신약 개발의 AI 혁명: 코드에서 치료제까지

수 세기 동안 신약 탐색은 우연, 막대한 비용, 그리고 엄청난 실패율로 특징지어지는 기념비적인 과업이었습니다. 유망한 가설에서 시장 승인 약물에 이르기까지의 여정은 10년이 걸리는 마라톤으로, 수십억 달러의 비용이 들며 후보 물질의 90% 이상이 임상시험 중에 실패합니다. 그러나 오늘날 우리는 이 힘든 과정이 우리 시대 가장 강력한 기술 중 하나인 인공지능에 의해 근본적으로 재편되는 새로운 시대의 문턱에 서 있습니다.

AI는 더 이상 공상 과학 소설에 국한된 미래적 개념이 아닙니다. 이는 신약 개발의 전통적인 장벽을 체계적으로 허물고 있는 실용적이고 강력한 도구입니다. 방대한 데이터 세트를 처리하고, 인간의 눈에는 보이지 않는 패턴을 식별하며, 놀라운 속도로 분자 상호작용을 예측함으로써 AI는 단지 새로운 치료법을 향한 경쟁을 가속화하는 것이 아니라, 경쟁의 규칙 자체를 바꾸고 있습니다. 이 글은 새로운 질병 표적을 식별하는 것부터 차세대 지능형 치료제를 설계하는 것까지, 전체 신약 개발 파이프라인에 미치는 AI의 심대한 영향을 탐구합니다.

엄청난 과업: 전통적인 신약 개발 파이프라인의 이해

AI의 영향 규모를 제대로 이해하려면, 먼저 기존 방식의 복잡성을 이해해야 합니다. 전통적인 신약 개발 과정은 자원 집약적인 선형적 단계의 연속입니다:

• 표적 식별 및 검증: 과학자들은 먼저 질병과 관련된 생물학적 표적(일반적으로 단백질이나 유전자)을 식별해야 합니다. 여기에는 그 역할을 이해하고 이를 조절하는 것이 치료 효과를 가질 것인지 검증하기 위한 수년간의 연구가 포함됩니다.
• 히트 물질 발굴: 연구원들은 수백만 개의 화합물을 포함하는 방대한 라이브러리를 스크리닝하여 표적에 결합하고 그 활성을 변경할 수 있는 분자인 '히트 물질'을 찾습니다. 대량 고속 스크리닝(HTS)으로 알려진 이 과정은 수백만 개의 무작위 열쇠로 가득 찬 창고에서 특정 열쇠 하나를 찾는 것과 같습니다.
• 선도 물질 최적화: '히트 물질'이 완벽한 약물인 경우는 드뭅니다. 효과(역가)를 최적화하고, 독성을 줄이며, 체내에서 올바르게 흡수 및 처리(ADMET 속성: 흡수, 분포, 대사, 배설, 독성)되도록 화학적으로 수정하여 '선도 물질' 화합물로 만들어야 합니다. 이는 고통스럽고 반복적인 시행착오의 과정입니다.
• 전임상 및 임상시험: 최적화된 선도 물질 화합물은 여러 단계의 인간 대상 시험(임상)으로 넘어가기 전에 실험실과 동물에서 엄격한 테스트(전임상)를 거칩니다. 이 마지막이자 가장 비용이 많이 드는 단계에서 대다수의 약물이 예상치 못한 독성이나 효능 부족으로 실패합니다.

이 전체 파이프라인은 10-15년이 걸릴 수 있으며 25억 달러 이상의 비용이 듭니다. 높은 위험과 낮은 성공 확률은 희귀 질환을 해결하고 알츠하이머나 암과 같은 복잡한 질환에 대한 새로운 치료법을 개발하는 데 상당한 어려움을 야기했습니다.

AI의 등장: 제약 R&D의 패러다임 전환

인공지능과 그 하위 분야인 머신러닝(ML), 딥러닝(DL)은 데이터, 예측, 자동화에 기반한 새로운 패러다임을 도입합니다. 무차별적인 스크리닝과 우연에 의존하는 대신, AI 기반 플랫폼은 기존의 생물학, 화학, 임상 데이터로부터 학습하여 지능적이고 표적화된 예측을 할 수 있습니다. AI가 파이프라인의 각 단계를 어떻게 혁신하고 있는지 살펴보겠습니다.

1. 표적 식별 및 검증의 초고속화

첫 단계인 올바른 표적 선택은 틀림없이 가장 중요합니다. 잘못된 표적 선택은 처음부터 약물 프로그램을 실패로 이끌 수 있습니다. AI는 이 기초 단계를 여러 가지 방식으로 변화시키고 있습니다:

