IT 전문가 추천 '신약개발서 인공지능 잘 활용하는 방법' 3가지
국내출처: 히트뉴스
IT 전문가 추천 '신약개발서 인공지능 잘 활용하는 방법' 3가지
"컴퓨터공학자 입장에서 신약개발에서 AI가 미치는 영향은 △Chemical space △Genetic space △Disease space 탐색을 어떻게 하느냐에 달려 있다고 봅니다."
김선 서울대학교 컴퓨터공학부 교수 및 목암생명과학연구소장은 25일 서울 강남 소재 한국고등교육재단빌딩 컨퍼런스홀에서 최종현학술원 주최로 열린 'AI로 다시 쓰는 바이오 혁신' 강연에서 AI가 신약 개발에 미치는 영향에 대해 이같이 말했다.
최근 신약 개발에 인공지능(AI)을 활용한다는 기업이 늘어나며 AI에 대한 관심이 높아진 상황이다. 김선 목암생명과학연구소장은 "약이 단백질(protein)을 타깃하면 우리 몸의 세포는 유전자가 상호작용을 통해 약의 효과가 어떤 생물학적 기전을 바꿔 세포의 집합체인 사람이 바뀌는 구조"라며 "우리가 해야 할 일은 약에서 작은 분자 모달리티에 대한 부분을 찾아내는 것인데, 이게 딥러닝이 하는 일"이라고 부연했다. 계산할 수 없는 함수를 데이터로 계산하는 과정이 딥러닝에 해당한다.
따라서 김 연구소장은 신약 개발에서 AI를 효율적으로 활용하기 위해 △Chemical space △Genetic space △Disease space 탐색의 중요성을 강조했다.
Chemical space란 신약개발을 하는 사람들이 실험을 통해 탐색해 온 방법을 말한다. 이를 컴퓨터로 확대하게 되면 관찰이 AI를 통해 가설을 만들고 이 가설을 검증하는 실험까지의 과정이 모두 포함된다. 김 연구소장에 따르면 Chemical space는 이미 혁신이 많이 발생한 상황으로 48000개의 후보 물질에서 220만개의 합성물을 만들어 낼 정도다. 대표적인 예시로는 구글 딥마인드에서 개발한 단백질 구조 파악 AI인 '알파폴드'가 해당한다. 알파폴드는 기존 습득한 데이터를 통해 단백질 구조를 예측하는 방식으로, 질병을 유발하는 단백질을 제어하는 신약 물질을 만드는데 활용 가능하다. 특히 예측한 것과 실험한 결과가 비슷해 어떤 것이 측정한 결과인지 구별할 수 없정도로 유사하다는 특징을 갖는다.
임상에서 효과적인 바이오 마커를 발굴할 수 있게 도움을 주는 것은 Genetic space에 속한다. 약물의 반응을 알게 되면 바이오 마커의 발견과 연결시켜 바이오마커의 약물 반응성을 예측하고, 순위를 정해 마커 발굴에 나서는 것이다. 기존에 사용하는 바이오마커는 돌연변이(mutation) 외에 별로 없지만, Genetic space를 통해 더 많은 바이오마커가 발견 가능하게 되며, 바이오마커 기반으로 환자 수준의 약물 반응을 예측해 임상실험 설계에 도움을 줄 수 있다는 특징도 갖는다.
김 연구소장은 Disease space의 대표적인 예시로 류마티스 관절염이나 아토피성 피부염 치료에 쓰이는 바라시티닙(baricitinib)을 들었다. 구체적으로 그는 "'관절염 약이 바이러스 증식을 억제해 코로나 바이러스에 효과적이지 않을까'라는 가설을 세우고 논문을 쓴 것"이라고 말했다. 이어 "셋 중 발전속도는 가장 느리기에 지식과 실험 데이터를 통합한 예측이 필요하다"고 덧붙였다.
마지막으로 그는 "△Chemical space △Genetic space △Disease space 세 가지를 동시에 다뤄야 하지만 제약회사가 AI를 신약개발에 활용하는 것은 쉽지 않아 협력이 필요한 상황"이라고 진단했다.