AI가 신약 후보 물질을 설계하는 주된 원리는?
요즘 AI 기술들이 개발되면서 AI가 신약을 찾는다고 하는데, 분자 구조를 어떻게 예측하고 효능을 판단할 수 있는 것인지 궁금합니다.
안녕하세요. 이성현 전문가입니다.
AI가 신약 후보 물질을설계하는 핵심 원리는 기존에 알려진 약물, tarket 단백질의 구조, 이전 결과 등을 종합하여 학습해 패턴을 찾는 것입니다.
대표적인 예시로 PPI(단백질-단백질 상호작용)를 조절하는 약물이 있습니다. 원하는 단백질에 상호작용할 수 있는 단백질의 구조를 예측함으로써 개발 방향을 모색할 수 있는 것 입니다.
안녕하세요. 이상현 전문가입니다.
AI는 방대한 화학, 생물학 데이터를 학습해서 분자구조와 단백질 표적 간 결합 가능성을 예측합니다.
딥러닝 모델은 가상 스크리닝으로 효능, 선택성, 독성 확률을 동시에 평가합니다.
이를통해서 실험 전 단계에서 신약 후보를 빠르게 설계하고 선별해냅니다.
감사합니다.
안녕하세요. 김채원 전문가입니다.
AI기반 신약설계는 대규모 생물, 화학데이터로 학습한 딥러닝 모델이
단백질-리간드 결합을 예측하고, 분자생성 가상 스크리닝으로 효능, 선택성 독성을 확률적으로 평가하는
원리에 기반합니다.
AI가 신약 개발에 혁신을 일으키고 있는 부분은 엄청 많고, 또 복잡한 데이터 속에서 일정한 규칙을 찾아내는 능력입니다. 사람이라면 한달이 넘게 걸릴지도 모를 규칙을 찾는 시간을 하루도 되지 않게 줄여주는 것이죠.
좀 더 자세히 말씀드리면 AI는 수억에서 수조 개에 달하는 화합물 데이터를 학습해 분자 그래프라는 수학적 지도로 화합물을 인식하느데, 특정 원자들이 만날 때 어떤 입체 구조를 가질 때 가장 안정적인지를 확률적으로 계산하여 3D 구조를 예측하는 방식입니다. 그리고 약물이 작용할 단백질 구조 또한 알파폴드 같은 기술로 파악해, 비유하자면 마치 열쇠와 자물쇠처럼 두 분자가 얼마나 완벽하게 결합하는지 수치화하여 나타냅니다.
그리고 동시에 과거의 방대한 임상 데이터를 바탕으로, 해당 분자가 몸속에서 안전하게 흡수되고 독성 없이 대사될지 미리 시뮬레이션합니다.
이를 통해 사람이라면 수십 년간 직접 실험해야 했던 과정을 단 몇 개월 만에 가상 공간에서 끝낼 수 있는 것입니다.
AI는 방대한 화합물 데이터와 단백질 구조 정보를 딥러닝 알고리즘에 학습시켜 분자 구조와 생물학적 활성 사이의 복잡한 패턴을 파악함으로써 신약 후보 물질을 설계합니다. 생성형 모델이나 그래프 신경망과 같은 기술을 활용해 표적 단백질에 결합할 확률이 높은 분자 구조를 가상으로 생성하거나 기존 구조를 최적화합니다. 이후 물리화학적 특성과 독성 및 효능을 컴퓨터 시뮬레이션으로 예측하여 실제 실험 전에 성공 가능성이 높은 물질만 선별하는 방식으로 작동합니다.