AI 기반 생성적 치료제 설계로 신약 발견 가속화

바이오제약을 위한 AI 기반 아이데이션 엔진

새로운 치료제를 환자에게 제공하는 것은 비용이 많이 들고 시간이 오래 걸리는 일입니다. 신약 개발 및 마케팅 평균 총비용은 약 30억 달러로 12~14년이 소요됩니다. 발견 단계만으로도 예산의 약 1/3을 소비하며, 일반적으로 수천 개 분자 합성과 최대 5년이 걸려 단일 전임상 리드 후보를 생성합니다. 게다가 1상 시험에 진입한 화합물의 약 10%만 규제 승인을 얻습니다.

인공지능(AI)은 이 발견 단계를 가속화하고 비용을 획기적으로 줄일 것을 약속합니다. 최첨단 머신러닝 모델을 강력한 클라우드 컴퓨팅과 통합함으로써 AI는 과학자들이 더 높은 품질의 화합물을 설계하도록 돕고, 임상 실패율을 낮춥니다.

Biovia 생성적 치료제 설계(GTD)

GTD는 새로운 소분자의 가상 생성, 테스트, 선택을 자동화합니다. 고급 AI/ML을 활용하는 클라우드 기반 플랫폼은 과학자들이 합성할 다음 화합물을 선택하도록 안내하여 R&D 산출물을 최적화하고 개발 일정을 단축합니다.

능동 학습

능동 학습은 가상 모델링과 실제 실험을 결합하여 효율적으로 최적 솔루션을 식별합니다. 소분자 리드 발견에서 팀은 제한된 분석 데이터(종종 불과 수십 개 화합물)로 구축된 초기 모델로 시작합니다. 모델은 데이터 세트를 확장하는 새로운 후보를 제안합니다. 후속 합성 및 테스트가 새로운 결과를 모델에 피드백하고, 모델이 반복적으로 재훈련됩니다. 이 루프는 높은 잠재력의 리드에 수렴하는 데 필요한 사이클 수를 줄여 전체 발견 공정을 가속화합니다.

인간 참여형 AI (증강 지능)

GTD는 수천 개의 가상 분자를 생성하여 방대한 화학적 설계 공간을 탐색합니다. 리드 최적화가 다목적 과제이므로 시스템은 효능, 용해도, 간독성, 생체이용률, 대사 안정성, 합성 접근성, 지적재산권 고려사항 같은 속성을 평가합니다. 벤치 화학자들은 기계 예측을 보완하는 전문가 통찰을 제공하여 후속 설계 반복을 이끕니다. 이 협업(우리가 "증강 지능"이라 부르는 것)은 더 빠르고 정확한 결과를 이끕니다.

실험실 참여형 AI

실험실 검증은 필수적입니다. 실험실 참여형 AI는 편향 없는 머신러닝 예측과 직접 실험을 통합하여 과학자의 전문성을 활용합니다. 플랫폼은 서드파티 벤더나 합성 파트너의 가용 시약을 고려하여 내부 작업이든 위탁연구기관(CRO) 작업이든 처리 시간과 비용을 최소화하도록 돕습니다. 지속적 테스트는 예측 모델을 추가로 개선하는 새로운 데이터를 제공하여 의약화학자가 목표 제품 프로필(TPP)을 충족하는 화합물을 식별할 때까지 화학적 공간 탐색을 확장합니다.

모델링 및 시뮬레이션

약물 수용체 지도 스코어링, 분자 도킹, 자유에너지 섭동(FEP) 같은 보완적 계산 방법은 실험적으로 얻기에는 너무 비싸거나 시간이 많이 걸리는 기계론적 통찰을 제공합니다. 이러한 시뮬레이션을 생성 파이프라인 내에 자동화함으로써 과학자들은 후보와 질병 관련 단백질 간 3D 상호작용을 평가하여 의사결정 과정을 가속화할 수 있습니다.

사례 연구: 미국 제약사의 성공 스토리

GTD를 사용하여 한 대형 미국 제약사는 초기 프로젝트 화합물 세트에서 견고한 머신러닝 모델을 구축했습니다. 시스템은 합성 및 테스트를 위한 새로운 후보 시리즈를 제안했습니다. 프로젝트의 독특한 구조적 모티프를 학습함으로써 모델은 익숙한 합성 경로를 가지면서 개선된 TPP를 가진 화합물을 생성하는 가치 있고 비전형적인 스캐폴드를 식별했습니다. 의약화학자들은 설계를 핵심 특징 유지로 제한하면서 좁혀진 화학적 공간을 탐색했습니다.

결과: 시스템 생성 화합물의 약 80%가 예측된 속성 프로필과 일치했으며, 한 화합물은 완전한 TPP를 달성했습니다. 화학자들은 대부분의 제안이 고무적이었다고 보고했습니다. 기존 후보와 구조적으로 유사하고, 일부는 기존 방법으로는 나오지 않았을 진정으로 새로운 스캐폴드를 나타냈습니다. 이는 GTD가 탐색 프론티어를 확장하는 실제 가치를 보여줍니다.

핵심 시사점

1. 효과적인 아이데이션 엔진 – GTD는 벤치 화학자에게 신선하고 데이터 기반 아이디어를 제공하여 전통적 탐색 공간을 넘어 탐색을 장려하고 화학적 직관을 향상시킵니다.
2. 가속화된 리드 개발 – 가장 유망한 후보를 우선순위로 하여 GTD는 분자 품질을 개선하고 실험 비용을 줄이며 발견 일정을 단축하여 잠재적으로 수백만 달러를 절약합니다.
3. 과학자와 AI의 시너지 – 화학자와 알고리즘 간 협업 루프가 우수한 결과를 산출합니다. 과학자가 직관을 주도하고 AI가 대규모 패턴 발견을 처리합니다.

최종 생각

생성적 설계 도구는 엔드투엔드 워크플로에 통합될 때 완전한 잠재력에 도달합니다. Biovia는 실험실 요청 관리, 가상 및 실제 화합물 이중 등록, 테스트 결과 수집, 자동화된 모델 재학습을 포함하도록 Virtual + Real(V+R) 플랫폼을 확장하고 있습니다. 이러한 역량을 기존 프로세스에 임베드함으로써 고객은 기존 워크플로를 방해하지 않고 최첨단 과학을 활용할 수 있습니다.