• 문헌 및 데이터 마이닝: AI 알고리즘, 특히 자연어 처리(NLP) 모델은 수백만 건의 과학 논문, 특허, 임상시험 데이터베이스를 단 몇 분 만에 스캔하고 이해할 수 있습니다. 이들은 서로 다른 정보 조각들을 연결하여 새로운 유전자-질병 연관성을 제안하거나 인간 연구자가 놓쳤을 수도 있는 생물학적 경로를 식별할 수 있습니다.
• 유전체 및 단백질체 분석: '오믹스' 데이터(유전체학, 단백질체학, 전사체학)의 폭발적인 증가와 함께, AI 모델은 이러한 방대한 데이터 세트를 분석하여 질병의 원인이 되는 유전적 돌연변이나 단백질 발현을 정확히 찾아내어 더 견고하고 실행 가능한 표적을 식별할 수 있습니다.
• '약물 적합성' 예측: 모든 표적이 똑같이 만들어지지는 않습니다. 일부 단백질은 저분자 약물이 결합하기 어려운 구조를 가지고 있습니다. AI 모델은 단백질의 구조와 특성을 분석하여 '약물 적합성'을 예측하고, 연구자들이 성공 가능성이 더 높은 표적에 노력을 집중하도록 도울 수 있습니다.

영국의 BenevolentAI와 미국의 BERG Health와 같은 글로벌 기업들은 이 분야의 선구자로서, 자신들의 AI 플랫폼을 사용하여 생물 의학 데이터를 면밀히 검토하고 새로운 치료 가설을 생성합니다.

2. 대량 고속 스크리닝에서 고지능 스크리닝으로

대량 고속 스크리닝(HTS)의 무차별적인 접근 방식은 AI 기반 가상 스크리닝에 의해 보강되거나, 경우에 따라 대체되고 있습니다. 수백만 개의 화합물을 물리적으로 테스트하는 대신, AI 모델은 분자가 표적 단백질에 결합하는 친화도를 계산적으로 예측할 수 있습니다.

알려진 분자 상호작용의 방대한 데이터 세트로 훈련된 딥러닝 모델은 잠재적인 약물 후보의 구조를 분석하고 놀라운 정확도로 그 활성을 예측할 수 있습니다. 이를 통해 연구자들은 수십억 개의 가상 화합물을 스크리닝하고 훨씬 더 작고 유망한 집합을 우선순위로 정하여 물리적 테스트를 진행함으로써 엄청난 시간, 자원 및 비용을 절약할 수 있습니다.

3. 신규 약물 설계(De Novo Drug Design): 생성형 AI로 분자 발명하기

아마도 AI의 가장 흥미로운 적용은 de novo 약물 설계일 것입니다. 즉, 완전히 새로운 분자를 처음부터 설계하는 것입니다. 생성적 적대 신경망(GAN)이나 변이형 오토인코더(VAE)와 같은 기술을 사용하여, 생성형 AI는 원하는 특정 속성 집합을 가진 새로운 분자 구조를 만들도록 지시받을 수 있습니다.

AI에게 "표적 X에 강하게 결합하고, 독성이 낮으며, 합성이 용이하고, 혈뇌장벽을 통과할 수 있는 분자를 설계해 줘"라고 말하는 것을 상상해 보십시오. 그러면 AI는 이러한 다중 매개변수 제약 조건을 충족하는 수천 개의 독특하고 실행 가능한 화학 구조를 생성할 수 있습니다. 이는 건초더미에서 바늘을 찾는 것을 넘어, 특정 자물쇠에 맞는 완벽한 열쇠를 만들어 달라고 AI에게 요청하는 것입니다.

홍콩에 본사를 둔 Insilico Medicine은 생성형 AI 플랫폼을 사용하여 특발성 폐섬유증(IPF)에 대한 새로운 표적을 식별하고 신약을 설계하여, 발견에서 첫 인간 임상시험까지 30개월 이내에 도달함으로써 업계 평균의 일부에 불과한 시간으로 헤드라인을 장식했습니다.

4. AlphaFold로 단백질 접힘 구조 예측에 혁명을 일으키다

약물의 기능은 그 표적 단백질의 3D 구조와 밀접하게 관련되어 있습니다. 수십 년 동안 단백질의 구조를 결정하는 것은 어렵고 비용이 많이 드는 실험 과정이었습니다. 2020년, 구글의 DeepMind는 아미노산 서열로부터 단백질의 3D 구조를 놀라운 정확도로 예측할 수 있는 딥러닝 시스템인 AlphaFold를 공개했습니다.

생명 나무 전반에 걸쳐 2억 개 이상의 단백질 구조를 전 세계 과학계에 무료로 제공함으로써, AlphaFold는 구조 생물학을 대중화했습니다. 이제 전 세계 어디에서든 연구자들은 매우 정확한 단백질 구조에 즉시 접근할 수 있게 되었고, 이는 구조 기반 약물 설계 및 질병 메커니즘 이해 과정을 극적으로 가속화했습니다.

5. 미래 예측: ADMET 및 선도 물질 최적화

많은 유망한 약물 후보들이 후기 단계 임상시험에서 예상치 못한 독성이나 좋지 않은 대사 프로필 때문에 실패합니다. AI는 조기 경보 시스템을 제공하고 있습니다. 머신러닝 모델은 과거의 ADMET 데이터로 훈련되어 새로운 분자가 임상시험에 도달하기 훨씬 전에 인체에서 어떻게 행동할지 예측할 수 있습니다.

