본문으로 건너뛰기

신약 개발 단계와 단계 별 AI tool 리스트

조기원

2024.11.12

신약 개발 단계와 단계 별 AI tool 리스트 본문 이미지

단백질 구조 기반의 신약 개발은 크게 네 가지 주요 단계로 나뉩니다.

최근 인공지능(AI)의 도입으로 데이터 분석과 예측의 정확도가 높아져 연구의 속도와 효율성이 향상되었습니다. 각 신약 개발 단계에서 활용 가능한 AI 도구와 그 도구들이 연구에 기여하는 방식, 그리고 고려해야 할 한계점을 정리해보았습니다.

(이미지 출처: Biodide 블로그)


  • 1단계: 표적 탐색 (Target Identification)

    • 질병 발병 기전을 이해하고 치료 타겟이 될 수 있는 특정 단백질이나 유전자를 식별하는 단계입니다.

    • 활용 가능한 AI 도구:

      • AlphaFold (Transformer-based prediction model)
        높은 단백질 구조 정확도로 표적 탐색에 적합하며, 많은 수의 단백질 구조를 정확하게 예측해 연구 효율성을 높임.
        한계점: 동적 구조나 복잡한 단백질-리간드 상호작용 예측에 제한적.

      • DeepChem (Graph neural networks, reinforcement learning)
        다양한 화합물과 표적 단백질 간 상호작용을 예측하여 약물 개발 초기 단계에 유용.
        한계점: 충분한 학습 데이터를 필요로 하며, 예측 모델의 일반화가 어려움.

  • 2단계: 리드 화합물 발견 (Hit Discovery & Lead Identification)

    • 식별된 표적 단백질과 결합할 수 있는 화합물(리드 화합물)을 탐색하여 초기 신약 후보를 선정하는 단계입니다.

    • 주요 업무 범주: 고속 스크리닝, 가상 도킹 시뮬레이션, 예비 특성 분석

    • 활용 가능한 AI 도구:

      • RoseTTAFold (Deep learning structure prediction model)
        단백질-단백질 상호작용 및 복합체 구조 예측에 효율적이며 복합체 설계에도 유용.
        한계점: 고정된 단백질 구조로 인해 구조적 유연성을 고려하기 어려움.

      • Schrödinger's Maestro (Physics-based model and machine learning)
        화합물의 구조와 결합 친화도를 효율적으로 분석하여 빠르게 스크리닝 가능.
        한계점: 가상 스크리닝의 정확도는 도킹 알고리즘에 제한적이며, 실제 실험 데이터와의 차이가 존재할 수 있음.

  • 3단계: 리드 최적화 (Lead Optimization)

    • 리드 화합물의 구조를 개선하여 약물의 효능, 안전성 및 생체 이용률을 최적화하는 단계입니다.

    • 주요 업무 범주: 화학적 구조 수정, 결합 친화도 개선, 독성 및 ADMET 평가

    • 활용 가능한 AI 도구:

      • Rosetta (Monte Carlo-based molecular simulation)
        분자 모델링과 구조 예측을 통해 최적화된 화합물을 설계하여 약물 효능 향상에 기여.
        한계점: 계산량이 매우 크고, 복잡한 구조에서는 시간이 오래 걸림.

      • Schrödinger's Maestro (Machine learning-based ADMET and toxicity prediction)
        독성 및 ADMET 예측을 통해 초기 단계에서 후보 물질의 안전성을 검토 가능.
        한계점: 실제 임상에서의 ADMET 데이터와 모델 간 불일치 가능성, 높은 비용 문제.

  • 4단계 : 임상 전 시험 및 후보 물질 검증 (Preclinical Testing & Candidate Validation)

    • 최적화된 후보 물질을 실험적으로 검증하여 임상 시험에 적합한지 평가하는 단계입니다. AI Endotyping을 통해 Personalized Medicine을 개발하는 데도 도움을 줄 수 있습니다.

