새로운 약물 개발의 초기 단계는 특히 중요하며, 이는 인공지능과 계산적 화학이 가장 큰 영향을 미칠 수 있는 곳입니다.

이러한 인공지능 및 계산적 접근 방식은 질병을 치료하기 위한 올바른 단백질을 대상으로 하는 효과적인 새로운 치료법을 발견하는 데 도움이 될 수 있으며, 이는 초기 발견 및 최적화 단계에서 이루어집니다. 계산적 독성 예측은 약물 발견의 초기 단계에서 특히 유용합니다. 이는 임상 시험에서 실패할 가능성이 있는 분자를 제외하는 데 도움이 될 수 있습니다. 최상의 약물을 먼저 찾고, 작동하지 않는 약물을 제외하면, 비싼 연구를 10년 동안 절약하고 임상 시험 단계에서 약물이 통과할 가능성을 높일 수 있습니다.

最近의 연구에 따르면, AI-네이티브 바이오텍 회사들은 약물 발견에서 일부 기본적인 도전을 극복하기 시작했다는 것을 보여주고 있습니다. 예를 들어, Drug Discovery Today에 발표된 분석에 따르면, AI로 발견된 분자는 1상 임상 시험에서 역사적인 산업 평균보다 훨씬 더 성공적입니다. 이는 80-90%의 성공률을 의미하며, 이는 40-65%의 산업 평균과 비교됩니다.

이 초기 단계의 성공은 특히 중요합니다. 왜냐하면 이는 인공지능 기반 접근 방식이 약물 발견에서 가장 기본적인 도전 중 하나를 해결하고 있음을 나타냅니다. 즉, 약물 개발에 필요한 여러 특성을 가진 분자를 설계하는 것입니다.

다중 매개 변수 최적화의 힘

이 변혁의 핵심에는 인공지능 기반 계산적 화학이 인간보다 더 잘하고 빠르게 수행할 수 있는 기술이 있습니다. 즉, 다중 매개 변수 최적화입니다. 이는 잠재적인 약물의 여러 특성을 동시에 균형을 잡는 과정입니다. 예를 들어, 효능, 안전성, 특이성, 혈뇌 장벽 투과성 등이 있습니다. 이는 가장 유망한 후보 물질을 더 정확하게, 빠르게, 효율적으로 설계하는 데 도움이 됩니다. 이러한 특성이 서로 충돌하는 경우에도 vậy입니다.

전통적인 약물 발견 접근 방식은 한 번에 하나의 매개 변수만을 최적화할 수 있습니다. 이는 하나의 측면을 개선하는 동안 다른 측면이 나빠질 수 있습니다. 예를 들어, 뇌 종양을 치료하기 위한 약물은 혈뇌 장벽을 통과할 수 있어야 합니다. 그러나 효율적으로 장벽을 통과하는 약물은 목표에 대해 충분히 선택적이지 않을 수 있으며, 이는 약물의 효과를 감소시키거나 원치 않는 부작용을 유발할 수 있습니다. 전통적인 접근 방식은 혈뇌 장벽 투과성과 같은 문제를 먼저 최적화하고 나중에 다른 특성을 해결하려고 시도할 수 있습니다. 이는 나중에 문제가 발생할 수 있습니다.

반면에, 인공지능 기반 계산적 도구는 약물 설계에 대한 접근 방식을 근본적으로 바꿉니다. 순차적 최적화는 나중에 실패로 이어질 수 있지만, 인공지능은 이미 발견 단계에서 모든 중요한 매개 변수를 동시에 최적화할 수 있습니다. 연구자들은 여러 제약 조건에 대한 데이터를 입력하고 알고리즘이 모든 제약 조건에서 가장 잘 작동하는 알려진 분자 또는 새로운 분자를 생성하도록 요청할 수 있습니다. 빠르게 발전하는 생성적 인공지능과 기계 학습 도구를 사용하여 다중 매개 변수를 동시에 분석하여 최적의 약물 후보를 더 빠르고 정확하게 개발하면, 성공 가능성이 높아지고, 궁극적으로 더 효과적이고 신뢰할 수 있으며 안전한 치료법이 개발될 것으로 기대됩니다.

인공지능 기반 계산적 도구는 또한 다양한 치료 분야의 고유한 요구 사항을 학습할 수 있습니다. 인공지능 알고리즘은 이러한 세부적인 요구 사항을 포함하여 특정 질병과 표적 기관에 맞게 약물 후보를 생성할 수 있습니다. 예를 들어, 뇌 종양을 대상으로 하는 화합물은慢性염증과 관련된 질병을 위한 것과 다른 최적화 도전을 직면합니다.

이러한 인공지능 기반 접근 방식을真正로 강화하기 위해서는, 대규모 분자 데이터셋이 필요합니다. 이는 모델을 훈련시키기 위한 것입니다. 데이터셋이 클수록, 화학 공간의 범위가 커지고, 성공 가능성이 높아집니다. 수십만 개 또는 수백만 개의 분자를 스크리닝하고 수십 개의 분자를 개발에 넣는 대신, 계산적 연구자들은 수십억 개의 분자를 스크리닝할 수 있습니다.

다음 단계: 개발 파이프라인에 인공지능 접근 방식 통합

이러한 접근 방식의 복잡성이 증가함에 따라, 주요 도전은 이러한 접근 방식을 확대하는 능력입니다. 따라서 약물 발견에서 인공지능을 활용하는 다음 단계는 인공지능 에이전트를 포함하는 도구를 통합하는 것입니다. 인공지능 에이전트는 인간의 개입 없이 복잡한 작업 또는 프로세스를 수행할 수 있는 자율적인 계산적 시스템입니다.

예를 들어, 에이전트는 필요한 정보를 수집하고 분석하여 덜 관련된 약물 후보를 제외할 수 있습니다.

에이전트가 여러 매개 변수, 화학적 제약 조건 및 독성 수준과 같은 변수를 훈련하면, 궁극적으로 연구자에게 질병에 대한 주요 분자 후보를 제공할 수 있습니다.

제약 산업의 도전은 이제 인공지능 기반 계산적 약물 설계를 채택하는 것이 아니라, 기존 개발 파이프라인에 얼마나 빠르고 효과적으로 통합할 수 있는지입니다. 여전히 도전이 남아 있지만, 초기 증거는 인공지능과 계산적 화학이 더 나은 약물 개발을 효율적으로 개발하고, 더 많은 환자에게 더 빠르게 도달하는 데 핵심을握하고 있음을 시사합니다.