전망 모델링이 AI 기반 신약 발견의 밝은 미래를 예고한다

화학 상호작용 예측

초기 신약 탐색은 새로운 화합물을 시험하거나 자연물과 전통 의약에서 활성 성분을 찾는 방식에 크게 의존했다. 현대적인 접근법 중 하나는 질환과 관련된 표적 단백질을 정하고, 여기에 결합하는 분자인 리간드를 찾는 것이다.

적절한 리간드를 찾으려면 많은 후보를 비교하고 실험해야 한다. 계산 도구는 단백질 구조와 분자 사이의 상호작용을 예측해 시험할 후보를 좁히는 데 도움이 된다.

딥러닝은 학습한 데이터의 패턴을 이용해 구조를 예측한다. 이는 가능한 모든 원자 움직임을 직접 시뮬레이션하는 것과는 다른 접근법이다.

대표적인 도구로 AlphaFold가 있다. Alphabet (GOOG ) 산하 Google DeepMind가 개발했다. 2024년 5월 AlphaFold 3가 발표된 가운데, 이전 버전인 AlphaFold 2의 구조 예측이 실제 리간드 탐색에 얼마나 유용한지도 평가할 필요가 있다.

AlphaFold는 어떻게 작동하나요?

AlphaFold는 알려진 단백질 구조와 아미노산 서열 등의 데이터를 학습해 단백질의 3차원 구조를 예측한다.

단백질의 기능은 아미노산 서열뿐 아니라 접힌 뒤의 입체 구조와 상태에도 영향을 받는다. 따라서 구조 예측은 생물학 연구에 중요한 단서를 제공한다.

출처: News Medical

핵자기공명, X선 결정학, 극저온 전자현미경 등으로 구조를 실험적으로 규명할 수 있다. 다만 시간과 비용이 들고, 모든 단백질이나 상태를 쉽게 측정할 수 있는 것은 아니다.

약물 개발에서는 단백질 자체의 구조뿐 아니라 후보 물질이 어디에 어떻게 결합하고 어떤 기능 변화를 일으키는지도 중요하다.

인간과 다른 생물의 단백질, 그리고 다양한 변형과 상태를 모두 실험적으로 조사하기는 어렵다. 구조 예측 도구는 이러한 연구를 보완할 수 있다.

AlphaFold 2의 실제 활용 가능성 검증

연구진은 “AlphaFold2 구조를 활용한 전향적 리간드 탐색”라는 논문에서 이러한 활용 가능성을 평가했다.

이 연구에는 캘리포니아대학교 샌프란시스코, 노스캐롤라이나대학교, 스탠퍼드대학교, 하버드 의과대학, Chemspace 등의 연구자가 참여했다.

연구 대상은 시그마-2 수용체와 세로토닌 5-HT2A 수용체였다. 연구진은 해당 실험 구조가 공개되기 전의 AlphaFold 2 모델을 사용해 비교했다. 이는 관련 단백질 정보가 전혀 없는 상태에서 예측했다는 뜻은 아니다.

회고적 연구

후향적 평가에서는 이미 알려진 리간드를 얼마나 잘 구분하는지 살폈다. 연구진은 AlphaFold 2 구조를 이용한 분자 도킹 결과를 실험 구조 기반 결과와 비교했다.

이러한 기존 리간드 평가에서의 한계 때문에 예측 구조의 신약 탐색 활용도를 둘러싼 의문도 제기됐다.

연구진은 이어 아직 알려지지 않은 리간드를 실제로 찾아낼 수 있는지 전향적으로 시험했다.

전향적 연구

AlphaFold 2가 단백질 구조를 예측하고, 별도의 DOCK 도구가 후보 분자의 결합을 계산했다. 시그마-2 수용체에는 약 4억 9,000만 개, 5-HT2A 수용체에는 약 16억 개 분자의 라이브러리를 탐색했다.

연구진은 예측 구조와 실험 구조에 대한 도킹 결과에서 후보를 선정했다.

그런 다음 선정된 화합물을 실제 실험으로 평가했다.

시험한 후보에서 시그마-2 수용체는 약 절반, 5-HT2A 수용체는 약 20% 수준의 적중률을 보였다. 이러한 비율은 선정해 시험한 분자에 관한 것으로, 전체 라이브러리의 비율이나 임상 성공률이 아니다.

결과는 예측 구조가 새로운 결합 물질을 고르는 데 유용할 수 있음을 보여준다. 한 번의 계산만으로 승인 가능한 신약을 찾았다는 뜻은 아니다.

