암, 치매 등 인류의 건강수명을 위협하는 질병들과 코로나19 사태 등 새롭게 발생하는 치명적인 감염병들의 병인을 규명하고 치료법을 제시하기 위해 인공지능, 항암, 항바이러스, 감염, 미세먼지, 면역치료 등을 키워드로 생명과학과 의과학·의공학의 유기적인 공동연구를 수행하고 있는 지스트 연구센터의 이름은 무엇일까요?
※ 수집된 개인정보는 선물 발송을 위한 용도 외에는 사용하지 않으며, 발송 후 바로 폐기됩니다.
신약 개발은 여전히 평균 10~15년이 소요되고 막대한 비용이 드는 고위험 과정이다. 특히 임상 실패율이 높아 초기 단계에서 많은 후보 물질이 중단된다. 따라서 연구 효율성 제고와 지속 가능성 확보는 선택이 아닌 필수 과제가 되었다.
인공지능(AI)은 바로 이 지점에서 해결책을 제시한다. 신약 개발 전 주기 각 단계에 AI 기술을 도입하면 개발 속도가 크게 가속화되고 성공률이 향상된다. 대규모 화합물 및 타깃 데이터로 학습한 인공지능 모델로 최적의 후보를 선별하고, 임상 데이터를 기반으로 실패 확률이 높은 시도를 조기에 걸러내어 개발 속도를 크게 단축한다. 이는 단순한 비용 절감 차원을 넘어, 한정된 자원을 효과적으로 활용해 지속 가능한 연구 체계를 구축하는 방향으로 이어진다.
AI 신약 개발의 핵심은 데이터와 모델의 결합이다. 화학 구조를 그래프로 이해하는 신경망은 기존에 탐색하기 어려웠던 화학 공간을 확장하며, 생성형 모델은 효능·안전성·합성 용이성을 동시에 고려한 새로운 구조를 설계할 수 있다. 예를 들어, 대규모 분자 라이브러리를 활용한 AI 기반 가상 스크리닝은 기존 HTS(High-Throughput Screening)보다 수백 배 빠른 속도로 후보를 추출하며, 유효물질(Hit) 발굴 속도와 효율을 크게 향상시켰다.
생성형 모델은 리드 최적화(Lead Optimization)와 de novo 디자인 단계에서 성과를 보인다. 예를 들어, 강화학습 등의 생성 모델을 활용하여 독성 가능성을 낮추면서 목표 단백질 결합 친화도를 향상시킨 구조를 설계할 수 있다.
실제로 다수의 글로벌 제약사는 이 방식을 적용해 기존 대비 수개월 빠르게 임상 전 후보를 확보한 사례를 보고하고 있다. 특히 분자 합성 가능성을 고려하는 retrosynthesis 예측 모델과 결합하면, 단순히 이론적 구조가 아닌 실험실에서 바로 합성 가능한 화합물을 제안할 수 있어 연구 효율성을 극대화한다.
또한 유전체, 전사체 등의 오믹스데이터와 전자의무기록 등의 데이터를 통합하는 멀티모달 접근은 질병의 복잡성을 심층적으로 파악하게 해준다. 특히 전이학습과 자기지도학습은 희귀 질환처럼 데이터가 부족한 영역에서도 성능을 확보할 수 있게 한다. 이 과정에서 액티브러닝과 불확실성 정량화 기법은 실험 자원의 활용도를 극대화하며, 임상으로 이어질 가능성이 높은 후보를 효율적으로 선별한다. 이처럼 AI 모델은 단순 보조 도구를 넘어 신약 개발의 전략적 의사결정 과정에 직접 개입하고 있다.
AI 신약 개발이 단순한 기술 시도를 넘어 실제 임상 현장으로 확장되려면, 투명성과 신뢰성이 필수적이다. 데이터 특성에 따라, 개인정보 보호를 위한 연합학습 등 프라이버시 보존 기술도 적극 적용돼야 한다. 또한 설명 가능한 모델과 표준화된 벤치마크는 연구 결과의 재현성을 확보하며, 규제 기관과의 조기 협업 역시 중요하다.
성능 지표와 안전성 기준을 사전에 합의함으로써 임상 전환의 불확실성을 줄이고, 사회적 신뢰를 확보할 수 있다. 학계, 산업계, 규제기관 등이 함께 교육, 데이터 공유, 정책 지원을 아우르는 장기적 협력 구조로 이어져야 한다.
이러한 기반이 마련될 때, AI 신약 개발은 단발적 혁신이 아닌 지속 가능한 글로벌 플랫폼으로 자리 잡게 될 것이다.
(우)61005 광주광역시 북구 첨단과기로 123 (오룡동)
Tel. 062)715-2114 Fax. 062)715-2300
Copyright (C) 2017 Gwangju Institute of Science and Technology. All Rights Reserved
