AI를 활용한 신약 개발: 과학자를 위한 한계와 실제 적용 사례
인공지능은 신약 개발 과정에서 표적 및 분자 발견을 가속화하지만, 데이터 품질과 해석 가능성 문제로 인해 전문가를 대체하지는 못합니다. AlphaFold 2는 단백질 구조를 예측하며, 현재 45개의 AI 생성 분자가 임상 시험 중에 있지만, 이질적인 데이터셋과 보편적 기술자의 부재로 인해 깊은 화학 및 생물학 전문 지식이 필요합니다. 임상 연구에서 AI는 하이브리드 모델 구축을 지원하지만, 타당한 예측을 위해서는 여전히 단순 회귀 모델이 선호됩니다.
신약 개발 단계와 데이터의 역할
신약 창출 과정은 표적 선정, 활성 구조 발견, 시험관 및 생체 내 실험, 임상 단계, 규제 평가를 포함합니다. 비용은 기하급수적으로 증가하며, 대부분의 후보물질은 초기 단계에서 탈락합니다.
주요 과제:
- 병원성 메커니즘과 결합 부위 식별
- 분자의 약리학적 특성 평가
- 다양한 실험에서 나온 데이터 해석
AI는 일부 작업을 해결합니다: AlphaFold 2는 아미노산 서열로부터 3D 단백질 구조를 생성하여 cryo-EM과 X선 결정학 비용을 절감합니다. 2024년 하사비스와 점퍼에게 수여된 노벨상은 이 돌파구를 확인시켜 주었습니다.
분자 발견에서의 AI 과제
화학 구조는 ML 모델에 직접 입력되지 않습니다. 기술자가 사용됩니다: 물리화학적(logP, 분자량), 그래프 표현, 또는 Morgan 지문.
| 기술자 유형 | 장점 | 한계 |
|---------------|-------------|-------------|
| 1D/2D (SMILES, ECFP) | 계산이 단순 | 3D 형태 무시 |
| 3D 그래프 기반 | 공간 기하학 고려 | 높은 계산 복잡도 |
| 물리화학적 | 해석 가능성 | 불완전한 특성 범위 |
고차원성(수천 개의 특징)은 대형 제약사 외에서는 구할 수 없는 대규모 데이터셋을 요구합니다. 생물학적 활성은 조건(세포 유형, 수용체 밀도)에 의존합니다. 이질적인 데이터는 전문가 전처리 없이 인공물을 초래합니다.
성공 사례도 존재합니다: 2025년까지 45개의 AI 후보물질이 임상 시험 중입니다. FDA는 2016-2023년 동안 500건 이상의 AI 제출을 받았으며, 10가지 원칙(다학제적 접근, 위험 평가, 데이터 문서화)을 수립했습니다.
임상 모델에서의 AI: 해석 가능성 대 예측력
부작용 평가를 위해 로지스틱 회귀가 사용됩니다: 예측 변수는 용량, 연령, 성별을 포함하며, 결과는 사건 확률입니다. 이 모델은 해석 가능하며, 신뢰 구간을 계산할 수 있습니다.
신경망은 이를 잃습니다: 블랙박스 성격, 설명 부재, 소규모 초기 단계 샘플에서 신뢰할 수 없음. 예: 생물학을 무시한 모델은 원본 그림 3에서 보여준 것처럼 터무니없는 예측을 생성합니다.
생리학 기반 모델(PK/PD)은 세포 분열, 효소 억제와 같은 과정에 미분 방정식을 사용합니다. 이들은 예측뿐만 아니라 그래프와 가상 연구도 제공합니다.
교차 기능 팀이 필요합니다: 수학자 + 생물학자 + 임상 의사가 가정과 병태생리학을 검증합니다.
하이브리드 접근법과 미래 방향
절충안은 하이브리드 모델입니다: 미분 방정식 + 알려지지 않은 의존성을 근사하는 신경망. 현재 파일럿 프로젝트 단계이지만 유망합니다.
AI는 이미 지원합니다: 분석 코드 생성(Sonata Software). 처음부터 모델을 구축하는 AI 에이전트는 활발한 연구 영역입니다.
핵심 요점:
- AlphaFold 2는 구조 예측을 혁신했지만 표적 검증은 아님
- 45개의 AI 분자가 임상 시험 중이지만, 성공은 전문가의 기술자 해석에 달려 있음
- 해석 가능성 때문에 임상 환경에서는 단순 모델 선호
- 하이브리드는 생리학과 ML을 결합하여 신뢰할 수 있는 예측 제공
- 규제 기관은 AI에 대한 문서화와 위험 평가 요구
AI는 과학자를 향상시키는 도구이지만 대체하지는 않습니다: 타당한 결론을 위해서는 화학, 생물학에 대한 전문 지식과 상식이 여전히 필수적입니다.
— Editorial Team
아직 댓글이 없습니다.