대규모 라이브러리를 계산으로 좁힐 수 있다면 초기 탐색을 효율화할 가능성이 있다. 다만 실제 시간과 비용 절감은 표적과 검증 과정에 따라 달라진다.

이미 승인된 약물의 재창출은 기존 안전성 정보를 활용할 수 있지만, 새로운 적응증과 용량에 대한 효능·안전성 검증이 여전히 필요하다.

시그마-2의 경우 AlphaFold 2 구조를 이용해 선정하고 시험한 후보의 약 54%가 결합을 보였고, 실험 구조 기반 후보에서는 약 51%였다. 결합 확인을 수용체 활성화나 약물 승인과 혼동해서는 안 된다.

후향적 성능만으로 새로운 리간드 탐색의 유용성을 모두 판단하기는 어렵다는 점을 보여주는 결과다.

AI의 의료 진입

신약 발견

AI를 활용한 신약 탐색은 의료 분야의 주요 연구 영역이다. 신약 개발 비용은 추정 방법과 개발 단계에 따라 다르지만 수십억 달러 규모로 추산되기도 한다.

AI는 후보 탐색 외에도 안전성 평가와 제조 공정 연구를 지원할 수 있다. 공개된 모델과 도구를 이용하는 연구도 있으며, 유전자 편집 사례는 다음 기사에서 다룬다. “OpenCRISPR-1로 가능해진 AI 기반 유전자 편집”를 참고할 수 있다.

비인간 단백질도 연구 대상이 될 수 있다. 새로운 항생제 후보 탐색 사례는 “의료기관에서 늘어나는 MRSA: AI가 대응 도구를 제공할 수 있을까?”에서 다룬다.

AI 진단 및 환자 관리

AI는 암과 관련된 영상 분석 등 진단을 지원하는 데 활용된다. 특정 연구에서 의료진과 비교한 성능이 높게 나왔다고 해서 모든 환자와 환경에서 의사를 능가하는 것은 아니다. 관련 사례는 “의료 진단 도구로 주목받는 AI”에서 소개한다.

외상 환자의 트라넥삼산(TXA) 치료와 관련된 예측 연구도 있다. 연구 모델을 실제 투약 지침이나 독립적인 치료 결정 도구로 간주해서는 안 된다. 자세한 내용은 “기계학습으로 개선을 모색하는 응급 진료 절차”를 참고하자.

대규모 언어 모델은 진단 지원에 활용될 가능성이 있지만, 오류와 편향을 검증하고 의료진의 판단과 연결하는 과정이 필요하다.

AI 데이터 관리

환자 기록에는 영상 검사, 혈액 검사, 의료진의 진료 기록 등이 포함된다.

여기에 생활 습관, 웨어러블 기기의 수면·심박수·혈압·혈당 정보, 유전체 데이터 등이 추가될 수 있다.

AI는 기록 초안 작성과 여러 시스템의 정보 통합을 지원해 업무 부담을 줄일 수 있다.

다양한 데이터를 결합하면 유용한 정보를 찾을 가능성이 커지지만, 데이터 품질과 개인정보 보호, 분석 결과의 검증이 중요하다.

대규모 인구 자료에서도 질환과 생활 습관 또는 환경 요인의 연관성을 연구할 수 있다. 관찰된 연관성이 곧 인과관계를 뜻하지는 않는다.

로보틱스

로봇 보조 수술은 의사가 기구를 정밀하게 조작하도록 돕는 방식으로 활용된다. 일반적인 수술 로봇은 의사의 조작을 받으며, 자율적으로 모든 수술을 수행하는 것은 아니다.

출처: Grand View Research

원격 수술도 연구·실증되고 있지만 통신 지연, 안전성, 제도적 요건을 해결해야 한다. 관련 기업은 다음 기사에서 살펴본다. “로봇 수술 관련 주식 5선”에서 소개한다.

첨단 임플란트

의료 기술의 또 다른 영역은 보철 장치와 이식형 장치다.

웨어러블 외골격과 보조 장치도 재활과 이동 지원에 연구·활용되고 있다. 관련 사례는 “로봇을 통한 자립과 이동: 파킨슨병 환자를 돕는 외골격”에서 살펴볼 수 있다.

뇌와 기계를 연결하는 인터페이스도 연구되고 있다. 예를 들어 일론 머스크의 Neuralink는 뇌 신호를 통해 컴퓨터 등을 조작하는 기술을 개발한다. 적용 범위와 안전성은 임상적으로 검증해야 한다.

