->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

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.

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.

‘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.

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.

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.

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.

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.