AI에 의한 약물 개발

AI를 통해 복잡한 단백질 분석

인공지능(AI)은 약물 개발을 가속화하는데 도움을 줄 수 있습니다. 그러나 올바른 데이터를 제공해야 합니다. 단백질로 만든 약물 후보물질의 개발에서는 어려움이 있으며, 이러한 실패로 인해 약 10% 미만의 후보물질이 임상시험에서 성공합니다. 실패는 각 임상시험당 3,000만 달러에서 3억 1,000만 달러까지 비용이 들며, 수십억 달러의 비용과 연구년수를 낭비합니다. 더 많은 단백질로 만든 약물이 필요하며, 이러한 약물은 몸 내의 단백질과 상호작용할 수 있는 여러 방법을 제공하기 때문에 중요합니다.

이 문제를 해결하기 위해 AI를 활용한 약물 개발이 진행되고 있습니다. AI 모델은 이전 후보물질의 아미노산 서열 또는 3D 구조와 관련된 정보를 사용하여 훈련되며, 이러한 특성은 효능, 안전성 또는 제조 용이성과 관련될 수 있습니다. AI 모델은 데이터 패턴을 인식하고, 아미노산 서열을 제공하면 해당 단백질의 특성을 예측하거나 원하는 특성을 갖도록 개선된 서열을 설계할 수 있습니다.

AI 지도 아래 실험 기술의 발전도 AI 지도 약물 개발을 가속화하고 있습니다. 로봇 워크스테이션과 미니어처화된 기술은 더 많은 단백질을 동시에 테스트할 수 있게 해주어 AI 알고리즘을 훈련시키고 모델이 생성한 후보물질을 효율적으로 스크리닝할 수 있도록 도와줍니다.

그러나 신체 내에서 약물의 행동과 관련된 속성은 여전히 예측하기 어렵습니다. 이러한 속성을 정확하게 모델링하기 위해서는 기존 후보물질의 성공 또는 실패에 대한 데이터를 수집하는 것이 필요합니다. 그러나 개별 제약 회사들은 충분한 데이터를 혼자서 얻을 수 없습니다.

이를 해결하기 위해 연합 학습(federated learning) 및 액티브 학습(active learning)과 같은 특수한 기계 학습 접근 방식이 제안되고 있습니다. 연합 학습은 데이터를 공유하지 않으면서 기계 학습 모델을 업데이트할 수 있게 해줍니다. 액티브 학습은 모델의 신뢰도가 낮은 경우 더 신뢰성 있는 예측을 위한 훈련 데이터를 결정하는 알고리즘을 사용합니다.

상생 가능한 플랫폼 구현

이러한 방법을 조합하여 다양한 기업이 데이터를 공유하고 경쟁할 수 있는 플랫폼을 구축할 수 있습니다. 이를 위해 플랫폼을 선택하고, 협력사들이 공동으로 신뢰할 수 있는 제3자를 선정해야 합니다. 협력 비용은 기존 방법을 사용하여 약물을 개발하는 비용의 일부에 불과하며, 협력 모델에 의해 미래 약물 개발 비용이 저렴해질 것으로 기대됩니다. 또한, 어떤 측정 항목과 지표를 공유할지에 대한 결정이 중요합니다.

이러한 노력을 통해 약물 개발 분야에서 AI와 협력에 의한 혁신을 가속화할 수 있을 것으로 기대됩니다.