mir.pe (일반/밝은 화면)
최근 수정 시각 : 2024-04-15 09:42:28

AI 신약개발


1. 개요2. 원리3. 특징
3.1. 신약개발에서의 AI 기술의 활용
3.1.1. 타겟 단백질 발굴3.1.2. 단백질 3차원 구조 규명3.1.3. 가상탐색3.1.4. 맞춤형 약물 최적화3.1.5. 임상 시험
3.2. 화합물 구조 표현 모델링 기술
3.2.1. 표현 모델링3.2.2. Sequence 기반3.2.3. Graph 기반
3.3. 신규 약물 후보군 생성 기술
3.3.1. VAE(Variational Auto-Encoder)3.3.2. RNN(Recurrent Neural Network)3.3.3. GAN(Generative Adversarial Network)
3.4. 특성 정량화 예측 기술3.5. 최적화 기술
4. 역사5. 현황
5.1. 기본 현황5.2. 정부에서 추진하는 ‘K-MELLODY’ 사업5.3. 국내 제약사들과 AI 기업들의 협업5.4. 국내 AI 기업들이 가진 인공지능 플랫폼
5.4.1. 히츠5.4.2. 닥터노아바이오텍5.4.3. 디어젠5.4.4. 스탠다임5.4.5. 신테카바이오5.4.6. 아론티어5.4.7. 온코크로스5.4.8. 에이조스바이오5.4.9. 파이로스아이비티(파로스아이바이오)
5.5. 협업 사례
5.5.1. 대웅제약5.5.2. 보령제약5.5.3. 삼진제약5.5.4. 유한양행5.5.5. JW중외제약5.5.6. 한미약품
5.6. AI를 이용한 신약 개발 사례(국내)
5.6.1. 파로스아이바이오의 ‘PHI-101-AML’5.6.2. 닥터노아바이오텍의 ‘NDC-002’5.6.3. 온코크로스의 ‘OC514’
6. 전망7. 한계8. 출처

1. 개요

신약 개발은 현재까지 시간과 비용이 많이 소요되며 성공률이 낮은 도전적인 과제이다. 최근에는 인공지능(AI) 기술이 이 분야에 혁신적인 솔루션을 제공하여 신약 개발의 효율성과 정밀성을 향상시키고 있다. AI의 등장으로 데이터 마이닝과 표적 분자의 구조 분석 등을 통해 신약 개발 과정에서의 정확성과 예측성을 향상시키고 속도를 높일 수 있게 되었다. AI를 활용한 기업들은 주로 표적 파악, 화합물 선별, 데이터의 신뢰성 확보 등에 중점을 두고 있다. 또한, AI를 신약 개발에 효과적으로 도입하기 위한 핵심 고려 사항으로는 데이터 접근성 개선, 협업 강화, 테크 대기업과의 협력, 신약 개발 파이프라인 다양화, 새로운 성과 지표 수립 등이 있다. 미래에는 AI를 통한 신약 개발이 의료 산업을 개혁할 것으로 예상된다. 더 정밀하고 표적화된 치료법의 개발을 통해 건강 산업은 더 개인화, 예측, 예방, 참여적인 의료로 진화할 것으로 전망되며, 이는 환자에게 새로운 치료 옵션을 제공하고 효과적인 케어 모델을 창출할 것으로 기대된다. AI 신약개발은 과학과 기술의 발전을 통해 신약 개발 과정을 혁신하고, 미래 의료 산업에 새로운 가능성을 열어가고 있다.

2. 원리

AI 신약 개발은 임상 데이터와 신약 개발에 적합한 AI 알고리즘을 활용하여 신약 개발하는 것을 의미한다. 신약 개발에는 후보 물질 탐색, 후보 물질 도출, 전 임상, 제1~3임상 시험, 허가 검토 및 승인 단계를 거친다. 하지만 이 과정에 AI를 도입하게 되면 임상시험 설계 단계에서 발생하는 시행착오를 줄일 수 있다.

3. 특징

신약개발의 여러 과정에 AI 기술이 도입될 수 있다.

