MRSA가 의료 현장에서 점점 더 흔해지고 있습니다 – AI가 대응 도구를 제공했을까요?

첫 번째 의료 혁명

페니실린, 최초의 항생제가 발명되기 전까지는 단순한 폐 감염이나 작은 상처조차도 치명적일 수 있었습니다. 이것은 사람들은 살아가며(그리고 사망하며) 받아들인 삶의 현실이었습니다.

오랫동안 새로운 항생제 계열이 정기적으로 발견되어 세균 감염 위협을 억제해 왔습니다. 최근 항생제 내성 박테리아의 등장으로 이러한 상황이 오래 지속될 수 있을지 의문이 제기되고 있습니다.

항균제 내성(AMR)은 2019년에 직접적으로 127만 명의 사망을 초래했으며, 사망자 중 5분의 1은 5세 이하 어린이였습니다. 또한 2019년에 사망한 495만 명이 약물 내성 감염으로 고통받았습니다. 2019년에 사망한 495만 명이 약물 내성 감염으로 고통받았습니다.

이는 특히 병원에서 문제가 심각합니다. 항생제 사용량이 많고 면역 체계가 약해 항생제 내성이 감염 및 사망의 주요 원인이 됩니다.

새로운 항생제와 항생제 내성 사이의 무기 경쟁에서 박테리아가 승리하고 있습니다. 시장에서 출시된 새로운 항생제 계열의 최신 발견은 1987년이 마지막이었습니다. 전통적인 수만 개의 화학 물질을 무작위로 스크리닝하는 방식은 더 이상 효과적이지 않습니다.

출처: ReAct Group

MRSA – 다가오는 의료 재앙

Staphylococcus aureus는 피부에 서식하는 박테리아입니다. 메티실린에 내성을 가진 Staphylococcus aureus(MRSA)는 메티실린과 같은 일반적인 항생제에 내성을 보이며, 종종 다른 치료제/항생제에 대한 내성도 함께 나타납니다.

대부분의 MRSA 감염은 병원이나 의료 환경에서 발생합니다. 예를 들어 투석 센터나 요양원 등이며, 피부와 피부가 접촉하면서도 전파될 수 있습니다.

피부에 존재하기 때문에 Staphylococcus aureus는 수술 후나 개방 상처에서 감염을 일으키기 쉬운 후보입니다.

MRSA 감염은 미국만 해도 연간 1만 명 이상을 사망에 이르게 하며, 8만 건 이상의 감염이 보고됩니다. MRSA 균주는 또한 마지막으로 남은 효과적인 항생제 중 하나인 반코마이신에 대해서도 내성을 보이기 시작했습니다.

이는 광범위하게 죽일 수 없는 MRSA가 확산되고, 항생제 시대 이전의 치명적인 박테리아 감염 시대로 되돌아가는 위험을 높이고 있습니다.

AI가 구원한다

수천 개의 후보 물질을 무작위로 스크리닝하는 방식이 더 이상 효과가 없다면, 수백만 개의 후보를 지능적으로 스크리닝하는 것은 어떨까요? 이것이 MIT 연구원들이 연구자를 이끌며James Collins가 진행하고 있는 작업입니다.

MIT 연구원들은 딥러닝 AI 모델을 사용해 어떤 화학 분자가 항균 활성을 가질 수 있는지 예측합니다.

먼저, AI 모델에게 항균 활성이 알려진 화학 패턴을 학습시켰습니다. 그 후 AI는 수백만 개의 잠재 분자 중 유사한 잠재력을 가진 것을 검사할 수 있습니다.

이를 위해 연구자는 먼저 MRSA에 대해 39,000개의 분자의 항생제 활성을 테스트하고 그 결과를 AI에 보여주어 무엇이 작동하는지 학습하도록 했습니다.

그들은 ‘Monte Carlo tree search’라는 방법을 개발해 AI 결과를 연구자들이 이해하기 쉽게 만들었으며, 잠재적인 새로운 항생제 분자의 어느 부분이 의료 결과에 책임이 있을지 보여줍니다.

AI 협업

해로운 박테리아를 죽일 수 있는 물질을 찾는 것만으로는 충분하지 않습니다. 화학 화합물이 환자에게 안전한지도 확인해야 합니다.

항생제 발견과 동일한 원칙을 따라, 연구진은 3가지 인간 세포 유형에 대한 독성을 예측하는 3개의 딥러닝 모델을 추가로 훈련시켰습니다.

