AI Drug Discovery: 게임을 바꾸는 방법

게시 됨: 2023-01-31

AI 약물 발견이 폭발하고 있습니다.

과장이든 아니든, AI 신약 개발에 대한 투자는 2014년 4억 5천만 달러에서 2021년에는 무려 580억 달러로 급증했습니다. 바이엘, 아스트라제네카, 다케다, 사노피, 머크, 화이자 등 모든 제약 대기업은 신약 개발 프로세스에 비용 효율성, 속도 및 정확성을 가져올 새로운 시대의 AI 솔루션입니다.

전통적인 약물 발견은 오랫동안 악명이 높았습니다. 신약을 시장에 출시하는 데 최소 10년이 걸리고 13억 달러의 비용이 들 수 있습니다. 그리고 이것은 임상 시험에서 성공한 약물의 경우에만 해당됩니다(10개 중 1개만 성공). 따라서 약물을 발견하고 설계하는 새로운 방법을 찾는 데 관심이 있습니다.

AI는 이미 유망한 후보 치료제를 식별하는 데 도움이 되었으며 몇 년이 아니라 몇 달, 어떤 경우에는 며칠이 걸렸습니다. 이 기사에서는 AI 약물 발견이 업계를 어떻게 변화시키고 있는지 살펴봅니다. AI의 성공 사례와 이점, 한계에 대해 살펴보겠습니다. 갑시다.

약물을 발견하는 방법

약물 발견 과정은 일반적으로 과학자들이 특정 단백질이나 호르몬과 같이 질병 발병과 관련된 신체의 표적을 식별하는 것으로 시작됩니다. 그런 다음 다양한 방법을 사용하여 가능한 치료법을 찾습니다. 여기에는 다음과 같은 방법이 포함됩니다.

  1. 기존 화합물 스크리닝: 과학자는 이미 만든 화합물(천연 제품 또는 화학 물질) 라이브러리를 스크리닝하여 대상과 원하는 상호 작용이 있는지 확인할 수 있습니다.
  2. De novo 약물 설계: 과학자들은 컴퓨터 모델링 및 시뮬레이션을 사용하여 작업을 수행할 수 있는 새로운 화합물을 개발할 수 있습니다. 이 접근법은 크기가 1,500달톤 미만인 화학적으로 합성된 화합물인 소분자 약물을 만드는 데 사용됩니다.
  3. 생물학적 제제: 연구원은 항체, 효소 또는 단백질과 같은 생물학적 분자를 생성하여 약물로 작용할 수도 있습니다. 여기에는 표적과 상호 작용할 수 있는 살아있는 유기체로부터 분자를 분리하거나 합성하는 것이 포함됩니다. 작은 분자에 비해 이러한 분자는 일반적으로 더 크고 더 복잡합니다.
  4. 용도 변경: 과학자들은 다른 목적으로 개발된 화합물을 살펴보고 문제의 질병에 대한 치료 가능성이 있는지 확인할 수 있습니다.

잠재적인 약물 후보(납 화합물이라고 함)가 발견되면 세포나 동물에서 테스트한 후 소규모의 건강한 지원자 그룹으로 시작하여 더 큰 그룹의 질병으로 고통받는 세 단계를 포함하는 임상 시험으로 이동합니다. 특정 조건.

AI가 적용되는 방식

AI는 시각적 인식, 음성 인식, 의사 결정 및 언어 이해와 같은 인간 지능의 요소를 모방하기 위해 정교한 계산 방법을 사용하는 것과 관련된 다양한 기술과 접근 방식을 다룹니다.

AI는 1950년대에 간단한 일련의 "만약 그렇다면 규칙"으로 시작하여 더 복잡한 알고리즘이 개발된 후 20년 후에 의료 분야에 진출했습니다. 2000년대 딥러닝이 등장한 이후 헬스케어 분야의 AI 적용 범위가 확대됐다. 몇 가지 AI 기술이 약물 설계에 힘을 실어주고 있습니다.