3.1. 신약개발에서의 AI 기술의 활용

3.1.1. 타겟 단백질 발굴

AI는 질병에 대한 타겟 발굴 및 검증을 효율적으로 할 수 있는 기술로 사용된다. 논문 특허 데이터 화합물의 구조 및 효능 관련 자료, 유전체, 프로테오믹스 등 유전 및 단백질 관련 자료 등을 학습하여 타겟 선택 및 검증을 용이하게 하고 기존 약물의 재활성 또한 향상할 수 있다.

3.1.2. 단백질 3차원 구조 규명

현 신약개발에서 가장 어려운 과제로 정확한 후보물질을 발견하더라도 타겟 단백질 및 활성 부위의 구조를 알지 못한다면 신약의 유효성에 대해 알지 못한다. 지금까지 단백질 3차원 구조는 X선 결정학(결정 내로 입사된 X선의 회절 이용하여 결정의 원자, 분자 구조를 밝혀내는데 이용되는 도구)과 핵자기 공명 분광법(주어진 분자에서 화학적으로 다른 환경의 원자들을 구별할 수 있는 선택적인 방법으로 유기, 무기 화합물 뿐 아니라 생화학 화합물의 확인과 구조 결정에 가장 중요하게 사용되는 분광법 중 하나)을 사용하였다. 최근 구글의 ‘알파 폴더’(단백질 3차원 구조 규명에 AI기술 활용)를 발표하면서 인공지능이 단백질 구조 유추의 새로운 방법론이 될 수 있음을 보여주었다.

3.1.3. 가상탐색

대상 타겟에 대해 활성을 나타내는 약물 후보를 선별하는 스크리닝 단계를 거치는데 이 단계에 AI 기술을 적용하여 활성 화합물 스크리닝의 효율성을 높이고 있다.

3.1.4. 맞춤형 약물 최적화

AI 기술이 최종 후보물질을 도출하여 임상시험을 위한 단계에도 사용된다. AI는 독성 예측, 전임상 시험 설계 및 실험 결과 분석의 정확성을 높이는 데도 사용된다.

3.1.5. 임상 시험

최종 신약물질 후보는 임상 시험을 거쳐 상용 의약품으로 승인 받는데 가장 핵심적인 부분은 적절한 임상 대상자를 선별하는 과정이다. 이 선별 과정에도 AI기술을 사용할 수 있고 이를 통해 분석 결과의 정확성을 높여 임상 시험의 효율성고 신뢰성을 향상시킬 수 있다.
뿐만 아니라 신약이 상용화된 이후 약물 부작용이나 관련 정보 분석 등 약물 모니터링 과정에서도 AI 기술을 적용할 수 있다.

3.2. 화합물 구조 표현 모델링 기술

3.2.1. 표현 모델링

인공지능 모델이 화합물의 분자 구조 학습하여 새로운 화합물을 출력하기 위해서 인공지능이 이해할 수 있는 형태로 화합물의 분자 구조를 변환하는 과정

3.2.2. Sequence 기반

문자 형태로 다양한 기계학습 알고리즘에 활용하기 편하다. 하지만 유사한 분자구조를 다른 결과물로 표현할 수 있다는 한계가 있다.

3.2.3. Graph 기반

Sequence 기반 표현 모델링 방법에 비하면 직관적이고 실제 화합물의 분자 구조에 가까운 표현이 가능하다. 하지만 Graph 형태의 데이터를 입력받을 수 있는 기계학습 방법에만 입력이 가능하다는 한계가 있다.

3.3. 신규 약물 후보군 생성 기술

새로운 화합물을 발굴하기위해 알려진 약물에 대한 학습 데이터를 구축해야 한다. 이를 위해 VAE, RNN, GAN방법을 이용한다.