이러한 발견 결과는 MRSA에 초점을 맞춘 AI 결과와 결합되어 항균 활성과 안전성 프로파일 모두에 적합한 후보 물질을 찾게 됩니다.

이는 AI 기반 약물 발견이 인간이 AI를 안내하는 것뿐만 아니라, AI가 서로 “대화”하고 협업하는 방식으로 점점 더 발전하고 있음을 잘 보여줍니다.

인상적인 결과

MIT 연구진은 1,200만 개 이상의 화학 화합물을 분석했습니다. 특히 이 1,200만 개 화합물 모두가 상업적으로 이용 가능했기 때문에 새로운 항생제로 상용화하기가 더 쉬웠으며, 제조를 위한 공급망도 이미 구축되어 있었습니다.

AI의 도움으로 280개의 후보 물질이 선정되었습니다. 이들을 MRSA에 테스트한 결과, 동일한 계열의 2개 화합물이 MRSA를 10배 감소시키는 것으로 나타났습니다. 이 항생제는 박테리아 세포막의 전기화학 구배를 교란시켜 작용합니다.

이는 연구팀에게 새로운 성공이며, 이전에 발견한 2개의 새로운 잠재 항생제(하지만 MRSA에 효과적이지 않음) halicin와 aubicin와는 별개입니다.

미래 약물 발견에 대한 의미

제약에서 바이오텍으로, 다시 제약으로?

약물 발견은 언제나 제약 회사 모델의 핵심이었습니다. 특허가 만료되고 새로운 독점 약물이 필요해지면서 자금 흐름을 유지하고 추가 R&D 및 의료 진보를 지원하는 데 필수적인 비즈니스 요소였습니다.

불행히도, 자연계와 인공 분자를 스크리닝해 새로운 활성 화합물을 찾는 접근 방식은 다소 정체되었습니다.

이는 바이오텍 기업이 항체와 같은 생물학적 분자를 사용하게 된 주요 동력이 되었으며, “구식” 제약 회사들이 바이오텍 스타트업을 인수하게 만들었습니다. 그 결과 많은 기업이 R&D 중심 비즈니스가 아닌 “마케팅 기계”로 전락했습니다.

화학 기반 약물 발견이 더 성공적이 된다면, 제약 회사들이 R&D에 더 많은 투자를 하고 바이오텍 인수는 줄어드는 모습을 볼 수 있을 것입니다.

이는 산업에 광범위한 영향을 미칠 수 있습니다:

• 혁신적인 제약 회사들의 성장 회복.
• 바이오텍 스타트업에 대한 입찰 경쟁 감소 가능성.
• 치료가 미흡한 질환에 대한 새로운 “블록버스터” 화학 약물 발견 가능성.

기술과 제약의 융합

성공적인 AI 기반 약물 발견의 또 다른 영향은 이 과정이 의학·화학보다 데이터와 신경망에 더 많이 의존하게 된다는 점입니다.

이는 기술 기업과 제약 기업 간의 깊은 관계를 열어줍니다. 잠재적으로, 약물 발견 AI는 1980년대 바이오테크의 부상만큼 산업을 변혁시킬 수 있습니다.

또한 제약과 AI 거대 기업 간의 새로운 합작 투자도 등장할 수 있습니다. 예를 들어, 제약 측에서는 Pfizer (PFE ) 나 Novartis와 같은 거대 기업이, AI 측에서는 Google이나 Microsoft (MSFT ) 와 같은 기업이 공동 소유하는 약물 발견 회사를 상상해 볼 수 있습니다.

AI‑drug discovery가 AI의 주요 수익원 중 하나가 된다면, 기술 기업이 제약 회사를 인수하는 경우도 나타날 수 있습니다.

데이터의 힘

AI는 방대한 데이터 보물창고 덕분에 구축됩니다. MIT 연구도 예외는 아니었으며 주로 Mcule database에 의존했습니다. 약물 발견을 위한 디지털 데이터 제공업체 분야는 아직 초기 단계이며 비영리와 사기업 스타트업이 주도하고 있습니다.

장기적으로는 산업이 통합되고 몇몇 핵심 제공업체가 IPO를 통해 등장할 가능성이 높습니다.

인실리코 독성 예측

MIT 발견의 마지막 효과는 화학 독성 및 임상 시험 성공을 예측하는 방식을 재고하게 만든다는 점입니다.

최근까지는 인간의 경험·직관과 동물·인비트로 모델이 새로운 분자와 관련된 위험을 평가하는 주요 방법이었습니다.