뇌 이식 장치, 외골격, 보철 기술은 다음 기사에서 함께 다룬다. “앤스로봇, 유기 트랜지스터, 뇌 이식 장치 등으로 살펴보는 인체 기능 향상”에서 다룬다.

AI 신약 발견 기업

아래 기업들은 NVIDIA (NVDA )의 하드웨어 등 AI 도구를 활용할 수 있다. 여기서는 AI 산업 전체보다 신약 탐색에 초점을 둔 기업을 살펴본다. Google 같은 종합 기술 기업은 앞서 언급한 배경에 해당한다.

1. Schrödinger, Inc.

Schrödinger는 물리 기반 계산으로 효능, 용해도, 반감기, 합성 가능성 등 여러 조건을 함께 고려해 분자를 설계한다.

기계학습과 물리 기반 모델을 함께 사용한다. 회사가 제시한 대규모 가상 탐색 사례는 후보를 좁히는 능력을 보여주지만, 계산 결과는 실험 검증이 필요하다. Schrödinger (SDGR )의 플랫폼이 모든 새로운 표적에서 동일한 성능을 보장하는 것은 아니다.

출처: Schrodinger

Schrödinger와 Bayer는 2020년 5년간의 기술 협력을 발표했으며, Schrödinger가 받을 것으로 예상한 금액은 약 1,000만 유로였다. 두 회사의 계산 기술을 결합해 새로운 분자 설계 방법을 개발하는 협력이었다.

다른 협력 사례로는 2022년 발표된 Lilly와의 계약이 있다. 선급금 외에 개발·상업화 등의 조건 달성에 따라 최대 4억 2,500만 달러의 마일스톤 지급을 받을 수 있는 구조로, 전액이 이미 지급됐다는 뜻은 아니다.

협력 기업에는 Takeda, Sanofi (SNW.DE ) (SNY ), Bristol Myers Squibb 등이 포함됐다.

회사는 자체 개발 프로그램과 협력 프로그램을 함께 운영한다. 이 기사에서 인용한 당시 자료에는 자체 프로그램 8개가 개발 파이프라인에 포함되고 그중 2개가 임상 1상으로 소개됐다. 협력 프로그램 23개 중에는 임상 1상 5개와 2상 3개가 포함됐다. 이는 당시 현황이며 현재 단계와 다를 수 있다.

출처: Schrodinger

회사는 소프트웨어와 신약 개발 관련 매출을 올리지만 연구개발과 사업 확장에 자금을 투입한다. 당시 현금 보유액이 여러 해의 운영을 뒷받침할 수 있다는 전망은 지출과 자금 유입에 따라 달라지며, 재무 위험을 없애지는 않는다.

플랫폼은 신약 외에 화학 소재, 배터리, 고분자 등의 연구에도 적용될 수 있다.

출처: Schrödinger

새로운 협력, 프로그램 진행, 다른 분야로의 확장은 플랫폼의 활용도를 평가할 자료다. 협력 체결만으로 임상 성공이나 미래 수익이 보장되는 것은 아니다.

2. Exscientia

Exscientia는 AI를 활용한 정밀 치료제개발을 추진했다. 신약 탐색의 여러 단계에 계산 도구와 실험을 결합하는 접근법이다. 아래 설명은 2024년 기사 작성 당시의 사업 현황이다.

출처: Exscientia

Exscientia의 Precision Design AI 는 Precision Target AI가 다루는 표적에 맞춰 후보 분자를 설계하는 접근법이다.

회사가 제시한 개발 시간 70% 단축과 자본 효율 80% 개선 수치는 자체 사례와 비교 조건에 따른 주장이다. 모든 신약의 전체 개발 과정에서 같은 절감이 보장되는 것은 아니다.

자동화는 이러한 효율화 접근의 한 요소다. 회사는실험 과정 전반에 걸친 로봇 자동화를 강조했다.

당시 소개된 초기 임상 프로그램은 주로 암과 염증성 질환을 대상으로 했다. 약 40억 달러의 잠재적 마일스톤은 조건부 계약 금액으로, 확정 매출이나 이미 받은 현금이 아니다.

출처: Exscientia

당시 회사는 초기 매출과 현금 보유액을 바탕으로 개발을 추진했다. 여러 해의 운영 자금을 확보했다는 전망은 지출과 계약 수입에 따라 달라진다.

Exscientia는 AI 기반 신약 탐색과 정밀 치료를 결합하려 했다. Merck, Sanofi, Bristol Myers Squibb(BMS) 등과의 협력은 그 접근법을 평가하는 자료지만, 신약의 성공을 보장하지는 않는다.