3.3.1. VAE(Variational Auto-Encoder)

입력 데이터를 압축 및 복원할 수 있는 형태로 입력데이터를 표현할 수 있는 분포 학습하여 이를 통해 학습 데이터와 유사한 데이터를 생성해낼 수 있는 방법

3.3.2. RNN(Recurrent Neural Network)

시간이나 순서에 따라 기록된 데이터 분석하는 데 뛰어난 성능을 발휘하는 딥러닝 방법

3.3.3. GAN(Generative Adversarial Network)

새로운 화합물을 만들어내는 물질과 만들어진 화합물이 실존하는 화합물인지 만들어진 화합물인지 판별하는 식별장치가 서로 대립하며 학습함으로써 성능 개선해 나가는 방법

3.4. 특성 정량화 예측 기술

QSAR과 유사한 방법으로, 생성 모델에서 생성한 새로운 화합물 분자 구조에 대한 특성값 예측함
->QSAR(Quantitative Structure-Activity Relationship) : ‘비슷한 구조의 화합물질은 비슷한 특징을 가진다’를 전제로 화학물질의 구조와 물리화학적 성질 및 독성에 대한 정량적 상관관계로부터 값 예측하는 기술

3.5. 최적화 기술

생성모델과 예측모델의 손실값들을 통합하여 Gradient 기반으로 최적화하는 방법과 예측 모델의 예측값을 Reward로 사용하여 강화학습을 기반으로 최적화하는 방법이 사용된다. 강화학습은 목표 지점까지의 최적 경로 찾는데 우수한 성능을 나타낸다.

4. 역사

인공지능이 처음으로 만들어진 것은 20세기 중반으로 거슬러 올라간다. 1957년에 프랑크 로젠블라스트가 제안한 퍼셉트론은 초기 인공신경망 구조로서, 학습을 통해 기계가 간단한 패턴을 인식하도록 설계한 것이 인공지능 등장의 선두였다고 볼 수 있다. 그 후로 인공지능에 대한 개념은 점진적으로 발전했다. 누가 인공지능을 신약 개발에 최초로 활용했는지 정확히 알 수는 없지만, 그 활용이 신약 개발에서 두드러지게 나타난 시간대는 2010년대 초반으로 알려져 있다. 2010년대 초반에 인공지능 스타트업이 출현하기 시작했는데, 대표적으로 Atomwise가 있다. Atomwise는 분자 디자인 및 약물 스크리닝 분야에서 인공지능을 활용한 기업 중 하나로, 기존의 방법보다 효율적으로 새로운 약물 후보 물질을 찾고자 노력했다. Atomwise의 AI 시스템은 분자 디자인 단계에서 특정 질병이나 조건에 대한 효과적인 치료를 제공할 수 있는 분자구조를 찾기 위해 AI를 활용했다. 또한 화합물 스크리닝 과정에서 AI는 화합물의 바이딩 가능성을 예측하고 최적의 후보 물질을 선정하는 데에 많은 시간을 줄일 수 있었다고 알려져 있다. 이외에도 Numerate, Schrodinger와 같은 여러 인공지능 스타트업들이 분자 디자인, 약물 스크리닝, 화합물 최적화 등에 AI를 도입해 신약 개발에 기여하기 시작했다.
국외는 물론 국내에서도 AI가 신약 개발에 큰 기여를 하게 된 계기는 2015년에 부상한 인공지능의 학습법, 딥러닝이다. 딥러닝은 인간의 뇌가 정보를 처리하는 방식에서 영감을 받아 만들어진 신경망이라는 모델을 사용한다. 이 모델은 복잡한 데이터에서 특징을 학습하고, 패턴을 발견하여 문제를 해결하거나 예측하는 데에 사용된다. 특히 딥러닝의 발전은 생명과학 및 의약품 분야에서 큰 영향을 미쳤는데, 그 대표적인 것이 단백질 구조예측이다. 먼저 딥러닝 모델은 대량의 단백질 구조 데이터를 학습하고, 이 데이터엔 아미노산 서열과 구조 데이터 간의 복잡한 관계가 들어있다. 결과적으로 딥러닝 모델은 새로운 아미노산 서열이 주어질 때 해단 단백질의 구조를 예측할 수 있게 된다.
2020년 DeepMind의 딥러닝 모델인 AlphaFold가 단백질 구조예측에서 탁월한 성과를 냈다. CASP 14(Critical Assessment of Structure Prediction) 대회에서 연구자들이 자신이 모델이 실험적으로 결정된 단백질 구조에 얼마나 근접한 지를 평가받았는데, 100개 이상의 단백질 중 92개에서 실험 결과와 매우 유사한 구조를 제시하여 1위를 차지했다. AlphaFold의 주요성과는 빠르고 정확한 단백질 구조예측이 가능하다는 점이었다. 정확한 단백질 구조예측은 특히 바이러스나 암세포와 같이 특정 단백질의 구조를 이해하는 것이 중요한 응용 분야에서 큰 역할을 할 수 있다. 단백질의 정확한 구조를 알면, 해당 단백질이 수행하는 기능, 상호작용하는 다른 분자들과의 관계 등을 예측하고 이해할 수 있기 때문이다. 이는 특히 신약 개발에 있어서 특정 단백질을 타겟으로 하는 치료법을 개발하는 데에 큰 도움이 된다. 정확한 구조예측을 통해 연구자들은 특정 단백질과 상호작용하는 화합물을 신속하게 찾아낼 수 있으며, 이는 새로운 치료법의 발견으로 이어질 수 있다. 따라서 AlphaFold의 성과는 비단 단백질 구조예측 분야에서만 머무르지 않고, 의약학 및 생명과학 분야 전반에 걸쳐 혁신적인 발전을 이끌어낼 가능성이 있다는 것을 보여준 대표 사례이다.
이후 2020년대에 들어서면서, 외국의 화이자, 아스트라제네카, 베네볼런트 AI 등의 기업들이 AI 신약 개발을 이용해 많은 약물을 만들고 임상시험을 거치기 시작했다. 우리나라에서도 이러한 결과를 보고 AI 기술을 가진 기업들과 제약사들이 협업하여 새로운 인공지능 플랫폼을 만들고 약물을 만들어 임상 시험을 거치고 있다.