AI 딥러닝은 새로운 항생제 계열을 찾는 것뿐만 아니라, 후보 물질이 독성이 없을 가능성을 예측하는 데도 도움이 될 수 있습니다. 이는 AI를 활용해 인간에게 독성을 테스트하는 1단계 임상 시험에서 실패하는 약물 수를 줄일 가능성을 열어줍니다.

약 35%의 후보 화학 물질이 1단계 임상 시험에서 실패합니다. 이 비율을 낮추면 약물 개발 속도가 빨라지고 평균 R&D 비용도 감소합니다.

출처: Duxin Sun et al

AI 약물 발견으로 혜택을 보는 상위 3개 기업

이 MIT 발견은 재단, 비영리 및 공공 자금으로 지원되었습니다. 그러나 투자자들은 여러 상장 주식을 통해 AI 기반 약물 발견에 노출될 수 있습니다.

일반적으로 디지털 및 AI 시스템을 활용하는 약물 발견 기업은 두 가지 축으로 구분될 수 있습니다:

1. 계산 기반 vs. 습식(생물학) 데이터 통합.
2. 개발 단계, 파트너십, 그리고 계산·데이터 자원.

출처: Recursion

(이 목록에 있는 기업들은 NVIDIA (NVDA ) 하드웨어와 같은 AI 도구를 사용할 것이지만, 여기서는 순수히 약물 발견 기업에만 초점을 맞추고 AI 일반은 제외합니다).

1. Schrödinger, Inc.

SDGR 가격 차트

이 회사는 물리 기반 모델을 활용해 주어진 목표에 가장 적합한 분자를 찾으며, 효능, 용해도, 반감기, 합성 가능성 등 상충되는 지표들을 균형 있게 고려합니다.

머신러닝도 사용하지만, 물리 기반 모델을 추가함으로써 데이터셋이 존재하지 않아 AI를 “훈련”시킬 수 없는 완전히 새로운 분야에서도 테스트가 가능합니다. 이를 통해 Schrödinger는 10억 개의 잠재 분자 중 단 8개의 견고한 후보만을 며칠 만에 디지털 계산만으로 도출합니다.

출처: Schrodinger

Schrödinger는 2020년에 Bayer와 5년 협력 계약을 체결했으며, 계약 수익은 1,000만 달러입니다. 이 협력의 목표는 Schrödinger (SDGR ) 기술을 Bayer의 인실리코 예측 모델과 결합하는 것입니다.

또 다른 최근 파트너십은 2022년에 Lilly와 체결했으며, 성공적인 발견에 대해 총 4억 2,500만 달러의 마일스톤 지급이 예정되어 있습니다.

과거 협력 파트너로는 Takeda, Sanofi (SNW.DE ) (SNY ), Bristol Myers Squibb 및 기타 소규모 제약사가 포함됩니다.

전반적으로 Schrödinger는 포트폴리오를 확대하고 있으며, 자체 소유 및 독점 분자를 지속적으로 늘리고 있습니다. 현재 독점 파이프라인에 8개의 제품이 있으며, 그 중 2개는 1단계 임상 시험 중입니다. 또한 파트너 프로그램 및 협력 프로그램에 23개의 제품이 포함되어 있으며, 5개는 1단계, 3개는 2단계 임상 시험 중입니다.

출처: Schrodinger

수익을 아직 창출하지는 않지만, 아직 수익성이 없으며 기술 향상을 위한 확장 및 R&D 지출에 집중하고 있습니다. 회사는 재무제표상 현금 보유량이 수년치 운영비에 해당하므로 단기적인 심각한 우려는 없습니다.

또한 약물 발견을 넘어 복합 바이오제약품, 화학 물질, 배터리, 폴리머와 같은 소재 분야로 확장하는 방안을 모색하고 있습니다.

출처: Schrodinger

투자자들은 새로운 협력 관계를 주시해야 합니다. 이는 업계 리더들이 평가한 Schrödinger 기술의 진보와 핵심 기술을 새로운 시장으로 확장하는 성공 가능성을 반영할 것입니다.

2. Exscientia

이 회사는 AI를 활용해 정밀 치료를 개발하고 있습니다.

약물 발견 과정의 모든 단계에 전용 소프트웨어를 갖춘 “풀 스택” AI 약물 발견 기술을 운영합니다.

출처: Exscientia

기존 분자를 찾는 대신, Exscientia의 Precision Design AI는 목표에 맞는 맞춤형 분자를 설계합니다. 이 목표는 Precision Target AI에 의해 발견됩니다.

