소개
시도하고자 했던 것과 그 이유를 알려주세요.
AI 주제에 자주 나오는 이야기 있습니다. '그래서 그게 지금 어디에 쓸 수 있다는 건데.'
저도 궁금했습니다.
알파폴드를 만든 사람들은 노벨 화학상도 타는데 대체 무엇이고 이건 산업을 어떻게 바꾸는가.
그래서 의식의 흐름을 따라 궁금한 것들을 ChatGPT와 퍼플렉시티에 물어가며 메모를 남겼습니다.
흐름1. 알파폴드
핵심은 단백질 구조 예측, 단백질과 다른 무언가의 상호작용을 예측 가능하다는 거겠죠?
그리고 노벨상을 탈 정도면 신뢰도가 높다고 봐도 될 것 같습니다.
흐름2. 단백질과 상호 작용 예측으로 무엇을 할 수 있나
출처: https://www.aitimes.kr/news/articleView.html?idxno=30951
전공자도 아니니 간단하게 이해하고 넘어가자면, 암치료제가 되었든 요즘 핫한 비만 치료제가 되었든 몸에 투입한 약이 목표한 곳에 가서 붙어야 합니다. 잘 붙는지 안붙는지 미리 예측한다 정도로 생각하면 될 것 같네요.
여기까지 내용은 Bae CH 님의 단백질이 신약을 만날 때 글에서 좀 더 상세하게 다루어주셨습니다.
흐름3. 예측해서 무엇을 합니까
진짜 의문은 여기서 시작합니다. AI가 단백질 예측을 할 수 있다. 이걸로 뭐가 바뀌나가 제일 궁금했습니다.
출처: https://sgsg.hankyung.com/article/2021090399191
신약 개발 과정에 대한 도표인데요. 다 설명하기엔 글이 너무 길고 제가 공부한 부분은 왼쪽 아래에 가상탐색 부분입니다. 2021년 기사이지만 이미 거의 다가온 미래였네요. 이리저리 물어봤지만 쉽게 쉽게 가기 위해 가장 좋아하는 프롬프트를 썼습니다.
그리하여
가상탐색이란 무엇일까요?
약을 만들 때는 병을 일으키는 나쁜 단백질을 막을 수 있는 물질을 찾아야 해요. 이 물질을 찾기 위해 컴퓨터 안에서 가상의 실험을 해보는 것을 가상탐색이라고 해요. 이렇게 하면 실제로 실험하지 않아도 어떤 물질이 효과가 있을지 예측할 수 있어요.
두 가지 가상탐색 방법
구조 기반 가상탐색: 나쁜 단백질의 모양을 알고 있을 때 사용해요. 단백질의 모양에 꼭 맞는 약을 찾는 거예요. 마치 퍼즐 조각을 맞추는 것처럼요.
리간드 기반 가상탐색: 단백질의 모양을 모를 때 사용해요. 대신에 이미 알고 있는 좋은 약들의 정보를 사용해서 비슷한 새로운 약을 찾아요.
인공지능 중에서도 딥러닝이라는 기술이 있어요. 딥러닝은 컴퓨터가 스스로 많은 데이터를 배우고 더 똑똑해지게 해줘요. 이 기술을 사용하면 어떤 물질이 약으로 좋을지 더 정확하게 알 수 있어요.
오호라, 가상 탐색 단계에 적용되네요. 그리고 기초, 탐색 연구 기간을 5년에서 1년 이내로 단축시켜 준다고 합니다. 감이 좀 안잡혀서 실제 사용례를 검색해봤습니다.
흐름4. 회사들
1. Atomwise (https://www.atomwise.com/)
소개: Atomwise는 AI 기반의 신약 개발 플랫폼을 제공하는 기업입니다.
특징: 딥러닝 알고리즘을 사용하여 단백질과 화합물 간의 상호작용을 예측합니다.
사용 사례: 전 세계 제약사와 협력하여 약물 발견 과정을 가속화하고 있습니다.
2. Insilico Medicine(Insilico Medicine)
소개: Insilico Medicine은 AI를 활용하여 신약 개발 프로세스를 혁신하고 있습니다.
특징: 생성적 적대 신경망(GAN)을 이용하여 새로운 화합물을 생성하고 최적화합니다.
실제 성과: 2020년에는 AI가 설계한 신약 후보 물질을 18개월 만에 임상 시험 단계로 진입시켰습니다.
3. Schrödinger(https://www.schrodinger.com/)
소개: Schrödinger는 분자 모델링 및 시뮬레이션 소프트웨어를 제공하는 기업입니다.
특징: AI와 물리학 기반 모델을 결합하여 화합물의 특성을 정확하게 예측합니다.