5. 현황

5.1. 기본 현황

신약 개발은 보통 시판하기까지 10년 이상의 시간과 2조 원 이상의 R&D 비용이 드는 대표적인 하이 리스크 하이 리턴의 사업이다. 여기서 R&D란 ‘Research and Development’의 약자로 연구 및 개발을 말한다. 신약 개발의 파이프라인(과정)에 인공지능을 여러 곳에 활용되지만, 특히 인공지능이 도입되어 큰일을 하는 신약 개발의 과정은 두 가지가 있다. 하나는 후보 물질 도출 단계이고, 나머지 하나는 임상 시험 단계이다.
후보 물질 도출 단계에서는 제약사들에서 전통적인 방법으로 연구개발 시 신약 개발 대상 질병을 정하고 이에 대한 논문을 400~500개 정도를 필터링하여 효과가 있을 후보 물질을 탐색해야 하지만, 인공지능은 한 번에 100만 건 이상의 논문 탐색과 셀 수 없을 정도로 많은 화학물질을 탐색하는 것이 가능해 연구자 수십 명이 몇 년 동안 해야 할 일을 하루 만에 진행할 수 있다. 임상 시험 단계에서는 인공지능이 화합물 구조의 정보와 생체 내 단백질의 결합능력을 계산하여 신약 후보 물질들을 먼저 제시할 수 있으며, 병원 진료기록을 토대로 연구하고 있는 질병과 관련성이 높은 임상 대상 환자군을 찾을 수 있다. 또한 유전체 변이와 약물의 상호작용을 예측해 임상 실험 디자인 설계 및 맞춤형 약물의 개발 단계에서의 시행착오를 현저히 줄일 수 있다.
이와 같은 인공지능의 다양한 기술을 활용하기 위해서는 인공지능 플랫폼이 필요하다. 인공지능 플랫폼은 인공지능 애플리케이션 및 서비스를 개발하고 실행하기 위한 소프트웨어와 하드웨어의 조합을 말한다. 인공지능 플랫폼은 위에서 언급한 AI 기술 말고도 다양한 AI 기술을 제공하고, 기업이나 개발자가 AI 솔루션을 구축하고 통합할 수 있도록 돕는다.