Exscientia의 기술은 생물학적 목표에서 해당 약물을 찾는 데 소요되는 시간을 70% 단축하고, 자본 효율성을 80% 향상시킵니다.

이로 인해 초기 임상 단계에 4개의 화합물이 도출되었으며, 주로 종양학(암) 및 염증성 질환에 초점을 맞추고 있습니다. 회사는 40억 달러 규모의 사전 상업적 마일스톤 잠재력을 보이고 있습니다.

출처: Exscientia

회사는 아직 매출을 시작한 단계이지만, 재무제표상 수년간의 지출을 감당할 수 있는 충분한 현금을 보유하고 있습니다.

AI‑drug discovery와 정밀 치료 사이의 교차점에 서 있는 Exscientia는 의료 과학의 가장 변혁적인 두 분야를 목표로 하고 있습니다. Merck, Sanofi, BMI와의 확립된 파트너십을 보면, 다른 주요 제약사들도 이 플랫폼의 큰 잠재력을 인식하고 있습니다.

3. Recursion Pharmaceuticals, Inc

RXRX 가격 차트

AI가 약물 발견 및 개발에 관여할수록, AI를 훈련시키기 위한 데이터의 가치는 더욱 귀중해집니다.

생물학은 통합되고 검증된 데이터가 때때로 부족한 매우 복잡한 분야입니다. 이는 작은 오류라도 AI에 편향, 제한 및 오류를 초래하고, 결국 AI를 처음부터 다시 훈련시켜야 하는 심각한 문제를 야기합니다.

또 다른 문제는 인간이 수동으로 생성·조직하기에는 너무 방대한 데이터 양입니다.

이러한 제한을 해결하기 위해 Recursion은 “약물 발견을 검색 문제로 전환”이라는 사명을 가진 플랫폼을 구축했습니다. 이는 건식 실험실(인실리코)과 습식 실험실(생물학적 샘플)을 다음과 같이 결합합니다:

• 170만 개의 작은 분자 라이브러리.
• 세포 배양, CRISPR 유전자 편집, 가용 인자, 살아있는 바이러스 등.
• 주당 최대 220만 실험을 수행할 수 있는 자동화된 실험실 로봇 워크플로우.
• 고처리량 현미경 및 시퀀싱 시스템.
• 카메라의 연속 비디오 피드로 동물 행동의 전체적인 측정을 기록.
• 고급 컴퓨팅 리소스로, 21페타바이트 이상의 독점 고차원 데이터를 생성.
• ADMET(흡수, 분포, 대사, 배설 및 독성) 데이터.

이는 단백질체학(단백질 수준), 전사체학(mRNA 수준), 표현형학(세포 형태), ADMET 및 “in‑vivonomics”(동물 행동)와 같은 고유하고 방대한 데이터셋을 생성합니다. 회사는 향후 대사체학과 유전체학을 데이터에 추가할 계획도 가지고 있습니다.

이 방대한 데이터는 초기 단계에서 더 넓은 후보군을 가능하게 하지만, 이후 단계에서는 좁은 퍼널을 형성합니다. 또한 고잠재력 약물 후보의 개발을 가속화할 것으로 기대됩니다.

출처: Recursion

이 접근 방식의 잠재력은 제약 대기업에게도 인지되고 있으며, Fibrosis(바이오)와 Neuroscience(로슈‑제넨텍) 분야에서 협력이 진행 중입니다.

회사는 또한 2023년 7월 NVIDIA로부터 5천만 달러 투자를 받았습니다. 이는 AI 컴퓨팅 하드웨어의 새로운 거인인 NVIDIA의 투자입니다. 이는 2023년 5월 Recursion이 약물 화학에 초점을 맞춘 전임상 스타트업인 Cyclica와 Valance를 인수한 직후의 일이며, 총 8천7백5십만 달러 규모였습니다.

전체적으로 회사는 130억 달러 규모의 잠재적 마일스톤과 50개 이상의 프로그램 및 로열티를 기대하고 있습니다.

기술(NVIDIA) 및 제약(Bayer, Roche) 기업과의 파트너십, 그리고 소규모 AI‑drug 스타트업 인수는 Recursion이 산업의 핵심이자 잠재적 연쇄 인수 기업으로 변모하고 있음을 시사합니다. 목표는 이전에 비할 수 없던 규모로 생물학 데이터를 확장하는 최초의 기업 중 하나가 되는 것입니다.