1. AI 기반 신약개발의 패러다임 변화
AI 기반 신약개발의 패러다임 변화
강좌 개요
모듈 1, 강좌 1 | AI/ML 기초 및 신약개발 개론
1. 전통적 신약개발의 한계
전통적인 신약개발 과정은 타겟 발굴부터 시판 승인까지 평균 10-15년이 소요되며, 개발 비용은 단일 신약당 10억 달러를 상회합니다. 이 과정에서 임상 진입 후보물질의 약 90%가 최종 승인에 실패하는데, 이는 초기 단계에서의 부정확한 타겟 선정, 비효율적인 화합물 스크리닝, 그리고 ADMET 특성 예측의 한계에서 기인합니다.
특히 문제가 되는 것은 "Valley of Death"로 불리는 전임상-임상 1상 전환 구간입니다. 동물 모델에서 효과를 보인 후보물질이 인체에서 동일한 효능을 나타내지 못하는 translational gap이 신약개발 실패의 주요 원인으로 지목되어 왔습니다.
2. AI 기반 신약개발로의 패러다임 전환
2.1 핵심 전환점
AI 기반 접근법은 신약개발의 세 가지 핵심 병목을 해소합니다.
첫째, 타겟 발굴 단계에서 multi-omics 데이터 통합 분석을 통해 질병 관련 타겟을 체계적으로 식별합니다. 유전체, 전사체, 단백질체, 대사체 데이터를 동시에 분석하여 단일 데이터 소스로는 발견하기 어려운 타겟-질병 연관성을 규명할 수 있습니다.
둘째, 히트 발굴 단계에서 가상 스크리닝과 생성 AI 모델을 활용해 화학 공간 탐색 효율을 극대화합니다. 기존의 HTS(High-Throughput Screening)가 수백만 개 화합물을 물리적으로 테스트하는 데 비해, AI 기반 가상 스크리닝은 수십억 개의 가상 화합물 라이브러리를 며칠 내에 평가할 수 있습니다.
셋째, 리드 최적화 단계에서 ADMET 특성, 합성 가능성, 특허 회피를 동시에 고려한 다목적 최적화가 가능해집니다.
2.2 주요 기술 구성요소
| 단계 | 전통적 방법 | AI 기반 방법 |
|---|---|---|
| 타겟 발굴 | 문헌 리뷰, 개별 실험 | Network pharmacology, Knowledge graph |
| 히트 발굴 | HTS, Fragment screening | Virtual screening, Generative models |
| 리드 최적화 | Medicinal chemistry 경험 | Multi-objective optimization, ADMET prediction |
| 임상 예측 | 동물 모델 외삽 | Patient stratification, Digital twins |
3. 시장 현황 및 성장 전망
AI 신약개발 시장은 급속한 성장세를 보이고 있습니다. 2024년 기준 시장 규모는 약 18억 달러로 추정되며, 연평균 성장률(CAGR) 30% 이상을 기록하면서 2030년까지 91억 달러 규모로 확대될 전망입니다.
이러한 성장을 견인하는 핵심 요인은 AI 발굴 약물의 우수한 임상 성공률입니다. 최근 분석에 따르면 AI를 활용해 발굴된 후보물질의 Phase 1 임상시험 성공률은 80-90% 수준으로, 전통적 방법으로 발굴된 후보물질의 성공률(40-65%)을 크게 상회합니다.
3.1 성공 사례
Insilico Medicine의 ISM001-055는 AI로 타겟과 화합물을 모두 발굴한 최초의 사례로, 특발성 폐섬유증(IPF) 치료제로 Phase 2 임상시험에 진입했습니다. 타겟 발굴부터 임상 후보물질 도출까지 18개월, 개발 비용 260만 달러로 전통적 방법 대비 획기적인 효율성을 입증했습니다.
Exscientia의 DSP-1181은 AI 설계 분자로는 최초로 임상시험에 진입한 약물로, 강박장애 치료를 목표로 개발되었습니다. 히트에서 임상 후보까지 12개월 만에 도달하여 일반적인 4-5년 소요 기간을 대폭 단축했습니다.
4. 향후 전망과 도전 과제
AI 신약개발의 잠재력에도 불구하고 몇 가지 도전 과제가 남아 있습니다. 데이터 품질과 표준화 문제, AI 모델의 해석 가능성(Explainability) 확보, 그리고 규제 기관의 AI 기반 증거 수용 기준 정립이 핵심 과제입니다.
특히 FDA와 EMA는 AI/ML 기반 신약개발에 대한 가이드라인을 지속적으로 업데이트하고 있으며, 2024년에는 AI 모델 검증과 임상시험 설계에 관한 구체적인 권고안이 발표되었습니다. 이는 AI 신약개발의 제도적 기반이 성숙해가고 있음을 시사합니다.
핵심 용어 정리
- Virtual Screening: 컴퓨터 시뮬레이션을 통해 대규모 화합물 라이브러리에서 타겟에 결합할 가능성이 높은 후보물질을 선별하는 기법
- ADMET: Absorption, Distribution, Metabolism, Excretion, Toxicity의 약자로, 약물의 체내 동태와 안전성을 결정하는 핵심 특성
- Druggability: 특정 생체 분자가 약물에 의해 조절될 수 있는 가능성을 나타내는 지표
- Translational Gap: 전임상 연구 결과가 임상에서 재현되지 않는 현상
참고문헌
- Jayatunga MKP et al. (2024) "AI in small-molecule drug discovery: A coming wave?" Nature Reviews Drug Discovery
- Paul D et al. (2024) "Artificial intelligence in drug discovery and development" Drug Discovery Today
- Schneider P et al. (2020) "Rethinking drug design in the artificial intelligence era" Nature Reviews Drug Discovery 19:353-364
다음 강좌: AI/ML 기초 개념 - 지도학습, 비지도학습, 강화학습의 신약개발 적용
댓글
댓글 쓰기