기계 학습

머신 러닝(ML)은 명시적으로 프로그래밍하지 않고 데이터에서 학습하고 성능을 개선하기 위해 컴퓨터 알고리즘을 교육하는 데 중점을 둡니다.

ML 솔루션은 고유한 특성과 방법론이 있는 다양한 분기를 포괄합니다. 이러한 분기에는 감독 및 비지도 학습과 강화 학습이 포함되며 각 분기에는 선형 회귀, 신경망 및 지원 벡터 머신과 같은 특정 목표를 달성하는 데 사용되는 다양한 알고리즘 기술이 있습니다. ML에는 다양한 응용 분야가 있으며 그 중 하나는 다음을 가능하게 하는 AI 약물 발견 분야입니다.

  • 잠재적인 약물 후보를 식별하기 위한 화합물의 가상 스크리닝
  • 약물 효능 및 독성 예측 모델링
  • 신약 개발을 위한 새로운 타깃 발굴
  • 살아있는 유기체에서 수집한 대규모 게놈 및 단백질체 데이터(예: DNA 서열, 유전자 발현 수준, 단백질 구조) 분석
  • 약물 투여 및 치료 요법의 최적화
  • 치료에 대한 환자 반응의 예측 모델링

딥 러닝

딥 러닝(DL)은 인공 신경망(ANN) 사용을 기반으로 하는 ML의 하위 집합입니다. ANN은 "시냅스"라고 하는 경로로 연결된 상호 연결된 노드 또는 "뉴런"으로 구성됩니다. 인간의 뇌에서와 마찬가지로 이러한 뉴런은 함께 작동하여 정보를 처리하고 예측 또는 결정을 내립니다. 신경망의 상호 연결된 뉴런 층이 많을수록 더 "깊습니다".

구조화된 데이터에서만 패턴을 식별할 수 있는 감독 및 반지도 학습 알고리즘과 달리 DL 모델은 방대한 양의 비구조적 데이터를 처리할 수 있으며 인간의 감독이 거의 없이도 고급 예측을 수행할 수 있습니다.

AI 신약 개발에서 DL은 다음 용도로 사용됩니다.

  • 표적에 결합할 확률이 더 높은 히트를 식별하기 위해 화합물 라이브러리의 향상된 가상 스크리닝
  • 질병 관련 표현형, 질병 메커니즘 또는 약물의 독성을 이해하기 위한 이미지 기반 프로파일링
  • 약물이 체내에서 흡수, 분포, 대사 및 배설되는 방식(약동학적 특성)에 대한 보다 정확한 예측
  • 약물-표적 상호작용 및 결합 친화도 예측
  • 현재 확인된 약물 표적의 대부분을 차지하는 단백질 구조 예측
  • 원하는 물리적, 화학적 및 생물 활성 특성을 가진 새로운 약물 유사 화합물의 생성
  • 임상 시험 프로세스 및 프로토콜 설계 자동화.

자연어 처리

자연어 처리(NLP)는 인간 언어를 분석, 이해 및 생성하기 위해 DL 모델을 포함하여 언어학, 수학 및 컴퓨터 과학의 기술 조합에 의존합니다. AI 약물 발견 연구는 종종 NLP를 사용하여 구조화된 데이터와 구조화되지 않은 데이터 모두에서 정보를 추출하여 다음을 달성합니다.