잠재적인 문제를 조기에 표시함으로써, 이러한 예측 모델은 의약 화학자들이 선도 화합물을 더 지능적으로 수정하고 최적화하여, 진행되는 후보 물질의 질을 높이고 비용이 많이 드는 후기 단계 실패 가능성을 줄일 수 있게 합니다.

6. 맞춤 의학 및 임상시험 최적화

AI의 영향은 임상 단계까지 확장됩니다. 유전체학, 생활 습관 요인, 의료 영상 등 환자 데이터를 분석함으로써 AI는 다양한 환자 하위 그룹이 치료에 어떻게 반응할지를 예측하는 미묘한 바이오마커를 식별할 수 있습니다.

이는 환자 계층화를 가능하게 합니다. 즉, 약물로부터 가장 큰 혜택을 볼 가능성이 있는 환자들을 등록하는 더 스마트한 임상시험을 설계하는 것입니다. 이는 시험의 성공 가능성을 높일 뿐만 아니라, 적시에 적절한 환자에게 적절한 약물을 제공하는 맞춤 의학의 초석이 됩니다.

당면 과제

엄청난 가능성에도 불구하고, AI를 신약 개발에 통합하는 데에는 어려움이 따릅니다. 앞으로 나아가기 위해서는 몇 가지 주요 문제에 대한 신중한 탐색이 필요합니다:

• 데이터 품질 및 접근성: AI 모델은 훈련에 사용된 데이터만큼만 우수합니다. '쓰레기가 들어가면 쓰레기가 나온다'는 원칙이 적용됩니다. 고품질의 표준화되고 접근 가능한 생물 의학 데이터가 중요하지만, 종종 독점 데이터베이스에 격리되어 있거나 비정형 형식으로 존재합니다.
• '블랙박스' 문제: 많은 복잡한 딥러닝 모델은 '블랙박스'일 수 있으며, 이는 그들의 의사 결정 과정을 쉽게 해석할 수 없다는 것을 의미합니다. 안전성과 작용 메커니즘이 가장 중요한 신약 개발에서는 AI 모델이 왜 특정 예측을 했는지 이해하는 것이 중요합니다. 더 설명 가능한 AI(XAI)를 개발하는 것이 주요 연구 분야입니다.
• 규제 기관의 수용: 미국 식품의약국(FDA)이나 유럽의약품청(EMA)과 같은 글로벌 규제 기관들은 여전히 AI를 사용하여 발견 및 설계된 약물을 평가하기 위한 프레임워크를 개발하고 있습니다. 검증 및 제출에 대한 명확한 지침을 수립하는 것이 광범위한 채택에 필수적입니다.
• 인간 전문성 및 협업: AI는 과학자를 대체하는 것이 아니라 도구입니다. 신약 개발의 미래는 AI 생성 가설을 검증하고 연구 과정을 안내할 수 있는 생물학자, 화학자, 데이터 과학자 및 임상의로 구성된 학제간 팀과 AI 플랫폼 간의 시너지 효과적인 협력에 있습니다.

협력의 미래: 질병에 맞서는 인간과 기계

제약 R&D에 AI를 통합하는 것은 한때 상상할 수 없었던 미래를 만들고 있습니다. 우리는 다음과 같은 세계로 나아가고 있습니다:

• 디지털 생물학: 실험실의 로봇 자동화와 결합된 AI는 가설, 설계, 테스트, 분석의 신속한 폐쇄 루프 사이클을 가능하게 하여 발견의 속도를 엄청나게 가속화할 것입니다.
• '공략 불가능한' 표적에 도전: 많은 질병은 전통적인 방법으로는 '공략 불가능하다'고 여겨졌던 단백질에 의해 발생합니다. 방대한 화학 공간을 탐색하고 복잡한 상호작용을 예측하는 AI의 능력은 이러한 어려운 표적을 공략할 새로운 가능성을 열어줍니다.
• 세계 보건 위기에 대한 신속한 대응: AI의 속도는 팬데믹 상황에서 중요한 자산이 될 수 있습니다. 새로운 병원체의 구조를 신속하게 분석하고, 표적을 식별하며, 잠재적인 치료제를 설계하거나 기존 약물을 재창출하는 능력은 대응 시간을 극적으로 단축시킬 수 있습니다.

결론: 의학의 새로운 새벽

인공지능은 단순히 점진적인 개선이 아니라, 신약 개발의 규칙을 근본적으로 다시 쓰는 파괴적인 힘입니다. 역사적으로 우연과 무차별적인 힘에 의해 정의되었던 과정을 데이터와 예측에 의해 주도되는 과정으로 변화시킴으로써, AI는 신약 개발을 더 빠르고, 더 저렴하며, 더 정밀하게 만들고 있습니다.

코드에서 치료제까지의 여정은 여전히 복잡하며 모든 단계에서 엄격한 과학적 검증이 필요합니다. 그러나 인간의 지성과 인공지능의 협력은 새로운 새벽을 예고합니다. 이는 광범위한 질병에 대한 새로운 치료법을 제공하고, 개별 환자에게 맞춤화된 치료를 제공하며, 궁극적으로 전 세계 사람들을 위한 더 건강한 미래를 창조할 것이라는 약속을 담고 있습니다.