사용 사례: 제약사들이 약물 디자인과 최적화에 활용하고 있습니다.
GPT가 사용례로 알려준 회사들입니다. 3번은 얼마 전 스터디장님이 관련 분야 업계 1위라는 슈뢰딩거이군요. (업계 1위인데 주가는 그닥...나머지 둘은 비상장사입니다.)
빠르게 식별하고 빠르게 설계하고 성공률 높이고. 모두 탐색의 효율화를 높이는 것에 대한 내용이군요. 어떻게 찾는지 조금만 더 공부해 봤는데요.
생성적 적대 신경망(GAN)과 메시지 패싱 신경망(MPNN)이라는 두 딥러닝 모델을 사용한다고 합니다. GAN은 간단하게는 내부에 경찰과 위조지폐범을 만들어서 서로 경쟁하게 만들면 점점 더 그럴듯한 위조지폐를 만들게 되는 원리라고(ChatGPT가 이렇게 설명했습니다.)하며 데이터가 부족하더라도 데이터를 만들어낼 수 있는 장점이 있습니다. MPNN은 노드와 엣지로 구성된 그래프 구조 기반으로 학습하는데 그걸 그대로 원자(노드)- 화학결합(엣지)로 치환해서 학습시키기 때문에 화합물의 약리합성 예측에 좋다고 하네요. 이해는 여기까지만 하고 넘어가기로 했습니다. 신기하긴 하네요.
다른 회사도 마찬가지인거 같은데 HTS라는 용어가 등장합니다. 고속 대량 스크리닝(HTS)는 위 모식도에도 나온 내용이네요.
흐름5. 고속 대량 스크리닝(HTS)
수천, 수백만개의 시료를 동시에 실험하다니 엄청나군요. 내용을 좀 더 읽어보면 AI를 통해 이런 화합물 또는 시료를 미리 예측하고 정확도를 올려 사전 스크리닝을 해서 HTS단계에 좀 더 가능성이 높은 후보군을 올린다고 할 수 있겠습니다.
HTS 데이터의 분석에도 쓸 수 있군요. 신기한 부분이 있다면 HTS에서 세포의 변화를 이미지 데이터로 입력해서 그걸 바로 학습하고 변화도 분석하는 것 입니다. 우리가 얼굴이나 글씨 인식이라던지 이미지와 관련된 AI기술이 여기에도 사용되는 군요.
그리고 리드 화합물 최적화 부분에서 사용되는 것으로 QSAR(Quantitative Structure-Activity Relationship) 분석이라는게 있습니다.
QSAR 분석은 화합물의 분자 구조와 생물학적 활성 간의 수학적 관계를 모델링하여 신약 개발, 독성 예측 등 다양한 분야에서 효과적이고 안전한 후보 물질을 발굴하는 데 사용되는 핵심적인 도구입니다.
독성 예측에 사용되는 군요. 위의 딥러닝 모델들과는 뭐가 다를까 물어봤습니다.
어렵네요. 머신러닝과 딥러닝의 차이도 잘 모르는 비전공자에게는 이 정도면 충분한 것 같습니다.
제가 QSAR분석을 찾아본 이유는
바로 업계 1위 기업 슈뢰딩거가 이 QSAR 분석 플랫폼을 제공하는 기업이거든요.
이런 AI 분석 플랫폼을 제공하는 기업은
리커전 파마, 슈뢰딩거, 아이소모픽 랩스가 있습니다. 별로 없죠. 과연 이 친구들은 광산 앞에서 곡괭이를 파는 기업이 될 수 있을까요?
알아보기는 여기까지만 하겠습니다.
일단 제약 바이오 쪽에서 AI의 활용이 산업화되고 있는 부분은 가장 앞 단인 기초, 탐색 연구인 것 같습니다. 그 뒤의 동물 실험, 임상실험에 대해서는 임상 데이터를 기반으로 최적의 효과를 찾을 수 있는 실험군의 선정, 실험 과정의 최적화, 모니터링에서 도움 등등을 이야기하는 것 같긴 한데...제가 못 찾은 걸 수도 있지만 아직은 산업으로 올라온 정도까진 아닌 거로 보입니다.
그래도 지금 수준으로도 더 효율적으로 많은 시도들이 이루어지고, 좋은 약이 출현하는 빈도가 점점 높아지지 않을까 하는 기대감이 듭니다. 더 건강하고 오래 살 수 있으면 좋겠네요.
그리고 혹시 해서, 이 글은 절대 특정 주식을 추천 하는 글이 아닙니다.
제약, 바이오는 위의 모든 과정을 순조롭게 밟아가도 임상 시험의 마지막 단계인 3상에서 미끄러지면 이렇게 됩니다.
😵💫
끝