  1. 화학/약물 개체, 해당 대상 및 새로운 질병 관련 경로 간의 연관성을 식별하기 위한 과학 문헌의 텍스트 마이닝
  2. 환자 인구 통계, 진단 및 약물과 같은 구조화되지 않은 전자 건강 기록(EHR)에서 구조화된 정보 추출
  3. 소셜 미디어, 뉴스 기사 및 기타 출처의 텍스트 데이터를 분석하여 약물 부작용 식별
  4. 프로토콜을 기반으로 임상시험 적격성 기준을 결정하고 시험에 환자를 매칭
  5. 약물 정보 요약

AI 약물 발견이 지금 화제가 되는 이유

지난 몇 년 동안 제약 부문의 기업들은 AI를 연구 방법에 통합하기 위한 조치를 취했습니다. 여기에는 사내 AI 팀 구성, AI 의료 전문가 및 데이터 분석가 고용, AI에 중점을 둔 신생 기업 지원, 기술 회사 또는 연구 센터와의 팀 구성이 포함됩니다. 여러 요인이 복합적으로 작용하여 이러한 경향을 주도하고 있습니다.

컴퓨터의 증가하는 성능과 새로운 AI 개발

최근의 기술 발전으로 AI 약물 발견 연구의 전통적인 초점이 바뀌었습니다.

이 분야의 대다수 기업(BiopharmaTrend AI 보고서에 따르면 2022년 약 150개)이 계산으로 표현하고 대규모로 비교하기 쉬운 저분자 설계에 계속 집중하면서 AI의 새로운 응용 분야에 대한 관심도 높아지고 있습니다. 약물 발견에서.

많은 회사(그 중 77개)가 생물학적 제제 설계를 위해 AI를 채택하기 시작했으며, 그 중 55개 회사는 질병의 존재 또는 진행을 나타내는 바이오마커를 발견하고 있습니다. 다른 사람들은 포괄적인 AI 약물 발견 플랫폼 구축, 새로운 표적 식별 또는 화합물, 단백질 및 질병과 같은 서로 다른 엔터티 간의 관계를 구조적으로 표현한 온톨로지 생성에 중점을 둡니다.

AI 도구에 대한 액세스 확대

AI 인재의 부족이 줄어들 기미가 보이지 않아 AI 약물 발견의 진입 장벽이 실제로 줄어들었습니다. 기술 공급업체와 거대 제약회사는 비 AI 전문가가 인공 지능을 연구에 통합할 수 있도록 하는 즉시 사용 가능한 노 코드 및 드래그 앤 드롭 시스템을 포함하여 점점 더 정교한 AI 플랫폼을 출시하고 있습니다. 이러한 발전은 업계에서 AI 채택을 가속화하는 데 중요한 역할을 하고 있습니다.

AI 지원 성공 사례

학계와 산업계에서 추진하고 있는 AI 신약개발 프로젝트는 이미 신약개발 가치사슬 전반에 걸쳐 최초의 성공적인 성과를 내고 있다. 예를 들면 다음과 같습니다.

