1. 서론
2. 본론
2.1. 신약 디자인에 이용되는 인공지능(AI) 모델 종류와 장단점
2.2. 딥러닝 기반의 신약디자인에 이용되는 인공 신경망 및 알고리즘
2.2.1. 딥러닝 기반의 강화학습(Reinforcement Learning) De novo 약물 디자인 모델
2.2.2. 딥러닝 기반 신약 디자인에 활용되는 신경망 및 모델
2.2.3. 딥러닝 기반의 신약 디자인 알고리즘 장단점 비교
2.3. De novo 신약 디자인의 활용과 미래
2.3.1. 딥러닝 기반 신약 디자인 관련 회사별 비교
2.3.2. 바이오 융합(Bioconvergence) 의료기술에서 AI을 통한 정밀 의료시대 도래
3. 결론

전통적인 방식의 신약개발은 오랜 시간, 많은 인력, 투자 그리고 제때 좋은 자문을 받아야 신속하게 진행될 수 있으나, 10년 이상의 연구개발 기간과 2조 원가량의 비용이 들어가는 사업으로 성공적인 신약 개발 및 바이오 사업을 위해서는 다양한 경험을 가진 여러 분야의 전문가들의 협업이 신약개발 성공의 관건이다 [1, 2]. 현재까지 오랜 신약개발기간과 비용 부분을 개선하기 위해 많은 대안들이 대두되어 왔고, 최근 많은 데이터 분석기술의 발달로 연구되어 알 수 있는 정보보다 아직 해석되지 못하고 있는 정보들이 훨씬 많아지므로 다양한 형태의 방대한 데이터는 기하급수적으로 늘어남에 따라 결국 인공지능(AI) 기술을 적용하여 빠르고 정확한 데이터처리, 타깃물질확보 그리고 신약물질로서 필요한 특성들을 테스트하여 임상테스트로 넘어가기 전(End to End Drug Discovery)까지 AI의 이용은 시간과 비용을 줄여가는 방향으로 발전하였다 [3, 4]. 앞으로도 인공지능의 활용 잠재력은 임상테스트와 더불어 많은 디지털 헬스케어 분야에서 전반적으로 높아질 것이라 예상된다 [2, 3]. 지난해 세계 AI 신약개발 시장은 6억 980만 달러(약 8081억 원)로 추정되며, 한국과학기술정보연구원(KISTI)은 세계 AI 신약개발 시장이 매년 40% 이상 성장하여 2027년 40억 350만 달러(약 5조 3054억 원)에 이를 것으로 내다보고 있다. 국내에서 AI신약개발사업을 하는 기업만 50곳 이상으로, 특허청에서도 앞으로 AI신약개발 시장이 커지고 출원이 증가하면 AI 신약 개발도 결국 빠르게 특허를 준비하는 쪽이 시장을 선점할 것으로 본다 [5].

본문에서 현재까지 신약 디자인에 이용되는 모델종류와 장단점 그리고 알고리즘의 특성을 파악하고, 바이오 융합의료 시대에 AI를 이용한 바이오 분야의 발전의 예들과 더불어 신약 디자인에서 AI의 활용 잠재력에 대한 소개를 하고 자 한다.

2. 본론 

AI는 신약개발의 초기단계부터 전반적인 응용단계까지 다양하게 활용되고 있다. 신약개발을 위한 지식 기반 데이터베이스(Knowledge Base Data)를 이용한 빅데이터와 AI알고리즘의 활용은 신약개발을 신속하게 할 것으로 기대되며, 컴퓨터 지원 약물 디자인 방식(CADD, Computer-Aided Drug Design)은 기존의 신약개발 파이프라인 (그림 1)으로 새로운 질병연구를 위한 병리 생물학적인 접근을 통해 새로운 치료법 개발에 필요한 타깃분자(Target Identification) 혹은 질병진행을 판단할 수 있는 식별방법을 통해 잠재적인 치료후보의 선택 및 효능을 입증하기 위한 분석법을 개발하고 약효평가를 위한 스크리닝을 통해 초기 리드(선도) 물질 혹은 유효물질을 보다 완벽하게 검증하여 리드(선도) 물질을 도출하고 최적화하여 잠재적인 치료제로서 임상실험을 위한 ADMET 속성과 전임상 테스트 그리고 임상테스트(1, 2, 3상)를 거쳐 국가기관의 최종허가와 함께 시판하게 된다 [3, 6, 7].

그림 1. 질병치료를 위한 일반적인 신약개발 파이프라인

전체글보기