5.2. 정부에서 추진하는 ‘K-MELLODY’ 사업

‘K_MELLODY’란 2024년부터 AI 신약개발 사업 발전에 속도를 내기 위해 보건복지부와 과학기술정보통신부에서 공동으로 추진하는 사업이다. 이는 제약사가 보유한 데이터를 AI를 통해 훈련시켜 관련 기술을 공유하고 신약 개발 효율성을 극대화하는 것을 목표로 하고 있다. 현재까지 국내 22개 제약사가 적극적인 참여 의사를 밝힌 상태이고, 제약사 간 데이터를 공유할 수 있다는 장점이 있다. 한편, 해당 프로젝트는 연합학습 기술을 기반으로 하는데, 연합학습이란 AI가 각 기관이 보유한 정보를 그대로 공유하는 대신, 데이터를 학습한 결과물을 중앙 플랫폼에 집적하는 방식을 말한다. 따라서 개인정보 유출로부터 안전하다는 장점이 있다. 또한 K_MELLODY 사업은 개별 데이터를 안전하게 중앙화시키는 것뿐만 아니라 산업계에서 활용할 수 있는 고도화된 AI 모델을 개발하는 것으로 목표로 하고 있다. 공공 프로젝트인 만큼 KT, 카카오 등 국내 클라우드 회사는 물론, 기술을 개발하는 대학 연구실, 정부 출연연구실, AI 신약 개발 스타트업의 프로젝터들이 참여할 것으로 예상된다. 참여 기업들은 정부의 연구비 지원을 받을 뿐만 아니라 비참여 기업보다 먼저 연합학습 AI 모델을 확보할 수 있어 더욱 원활한 데이터 활용이 가능할 것으로 보인다.

5.3. 국내 제약사들과 AI 기업들의 협업

국내 제약사들은 글로벌 파트너사들과 신약 개발을 위한 공동 R&D를 진행하고 있으며, 이러한 전략적 방향성은 2018년을 기점으로 명확해지기 시작했다. 국내 제약사들은 협업할 파트너사들을 AI 전문기업으로 골랐다. 협업에서 제약사들은 그동안 축적되었던 신약개발과 관련된 데이터를 제공하는 역할을 하고, AI 전문기업들은 이러한 데이터를 학습시킬 인공지능 플랫폼을 개발하는 역할을 맡았다.

5.4. 국내 AI 기업들이 가진 인공지능 플랫폼

국내 제약사들과의 협업을 통해 새로운 의약학 플랫폼을 만들기도 하지만, 이미 가진 기술을 이용해 협업을 진행하는 AI 기업들도 많다. 다음은 주요 AI 기업들이 가진 기술 및 플랫폼에 관한 내용이다.

5.4.1. 히츠

Hyper Lab: 생성형 AI 신약개발 플랫폼. 신규 구조 디자인, 약물-단백질 결합력 예측, 약물 유효 물질 가상탐색, 약물 물성 예측 등 약물설계 과정에 인공지능 기술을 적용한 통합형 플랫폼(https://hyperlab.hits.ai/)

5.4.2. 닥터노아바이오텍

ARK: 통합형 의약학 네트워크, 약물 유전체, 환자 유전체 DB를 이용하여 신규타겟 발굴, 단일약물(복합체) 구조예측 플랫폼

5.4.3. 디어젠

Dr.UG: 유전체 데이터 분석, 바이오마커 예측, 후보물질 발굴 및 최적화에 특화된 딥러닝 기술 기반 플랫폼

5.4.4. 스탠다임

Standigm Best: Drug discovery space를 탐색하여 원하는 특성을 만족시키는 새로운 화합물 생성

5.4.5. 신테카바이오

NEOscan: 암 유전체 분석과 AI 딥러닝 기술을 기반으로, 환자의 면역시스템을 활성화시켜 암을 치료할 수 있는 신행항원 펩타이드 예측
DeepMatcher: 합성신약 후보물질 발굴

5.4.6. 아론티어

AD3: 표적 단백질 구조 예측, 구조기반 약물 설계, AD3 데이터베이스 활용, 구조기반 상호작용, 후보약물 도출

5.4.7. 온코크로스

ONCO AI Platform: 유전체, 약물, Input data를 Learning & Inference AI를 활용하여 후보물질 약물 도출
RAPTOR AI:

5.4.8. 에이조스바이오

AiMol: 가상의 압축 공간에서 약리 활성 물질의 구조적 특징을 찾아 조합, 조합하는 과정에서 특정 효능을 가감할 수 있는 알고리즘 플랫폼

5.4.9. 파이로스아이비티(파로스아이바이오)

