사람들은 시, 소설, 보고서 등 글쓰기, 그림 그리기, 알고리즘 코딩 등 창작의 세계가 그동안 인간에게만 허락된 별도의 영역이라 알고 있었다. 그런데 AI(인공지능)의 발전과 함께 이제는 진화한 AI가 스스로 창작의 영역을 넘보는 시대가 되었다. 생성형 AI(Generative AI)의 등장은 인간에게 어떤 의미가 있으며 우리의 미래에 어떤 영향을 미칠지 가늠하기 쉽지 않지만, 생성형 AI는 이미 여러 분야에서 현실로 나타나 적용되고 있다. 우리에게 성큼 다가온 생성형 AI의 시장현황, 다양한 이슈와 관심 사항 등을 살펴보기로 하자. <편집자 주>

 

 

[뉴스투데이=최봉 산업경제 전문기자] 신약은 우리나라 약사법의 정의로는, 화학 구조 또는 본질 조성이 전혀 새로운 신물질 의약품 또는 신물질을 유효 성분으로 함유한 복합제제(複合製劑) 의약품으로서 식품의약품안전처장이 지정하는 의약품을 말한다.

 

그러나 미국 FDA에서는 반드시 화학적으로 새로운 성분이어야 하는 것은 아니며, 이미 승인된 약의 용량을 강화한 것, 처방이나 제조 방법을 변경했을 경우에도 신약이라고 인정한다(네이버 지식백과).

 

생성형 AI(Generative AI)의 혁신적 발전과 진화는 신약 개발에서도 그 역할을 톡톡히 증명해 보일 것으로 기대한다.

 

전반적으로 Generative AI는 신약 개발에 혁신적인 접근 방식을 제공하여 유망한 신약 후보의 식별과 최적화를 크게 가속화하는 동시에 비용과 실험의 불확실성을 줄여준다.

 

이번 편에서는 신약 개발에서 Generative AI의 주요 활용 분야(BioStrand, 2024.2)에 대해 살펴보기로 하자.

 

 

---

• 새로운 분자 구조 생성 위한 효율적 방식.. 신약 디자인에도 활용

 

첫째, 분자 생성이다. Generative AI 모델은 방대한 화학 공간을 탐색하고 원하는 특성을 가진 새로운 분자 구조를 생성하기 위한 보다 효율적인 접근 방식이다.

 

현재 바람직한 ADMET 특성을 가진 분자를 생성하기 위해 GAN(Generative Adversarial Network, 생성적 대립 신경망), 유전 알고리즘, 강화 학습과 같은 다양한 기술이 사용되고 있다.

(※ ADMET(absorption, distribution, metabolism, excretion, and toxicity); 신약의 체내 흡수, 체내 분포, 신진대사, 배출, 그리고 독성을 테스트하는 것)

 

한 가지 접근 방식은 Generative AI, 예측 모델링, 강화 학습 등을 시너지 효과가 나도록 결합해서 원하는 속성을 가진 유효한 분자를 생성하는 것이다.

 

Generative AI 시스템은 분자의 여러 특성을 동시에 최적화할 수 있는 능력을 통해 효능, 안전성 및 기타 약리학 매개변수 측면에서 가장 균형 잡힌 프로필을 가진 후보 물질을 식별하는 데 도움을 줄 수 있다.

 

 

둘째, 새로운 약물 디자인이다. 생물학적 표적과 호의적으로 상호작용하는 분자 구조를 예측하여 완전히 새로운 약물 후보 물질을 만드는 데도 Generative AI 모델이 활용되고 있다.

 

Generative 기술의 인기가 높아지면서 새로운 구조를 생성하기 위한 원자 기반, 조각 기반(fragment-based) 및 반응 기반 접근 방식 전반에 걸쳐 성공적으로 적용되는 생성 화학에 대한 새로운 접근 방식이 탄생했다.

 

Generative 모델은 규칙 기반(rule-based) 신규 분자 생성의 기능을 확장하는 데 도움이 되었으며, 최근 연구에서는 신규 분자 설계를 위한 ‘규칙 없는(rule-free)’ Generative 딥러닝의 잠재력을 강조하고 있다.

 

멀티 모달리티(multimodality)를 향한 Generative AI의 지속적인 진화는 다양한 데이터 양식에서 도출된 상호 보완적인 인사이트를 사용하여 새로운 설계를 더욱 발전시키는 데 도움이 될 것이다.

 

 

---

• 승인된 약물의 새로운 용도 발견 가속화.. 새로운 표적 특이적 항체 생성하는 데 도움

 

셋째, 약물 용도 변경이다. Generative AI는 승인된 약물의 새로운 용도 발견을 가속화하여 전통적인 약물 발견과 관련한 개발 시간과 비용을 획기적으로 개선할 수 있다.

 

한 연구에서는 약물 용도 변경 후보의 우선순위를 정하기 위해 광범위한 인터넷 기반 검색 공간에서 기존 과학 지식을 낱낱이 검토하는 ChatGPT와 같은 Generative AI 기술의 능력을 보여주었다(NIH, 2023.7).

 

또 다른 연구는 Generative AI가 임상시험을 신속하게 모델링하여 기존 약물 및 치료법의 새로운 용도를 식별할 수 있는 방법을 보여준다.

 

이러한 기술은 이미 희귀질환 치료를 위해 기존 의약품의 용도를 변경하는 중요한 작업에 성공적으로 적용되고 있다.

 

넷째, 항체 설계 및 개발이다. 인공 지능, 기계 학습, 딥 러닝 기술의 지속적인 발전은 기존 실험실 기반 프로세스를 보완하는 컴퓨터 항체 발견을 크게 발전시키는 데 도움이 되었다.

 

단백질 서열에 대해 학습된 Generative AI 모델인 단백질 언어 모델(PLM, protein language model)의 출현은 인실리코(in-silico, 가상환경의 실험) 항체 설계 및 개발에서 더 큰 혁신을 가져올 잠재력을 가지고 있다.

 

Generative 항체 설계는 항체 설계의 속도, 품질, 효율성을 크게 향상시키고, 보다 표적화되고 강력한 치료 방식을 만들 수 있으며, 기존 설계 기술의 범위를 넘어서는 새로운 표적 특이적 항체를 생성하는 데 도움을 줄 수 있다.

 

이 분야의 최근 발전은 학습 데이터를 사용하지 않는 제로 샷(zero-shot) Generative AI 모델이 추가적인 최적화 없이도 습식 실험실(wet lab)에서 테스트되고 기능적으로 검증된 새로운 항체 디자인을 생성할 수 있는 능력을 입증했다.

 

 

신약 개발 관련 내용을 소개하다보면 다소 전문적인 용어가 자주 등장해서 내용을 이해하는데 어려움을 느낄 수도 있다. 관련한 내용들은 추후에 다시 다루면서 설명할 기회가 있을 것이다.

 

 

---