  • DeepMind는 AI 시스템 AlphaFold를 구축하여 1차원 아미노산 서열에서 단백질의 3D 구조를 일반적으로 몇 달 또는 몇 년이 걸리는 것이 아니라 몇 초 만에 예측할 수 있습니다. 이 시스템은 동물, 식물, 박테리아, 곰팡이 및 기타 유기체에 속하는 2억 개가 넘는 단백질 구조를 예측하는 데 사용되었습니다.
  • 워싱턴 대학교 연구원들은 게임용 컴퓨터를 사용하여 10분 이내에 단백질 구조를 계산하는 딥 러닝 모델을 개발했습니다.
  • Deep Genomics는 AI 기술을 사용하여 2,400개 이상의 질병과 100,000개 이상의 돌연변이를 스크리닝하여 윌슨병 돌연변이에서 정확한 질병 유발 메커니즘을 예측하고 18개월 만에 DG12P1 약물을 만들었습니다.
  • Aladdin은 가상 스크리닝, 히트-투-리드(hit-to-lead), 리드 최적화 및 전임상 단계에서 상업적으로 사용할 독점 AI 약물 발견 플랫폼을 출시했습니다. 이 플랫폼은 Aladdin이 노화 관련 질병의 잠재적인 치료를 위한 여러 약물 화합물을 식별하는 데 도움이 되었습니다.
  • IBM은 인지 컴퓨팅 기능을 갖춘 Watson 시스템을 개발했습니다. 이 시스템은 제약 업계에서 환자를 자신의 상태에 맞는 적절한 임상 시험에 연결하는 데 사용됩니다. 유방암에 대한 임상 시험에서 플랫폼은 등록이 80% 증가하고 시험 매칭 시간이 단축된 것으로 나타났습니다.
  • AbCellera가 COVID-19의 바이러스 변종을 중화하기 위한 단일 클론 항체를 개발하고 미국 식품의약국(FDA)의 승인을 받는 데 3개월도 채 걸리지 않았습니다.
  • 며칠 만에 BenevolentAI는 지식 그래프를 AI 도구와 결합하여 잠재적인 COVID-19 치료제로 바리시티닙을 발견했습니다.
  • BioXcel Therapeutics는 정신분열증 및 양극성 장애 환자를 위한 진정제로서 덱스메데토미딘의 발견을 가속화했습니다. 이 회사는 최초의 인체 실험 후 4년 이내에 독점적인 덱스메데토미딘 설하 필름(IgalmiTM)에 대한 FDA 승인을 획득했습니다.
  • Exscientia는 AI를 사용하여 2년 동안 임상 시험에 들어갈 3개의 작은 분자를 설계했습니다. 분자는 알츠하이머 병 정신병, 강박 장애 및 면역 종양 치료를 위해 고안되었습니다.
  • 2023년 초, 인실리코는 특발성 폐 섬유증(IPF)을 치료하기 위해 AI가 발견한 신규 표적에 대한 최초의 AI 설계 신규 분자의 1상 임상 시험에서 긍정적인 톱라인 결과를 보고했습니다.
  • 2021년에는 코로나19, 종양학, 신경학을 포함한 13개의 AI 파생 생물의약품이 임상 단계에 도달했다.

AI 약물 발견의 이점과 과제

AI는 제약 산업을 혁신할 수 있는 강력한 도구입니다. 방대한 양의 데이터를 분석하고 예측할 수 있는 능력을 갖춘 인공 지능은 연구자들이 다음을 가능하게 하여 약물 발견 프로세스를 오랫동안 방해해 온 장애물을 극복하도록 도울 수 있습니다.

  • 발견 및 전임상 단계를 위한 시간 단축
  • 약물의 효능과 안전성에 대한 보다 정확한 예측
  • 약물 효과 및 질병에 대한 새롭고 예상치 못한 통찰력
  • 새로운 연구 라인과 새로운 R&D 전략
  • 빠른 분석 및 자동화를 통한 비용 절감.

Insider Intelligence에 따르면 AI는 제약 산업에서 신약 개발 비용의 최대 70%를 절약할 수 있습니다. 신약 개발에서 AI의 잠재력은 정말 흥미롭지만 이를 최대한 활용하기 위해 먼저 해결해야 할 몇 가지 장애물이 있습니다.

데이터

AI에 관해서는 항상 입력 데이터로 귀결됩니다. 통합을 허용하지 않는 데이터 사일로 및 레거시 시스템은 모든 도메인에서 AI 연구에 큰 장애물입니다. 제약 산업에서는 문제가 더욱 두드러질 수 있습니다.

제약 회사는 전통적으로 임상 연구의 결과이거나 식별되지 않은 환자 정보의 데이터 공유에 서투른 반면, 그들이 보유한 데이터는 원래 연구자가 고려하지 않은 질문에 대한 답을 제공할 수 있습니다.

궁극적으로 데이터 공유에 관해서는 약물 발견에 중요한 단백질-리간드 결합 친화도를 예측하는 데 사용되는 데이터 세트의 경우와 같이 종종 불완전하거나 일관성이 없거나 편향됩니다. 경우에 따라 데이터가 전체 모집단을 반영하지 못할 수도 있으며 실제 시나리오에서는 AI 모델이 부족할 수 있습니다.