Chmiverse: 약효정보 스크리닝용 화합물 데이터 베이스로부터 필요한 화합물을 검색하고 분석, 관리, 구매할 수 있는 AI 플랫폼

5.5. 협업 사례

5.5.1. 대웅제약

파트너사: 에이조스
AI 기반 합성치사 항암 신약 R&D 계약 체결, 자체 구축한 AI 플랫폼 바탕 합성치사 항암 신약 후보물질 탐색중, 후보 물질에 대한 효능과 임상을 통해 사업 진행 계획
파트너사: 파로스아이바이오
고형암 치료제 ‘PHI-501 임상시험용 원료 개발 및 위탁생산(CDMO)

5.5.2. 보령제약

파트너사: 퀀텀인텔리전스
AI 신약 개발 R&D 협약, 파트너사의 양자역학 기반 플랫폼 활용 혁신신약 후보 물질 도출, 신약 파이프라인 공동 발굴 계획

5.5.3. 삼진제약

파트너사: 사이클리카
AI 기반 신약 개발 R&D 협약, (삼진제약) 복수의 약물 타깃을 제안, (사이클리카) 자사의 AI 신약 부로 물질 발굴 플랫폼 적용하여 개발 가능 후보 물질 확보 계획
파트너사: 심플렉스
AI 신약개발 공동 연구 MOU 체결, (삼진제약) 복수의 약물 타깃을 제안, (심플렉스) AI 기술 기반 신약 후보 물질 발굴 플랫폼 적용하여 개발 가능 후보 물질 확보 계획
파트너사: 스탠다임
항암 신약 후보 물질 공동 연구 중

5.5.4. 유한양행

파트너사: 사이클리카
AI 기반 신약개발 공동 R&D 협약, 사이클리카의 AI 기반 후보물질 발굴 플랫폼을 활용해 유한양행 2개 R&D 프로그램 특성에 적합한 물리화학적 특징을 가진 후보 물질을 신속히 확보할 계획
파트너사: 신테카바이오
유전체 빅데이터 및 AI 플랫폼을 활용한 신약개발 MOU 체결, AI 플랫폼 활용 항암 활성 물질 발굴, 임상 시험 환자 유전체 분석을 통한 바이오마커 발굴 등 협력
파트너사: 파로스아이바이오
AI 기반 KRAS 저해제에 대한 기술이전 및 공동 연구개발 계약(MOU) 체결

5.5.5. JW중외제약

파트너사: 디어젠
AI 기반 혁신신약 개발을 위한 공동 R&D MOU 체결, JW중외제약이 개발중인 신약 후보 물질의 신규 적응증을 디어젠의 ai 신약 개발 플랫폼을 활용해 탐색 및 개발 계획
파트너사: 신테카바이오
AI 기반 신약개발 공동 R&D 협약, 질병을 일으키는 특정 단백질을 타깃으로 하는 혁신 신약 후보 물질 공동 발굴

5.5.6. 한미약품

파트너사: 스탠다임
AI 기반 신역 후보 물질 공동 R&D 협약, 도출된 신약 후보 물질은 한미약품 주도의 상업화 개발로 이어질 계획

이외에도 50여개의 많은 회사들이 서로 협력하여 신약 개발을 진행 중이다.

5.6. AI를 이용한 신약 개발 사례(국내)

인공지능을 도입해 신약을 만드는 것이 좋은 전망을 가지고 있는 것은 맞지만, 현 상황에서는 이렇다 할 가시적인 성과가 많이 없다. 실제로 임상 시험을 전부 거쳐서 시장에 나온 AI 신약은 거의 없다. 다음은 아직 시장에 나오진 않았지만, 개발에 어느 정도 성공하여 임상 시험단계까지 간 기업들의 약물이다.

5.6.1. 파로스아이바이오의 ‘PHI-101-AML’

파로스아이바이오는 인공지능 플랫폼 ‘Chmiverse’를 이용해서 급성 골수성 백혈병의 주요 치료 물질인 ‘PHI-101-AML’을 개발했다. 이 약물은 현재 임상 1상을 진행 중이고, 기술이전을 2025년 이내에 실현하고자 한다. 비교적 초기 개발단계이나 국내에서는 식품의약품안전처로부터 치료 목적으로 사용을 승인받았고,(단, 의료현장 내에서 적절한 치료 수단이 없는 백혈병 환자에게 한함.) 미국에선 희귀 질환 치료제로 등록돼 있어 임상 2상 후 조건부 품목 허가 승인이 가능할 것으로 보인다. 이 약물은 현재 최초로 국내에서 의료 치료에 사용된 AI 신약으로 AI 신약 개발의 희망 사례로 볼 수 있다.