    • 주요 업무 범주: 독성 및 안전성 시험, 약리학적 특성 평가, 환자 맞춤형 예측

    • 활용 가능한 AI 도구:

      • CryoSPARC (Image processing and structure prediction)
        Cryo-EM 데이터를 통해 전임상에서 구조 변화를 정밀하게 관찰해 임상 전 검증에 유리.
        한계점: 고비용 및 복잡한 장비 필요, 샘플 준비 및 분석에 시간 소요.

      • DeepChem (Machine learning-based toxicity prediction)
        독성 및 ADMET 예측 모델을 통해 전임상 단계에서 효율성을 높임.
        한계점: 예측 모델이 신뢰성 있는 독성 예측을 위해 충분히 검증되지 않은 경우가 있음.


**추후 수정 보완 될 수 있는 내용입니다. (2024-11-12)

앞으로 실제로 위 툴들을 경험하며 같은 각각의 단계에서 어떻게 활용될 수 있는지 파악해 나갈예정 입니다.

셀프스터디 방법 with ChatGPT 4o

구체적인 단계 구분하기 - 바운더리 설정

먼저 관련 서적에서 언급된 대로 약물 개발 과정의 주요 단계를 구분했습니다. 각 단계에서 요구되는 주요 업무와 AI 도구의 적용 가능성을 질문했습니다.

  • 표적 탐색 (Target Identification): 질병의 발병 기전을 이해하고 치료 타겟 단백질이나 유전자를 식별하는 단계.

  • 리드 화합물 발견 (Hit Discovery & Lead Identification): 타겟 단백질과 결합할 수 있는 화합물 후보를 탐색하는 단계.

  • 리드 최적화 (Lead Optimization): 리드 화합물의 구조를 개선하여 약물의 효능, 안전성, 그리고 생체 이용률을 높이는 단계.

  • 임상 전 시험 및 후보 물질 검증 (Preclinical Testing & Candidate Validation): 최적화된 후보 물질의 안전성과 독성을 실험적으로 검증하는 단계.

각각의 단계에서 활용 가능 한 AI툴을 요청했습니다.

표에 있는 한국어 단어 목록

마크다운 표를 옵시디언에 붙이면 더 깔끔하게 볼 수 있었는데, 게시판에 이렇게 작성할 수 없는 것 같아서 바닥 글 형식으로 요청했습니다.

각각의 툴이 어떤 AI 모델로 구동하는지 파악하는 것이 중요하다고 생각하여 추가로 내용을 작성해 달라고 했습니다. 이보다 더 많은 tool들이 많을 것 같아 내용은 업데이트 할 예정입니다.

2

함께 이야기해요 2

로그인하고 댓글을 남겨 주세요

강성준 프로필 이미지
강성준2024.11.13

실제로 Drug discovery나 repurposing 모델 등은 해외 AI신약개발 기업들도 오픈소스를 쓰는 경우도 있다고 합니다. 근데 너무 개발속도가 빠르다 보니까 논문도 일주일에 몇백편이 쏟아지구요. 그걸 쫒아가기가 바쁜 상황 같아요. ㅋㅋ

강성준 프로필 이미지
강성준2024.11.13

각 공정별로 중요한 툴들 정리가 아주 잘 된것같습니다!! GPT에게 공정 단계별로 적용 가능성을 받은것도 좋은것같습니다!! 실제로 현재 쓰이고 있는 이런 툴들 중에서 State-of-the-art(SOTA)모델이 뭔지도 팔로우업하고, 실제로 오픈소스로 사용이 된다면 좋을것같습니다!!

필요한 AI 정보만
메일함에 쏙쏙 넣어드려요.

지금 핫한 AI 소식부터 직접 해 본 사례까지, 월요일마다 무료로 받아보세요

우리 회사에도 이런 자동화를 도입하고 싶다면

회사 업무에 맞춘 AI 교육을 함께 설계해요.

기업교육 문의하기

이런 사례도 있어요

사례 전체 보기