복잡성

생물학적 시스템의 순전히 복잡성으로 인해 그러한 시스템의 행동에서 시간 및 공간적 변화에 대한 AI 지원 분석 및 예측이 어렵습니다.

단백질, 유전자 및 세포와 같은 각 요소가 여러 기능을 가질 수 있고 유전적 변이, 환경 조건 및 질병 상태를 비롯한 여러 요인의 영향을 받을 수 있는 생물학적 시스템 내에는 수많은 복잡하고 역동적인 상호 작용이 있습니다.

서로 다른 요소 간의 상호 작용도 비선형일 수 있습니다. 즉, 한 요소의 작은 변화가 전체 시스템의 큰 변화로 이어질 수 있습니다. 예를 들어, 세포 분열을 제어하는 ​​단일 유전자가 종양의 성장에 큰 영향을 미칠 수 있거나 여러 단백질 간의 상호 작용이 세포의 세포 골격과 같은 매우 특이적이고 복잡한 구조의 발달로 이어질 수 있습니다.

또 다른 문제는 AI 약물 발견 도구를 다룰 수 있는 자격을 갖춘 직원이 부족하다는 것입니다.

해석 가능성

AI 약물 발견에 신경망을 사용하면 가능한 것의 경계를 넓힐 수 있지만 해석 가능성의 부족은 심각한 문제를 야기합니다. 블랙박스라고 하는 이러한 AI 모델은 가능한 가장 정확한 예측을 생성할 수 있지만 엔지니어조차도 그 이유를 설명할 수 없습니다. 이는 레이어 수가 증가함에 따라 각 레이어의 출력을 이해하는 복잡성이 증가하는 딥 러닝에서 특히 어렵습니다.

이러한 투명성 부족은 솔루션 결함으로 이어지고 연구원, 의료 전문가 및 규제 기관 사이에서 AI에 대한 신뢰를 감소시킬 수 있습니다. 이 문제를 해결하기 위해 설명 가능하고 신뢰할 수 있는 AI 개발에 대한 필요성이 커지고 있습니다.

마무리

환자의 판도를 바꾸는 신약이 계속해서 등장하고 있습니다.

1980년대 HIV가 AIDS의 원인으로 밝혀진 지 불과 15년 만에 제약업계는 바이러스에 감염된 사람들이 정상적인 수명을 살 수 있도록 하는 다제 요법을 개발했습니다. Novartis의 Gleevec은 백혈병 환자의 수명을 연장합니다. Vertex Pharmaceuticals의 Incivek은 C형 간염 치료율을 두 배로 높였습니다. 머크의 키트루다는 수술 후 흑색종 환자에게 암이 재발할 위험을 35% 줄인다.

그러나 모든 신약이 동등하게 만들어지는 것은 아닙니다. 독일에서 실시된 200개 이상의 신약에 대한 최근 분석에 따르면 기존 치료법에 비해 상당한 이점을 제공하는 것은 25%에 불과한 것으로 나타났습니다. 나머지 약물은 혜택이 거의 없거나 전혀 없거나 그 영향이 불확실했습니다.

비용과 시간이 많이 소요되는 약물 발견의 특성을 감안할 때 제약 산업에 큰 변화가 필요하다는 것은 분명합니다. 그리고 그것이 AI 약물 발견이 역할을 할 수 있는 곳입니다. AI가 진료 시간 단축 속도를 높이는 것 이상으로 혁신적인 기여를 할 수 있는 모든 기회가 있습니다.

자신의 AI 약물 발견 프로젝트에 대해 생각하고 계십니까? 우리에게 전화를 끊으십시오. 의료용 AI 솔루션 개발에 수년간의 경험을 보유한 당사는 귀사가 필요로 하는 파트너입니다.

원래 2023년 1월 27일 https://itrexgroup.com에 게시되었습니다.