5.6.2. 닥터노아바이오텍의 ‘NDC-002’

닥터노아바이오텍은 자체 개발한 ARK platform을 이용하여 뇌졸중 치료제인 ‘NDC-002’를 개발했다. NDC-002 또한 임상 1상이 식품의약품안전처로부터 승인되었다. 임상 시험 결과 보고서에 따르면 NDC-002는 약동학적 지표를 통해 개별 약물 단독투여군 및 병용 투여군의 혈중 농도를 비교한 통계적 분석 결과 유의한 약물 상호작용은 없는 것으로 판단됐다, 또한 중대한 이상 반응(SAE)과 예상치 못한 중대한 약물 이상 반응(SUSAR)이 발생하지 않았으며, 피험자 모두 합병증이나 후유증 없이 회복됐다. 결과적으로 임상 시험 결과 NDC-002가 각각의 단일 약물보다 부작용 측면에서 더 안전한 복합 신약이라는 것을 알 수 있었다. 이것은 NDC-002를 구성하는 각각의 약물의 병용 투여 시 안전성과 내약성이 입증되었다는 것을 뜻한다. 닥터노아바이오텍은 임상 1상의 긍정적인 결과를 토대로 미국 식품 의약국(FDA)과 임상시험 사전미팅을 진행하고 글로벌 임상 2상에 진입할 예정이라고 밝혔다.

5.6.3. 온코크로스의 ‘OC514’

온코크로스의 RAPTOR AI는 전사체 데이터를 AI 기술로 분석해 약물과 질병 사이의 상관관계를 예측하는 인공지능 플랫폼이다. 온코크로스는 이를 이용해 근감소성 치료제 ‘OC514’를 개발했다. 이는 정상 근육조직과 근감소증 조직의 비교 코호트 RNAseq 데이터를 활용해 유전자 발현 패턴을 분석한 결과로 만들어졌다. 또한 OC514는 OC501과 OC504를 근모세포에 병용투여하여 시너지를 이끌어냈다. 특히 동물실험에서 병용 투여 후 체중 변화를 관찰한 결과 단독투여군 대비 OC501 고용량군과 OC501 + OC504 병용 투여군에서 유의미하게 근육량이 증가한 것을 확인할 수 있었다고 한다. OC514는 OC501과 OC504를 같이 투여하는 형태의 약물이고, 근감소증 치료제로서 글로벌 임상 1상을 진행했다. 또한 온코크로스는 임상 1상 완료후 미국에서 임상 2a을 위한 미팅을 계획하고 있고, ALS, DMD 질병을 타깃으로 FDA ODD(희귀의약품 지정)도 준비 중이라고 밝혔다.

6. 전망

AI 신약 개발이 미래 제약 산업 핵심 분야로 떠오르고 있는 가운데 글로벌 제약사뿐만 아니라 국내 기업들도 빅데이터 분석과 AI기술을 이용한 혁신적인 신약 개발 기술 도입에 한창이다. 유한양행, 대웅제약, 한미약품, CJ헬스케어, JW중외제약 등 많은 제약사들이 다양한 방식으로 AI 기술을 도입해 적극 활용하고 있다. AI 기술은 IT 산업뿐만 아니라 제조업, 금융업, 서비스업 등 다양한 산업 분야에 활용되고 있다.특히 신약 개발 분야는 AI가 원활하게 구현되는 핵심 인프라 영역이다. 방대한 빅데이터와 AI 기술이 신약 개발 기간과 비용을 획기적으로 줄여 신약 개발의 성공율을 높이고 있다. AI 기반 신약 개발 기술에 정부도 힘을 싣고 있다. 정부는 2028년까지 매출 1조 원이 넘는 블록버스터 신약 2개를 탄생시킨다는 목표를 설정하고, 이를 위해 AI, 빅데이터와 같은 IT 신기술을 접목시킨다는 구상을 제시했다. 전통적으로 하나의 신약을 개발하기 위해 평균 15년이 필요하다. 이를 7년으로 단축하는 동시에 조단위 개발 비용은 6,000억 원 수준으로 감소시킬 수 있다는 게 정부 측 설명이다. 한국과학기술정보연구원 'AI 신약 개발' 보고서에 따르면, 글로벌 제약사들은 AI 기술을 활용한 신약 후보물질 탐색에 주목할 만한 성과를 내고 있으며, 후보물질 탐색부터 전임상 시험 설계, 독성 예측, 임상 시험 최적화 등 전 과정에서 빅데이터와 AI 기술이 활용되고 있다. 한국제약바이오협회 분석 자료에 따르면 세계 AI신약개발 시장은 2020년부터 2027년까지 연평균 45.7% 성장해 2027년 40억 달러(약 5조원)에 이를 전망이다. 국내 AI신약개발 시장 규모는 명확하지 않으나, 작년 기준 AI 신약 개발사 누적 투자유치금액은 약 6000억원으로 추산된다.

