연구자들, 인공지능을 통해 약물 결합 효율 계산으로 약물 발견 속도 향상에 목표를 두고 있다

MIT 연구자들은 최근 약물 발견을 가속화하기 위해 약물의 분자 결합 친화도를 평가하는 데 사용되는 계산의 속도를 높이는 새로운 인공지능 기반 기술을 개발했다. 약물은 설계된 작업을 수행하기 위해 단백질에 붙어야 하므로 약물이 단백질에 붙는 능력을 평가하는 것은 약물 발견 및 스크리닝 프로세스의 주요 부분이다. 기계 학습 기술은 이 중요한 약물 속성을 평가하는 데 소요되는 시간을 줄일 수 있다. 새로운 약물 평가 기술을 개발한 MIT 연구 팀은 이를 DeepBAR라고 부른다. DeepBAR는 기계 학습 알고리즘과 전통적인 화학 계산을 결합한다. DeepBAR는 주어진 후보 약물과 그 약물의 표적 단백질의 결합 잠재력을 계산한다. 새로운 분석 기술은 전통적인 방법보다 약물의 결합 능력에 대한 추정을 훨씬 더 빠르게 제공하며 이 기술이 약물 발견의 속도를 높일 수 있을 것으로 기대된다. 약물의 결합 잠재력은 결합 자유 에너지라는 지표로 양적화되며, 더 작은 숫자는 더 큰 결합 잠재력을 나타낸다. 낮은 결합 자유 에너지 점수는 약물이 다른 분자와 경쟁하여 그 역할을 수행하고 단백질의 정상적인 기능을 방해할 수 있는 능력이 크다는 것을 의미한다. 약물 후보의 결합 자유 에너지와 약물의 효과성 사이에는 높은 상관관계가 있다. 그러나 결합 자유 에너지를 측정하는 것은 khá 어렵다. 결합 자유 에너지를 측정하는 두 가지 일반적인 방법이 있다. 하나는 결합 자유 에너지의 정확한 양을 계산하는 방법이고, 다른 하나는 결합 자유 에너지의 양을 추정하는 방법이다. 추정은 정확한 측정보다 계산적으로 덜 비용이 들지만 명백히 정확성의 트레이드 오프가 있다. DeepBAR 방법은 정확한 측정 방법의 계산 능력의 일부만 사용하지만 높은 정확도의 결합 에너지 추정을 제공한다. DeepBAR은 일반적으로 결합 자유 에너지를 계산하는 데 사용되는 “Bennett 수용 비율”을 사용한다. Bennett 수용 비율은 두 개의 기준/종료 상태와 부분 결합 상태(중간 상태)를 사용하는 것을 요구한다. DeepBAR 접근 방식은 Bennett 수용 비율과 기계 학습 프레임워크 및 심층 생성 모델을 사용하여 결합 에너지 추정을 위해 필요한 계산의 수를 줄이려고 시도한다. 기계 학습 모델은 각 종료점에 대한 참조 상태를 생성하며 이러한 종료점은 실제 종료점과 충분히 정확하여 Bennett 수용 비율을 사용할 수 있다. MIT 연구 팀이 설계한 심층 생성 모델은 컴퓨터 비전 기술을 기반으로 한다. 본질적으로, DeepBAR는 분석하는 모든 분자 구조를 “이미지”로 처리하여 그 특징을 학습한다. 연구 팀은 3D 구조를 분석하기 위해 알고리즘을 약간 수정해야 했는데, 컴퓨터 비전 알고리즘은 일반적으로 2D 이미지에서 작동한다. 초기 테스트에서 DeepBAR는 전통적인 기술보다 약 50배 빠르게 결합 자유 에너지를 계산할 수 있었다. 아직 작업을 수행해야 한다. 더 복잡한 실험 데이터에 대해 모델을 검증해야 하는데, 이는 초기 테스트에서 사용된 비교적 간단한 데이터와 관련이 있다. MIT 연구 팀은 최근 컴퓨터 과학의 발전을 사용하여 모델을 tinh chỉnh하여 대형 단백질에 대한 결합 자유 에너지 계산 능력을 향상시키고자 한다. DeepBAR는 약물 발견 파이프라인의 속도를 높이기 위해 약물 발견 프로세스에 인공지능을 적용하려는 첫 번째 시도는 아니다. 다른 많은 연구 프로젝트도 약물 발견 파이프라인의 일부를 자동화하고 효율성을 개선하기 위해 인공지능을 사용했다. 그러나 이러한 전략의 효과를 제한하는 자연스러운 병목 현상이 있을 수 있다. Derek Lowe가 최근 ScienceMag.org의 블로그에서 주장했듯이, 약물 발견의 속도를 향상시키는 것이 목표라면 “올바른 문제를 해결하는” 것이 중요하다. 약물의 임상적 효과와 안전성을 평가하는 것은 상당한 시간이 걸리며 임상 실패율을 줄이기 위해 인공지능을 사용하는 것은 어렵다. 궁극적으로, 약물 발견에서 인공지능 방법이 절약할 수 있는 시간에 대한 하한선이 있을 수 있다. 적어도 인공지능이 임상 평가 프로세스에 의미 있게 통합될 때까지는 말이다. 그러나 개선은 개선이며 DeepBAR와 같은 연구가 더 많이 수행될수록 과학자들은 약물 발견 파이프라인의 다른 영역에서 인공지능을 사용하는 방법을 고려하기 위해 더 많은 시간을 가질 수 있을 것이다.