- AI와 ML이 초기 약물 발견을 재편하며, 프로세스를 가속화하고 비용을 절감하고 있습니다.
- AI 기반 예측 및 스크리닝은 약물 개발을 위한 효율적인 분자 선정을 가능하게 합니다.
- 데이터 공유와 전문성 분야의 과제를 해결해야 약물 발견에서 AI의 잠재력을 최대한 활용할 수 있습니다.
약물 분자를 개념에서 상업화까지 가져오는 과정은 길고 비용이 많이 드는 사업으로, 일반적으로 10~15년이 소요되며 실패를 고려할 때 성공적으로 출시된 약물당 최대 20억 달러의 비용이 발생합니다. 이 기사에서는 인공 지능(AI)과 머신러닝(ML)이 약물 발견을 가속화할 잠재력에 대해 깊이 파고들며, 그들의 영향과 한계에 대해 조명합니다.
약물 발견 가속화의 필요성
약물 개발의 초기 발견 단계는 상당한 비용이 발생하며, 파이프라인을 가속화하고 위험을 줄이기 위해 혁신적인 기술이 필요합니다. AI와 ML은 새로운 화합물의 화학적 '검색 공간'을 넓히고, 복잡한 특성 계산을 간소화하며, 종종 노이즈가 많고 불완전한 데이터에 대한 통찰력을 제공하는 능력을 제공함으로써 주요 역할을 하고 있습니다.
발견 단계에서 새로운 화학 물질(NCE)로 진행할 최적의 후보 분자를 선택하는 것은 복잡하고 시간이 많이 걸리는 작업입니다. 현재 약물 관심사를 대상으로 하는 새로운 분자를 찾는 것이 점점 더 어려워짐에 따라 연구자들은 습식 화학 및 생물학에 대한 예산이 기하급수적으로 증가하지 않으면서 더 많은 화합물을 평가하기를 갈망하고 있습니다.
최첨단 하드웨어에서 실행되는 AI와 ML은 이 지형을 혁신하고 있습니다. 이들은 전례 없는 규모로 분자를 선별하여 방대한 화학 라이브러리를 탐색할 수 있게 합니다. AI 기반 접근 방식은 합성 반응을 통해 생성된 분자의 '가상 라이브러리'를 구축하는 것부터 작은 조각들의 분자 스프로부터 분자를 조립하는 '생성형 AI'를 사용하는 것까지 다양합니다. 각 접근 방식에는 분자 접근성 및 다양성과 관련된 문제 등 강점과 과제가 있습니다.
AI/ML을 통한 약물 발견 가속화
약물 발견을 위한 AI(AIDD)는 아직 초기 단계이지만 이미 임상 시험에 진입한 화합물을 만들어냈습니다. AI와 ML의 영향은 다면적입니다.
1. 복잡한 계산의 단순화: AI/ML 도구는 약물 후보의 행동을 결정하는 복잡한 계산의 결과를 예측하도록 훈련됩니다. 예를 들어, AI는 화합물 라이브러리의 양자 역학을 근사하여 분자 특성에 대한 전자 기여도 분석을 극적으로 가속화할 수 있습니다.
2. 결합 에너지 예측: AI는 자유 에너지 섭동(FEP) 계산을 통해 결합 에너지를 예측할 수 있습니다. 전통적으로 자원 집약적이었던 이 접근 방식은 이제 AI 방법의 혜택을 받아, FEP 계산으로 라이브러리를 정확하게 선별하여 실험 결과와 비교 가능한 결과를 도출합니다.
3. 단백질 구조 예측: AI 모델은 실험 데이터가 없는 표적에 대한 단백질 구조를 생성할 수 있습니다. 이 분야는 어려움을 겪어 왔지만, AI 도구의 정교함과 출력물에 대한 이해가 깊어짐에 따라 AI가 생성한 단백질 구조는 약물 발견에서 점점 더 관련성이 높아지고 있습니다.
4. 선별 과정 간소화: AI 모델은 특정 약물 표적에 대해 초대형 분자 라이브러리를 효율적으로 선별할 수 있습니다. 수십억 개의 잠재적 약물 후보를 빠르게 평가함으로써 AI/ML은 후보 분석을 간소화하여 연구자들이 가장 유망한 화합물에 집중할 수 있게 합니다.
5. 합성 경로 최적화: AI는 복잡한 데이터 세트에서 패턴 인식에 뛰어나므로 원하는 분자에 대한 합성 경로를 생성하고 최적화하는 데 능숙합니다. 숙련된 화학자보다 훨씬 짧은 시간 내에 효율적인 경로를 찾는 AI의 능력은 중요한 장점입니다.
더 넓은 AI 채택을 위한 한계 극복
AI/ML이 약물 발견에 미치는 영향은 크지만, 여전히 과제가 남아 있습니다. AI 모델은 광범위한 데이터 세트가 필요하며, 제약 산업에서는 개인정보 보호 및 기밀 유지 문제로 인해 데이터 공유가 제한됩니다. AI의 잠재력을 완전히 발휘하려면 산업계가 데이터 공유에 더 개방적이 되어 AI/ML 도구가 복잡한 특성을 정확하게 예측할 수 있어야 합니다.
또 다른 과제는 약물 발견과 AI 모두에 능숙한 전문가의 부족으로, 이는 도구 활용과 통찰력 생성의 효율성을 저해합니다. 이러한 과제를 해결하는 것이 약물 발견에서 AI의 역할을 극대화하는 데 핵심적일 것입니다.
약물 발견에서 AI의 미래
AI가 약물 발견의 모든 측면을 대체할 가능성은 낮지만, 긍정적인 영향을 미칠 잠재력은 분명합니다. 양자 역학, 합성 경로 최적화, 단백질 구조 예측 및 기타 분야의 지속적인 발전은 약물 발견에서 AI의 역할을 계속 형성할 것입니다. 더 많은 데이터가 이용 가능해짐에 따라 AI/ML 도구는 복잡한 계산을 처리하는 데 더 잘 대응할 수 있게 될 것입니다.
AI/ML을 약물 발견 플랫폼에 통합하는 것은 이미 상당한 개선을 가져왔으며, 효율성을 높이고 비용을 절감했습니다. 이러한 기술은 제약 산업에서 후보 선정 가속화와 약물 개발 지형의 변화에 있어 점점 더 중요한 역할을 할 것입니다.
이 글을 읽고 계신다면, 이미 앞서 나가고 있습니다. 뉴스레터로 그 위치를 유지하세요.
면책 조항. 제공된 정보는 투자 조언이 아닙니다. Cryptopolitan.com 본 페이지에 제공된 정보를 바탕으로 이루어진 투자에 대해 어떠한 책임도 지지 않습니다. 투자 결정을 내리기 전에 반드시 독립적인 조사나 자격을 갖춘 전문가의 상담을 강력히 권장합니다.
존 팰머
John Murangiri는 시장 분석 기술을 갖춘 채 Cryptopolitan에 합류했습니다. John(별명 JP)은 나이로비 대학교에서 대중 매체 및 미디어 연구 학사 학위를 취득했으며, 이전에는 InsideBitcoins.com과 Metacoingraph에 암호화폐 시장 인사이트를 기여한 바 있습니다.