7. 한계

AI기반 신약개발에 필요한 것은 크게 두 가지이다. ‘양질의 데이터에 대한 접근성’과 ‘AI 신약개발에 대한 신뢰도’다.
AI 기술의 정확성은 데이터에 절대적으로 의존하는데 제약사가 보유한 데이터는 부족한 게 현실이다. 이런 한계 때문에 개별 기관에 특화된 화합물을 기반으로 개발된 AI 기술을 범용적으로 적용하기에는 예측 성능이 현저하게 떨어질 수밖에 없다. 공개된 자료들도 개별 기관 자체적으로 고유한 형식으로 데이터를 생성하기 때문에 정보를 학습시키고 활용하려면 이를 정형화해야 한다. 따라서 AI 기술이 실제 약물개발 과정에서 큰 도움이 되기 위해서는 양질의 빅데이터에 접근할 수 있어야 한다. 이런 점에서 지난해 1월 가명 처리된 데이터를 디지털 전환, 인공지능 분야 학습, 훈련의 툴로 활용할 수 있는 '데이터3법'이 통과된 점을 업계에서는 긍정적으로 평가하고 있지만 세부법령이 구체화될 필요성이 남아있다.
신뢰도 문제 또한 빼놓을 수 없다. 최근 각 산업에 AI 기술을 접목하는 일이 많아지면서 기술에 대한 이해도는 다소 올라갔지만, 여전히 신뢰도 면에서는 반신반의 하는 경향이 없지 않아 있다. 아직 AI를 통한 신약개발이 이렇다 할 성과를 내지 못하고 있기 때문에 AI 활용을 통해 임상 진입 등 가시적인 성과를 이뤄내는 것이 중요하다.

8. 출처

1. https://www2.deloitte.com/content/dam/Deloitte/kr/Documents/insights/deloitte-newsletter/2020/42_202002/kr_insights_deloitte-newsletter-42_focus-on-04.pdf
2. https://www2.deloitte.com/content/dam/Deloitte/kr/Documents/insights/deloitte-newsletter/2020/42_202002/kr_insights_deloitte-newsletter-42_focus-on-04.pdf
3. https://newsroom.daewoong.co.kr/archives/19864
4. 정명희, 권원현. (2021). 신약개발에서의AI 기술 활용 현황과 미래. 한국정보통신학회논문지, 25(12), 1797-1808
5. https://medigatenews.com/news/1258507544
6. https://www.newspim.com/news/view/20230804000844
7. https://www.medipana.com/medician/view.php?news_idx=317856
8. https://blog.naver.com/starmoonpick/222740572077
9. https://blog.naver.com/opecwkd/223122957738
10. https://newsroom.daewoong.co.kr/archives/13497
11. https://newsroom.daewoong.co.kr/archives/9082
12. https://www.khidi.or.kr/kps
13. https://www.pharosibio.com/
14. https://www.oncocross.com/
15. http://www.drnoahbiotech.com/
16. '한영웅, 정호열, 박수준. (2023). 신규 약물 설계를 위한 인공지능 기술 동향. 한국전자통신연구원
https://ettrends.etri.re.kr/ettrends/202/0905202005/