바이오인

1. 개요

가. 배경 및 필요성

인공 지능은 최근 제약 바이오 분야에서 뜨거운 주제이다. 자율주행차, 음성인식 로봇 및 이미지 인식, 개인 비서, 신약개발에 이르기까지 첨단 기술 산업 분야에서 획기적인 인공 지능 활용 사례가 증가하고 있다. 제약바이오산업에서는 신약 연구 개발 비용을 절감하고 임상시험에서 실패율을 낮추면서도 획기적인 치료 약물을 개발하기 위해 인공 지능에 대해 높은 관심을 기울이고 있다.

인공지능을 둘러싼 다소 과대 포장된 측면 때문에 인공지능의 실제 가치에 대해 어느 정도 회의적인 시각도 있다. 따라서 인공지능이 어떤 과정으로 현재에 이르게 됐는지 살펴볼 필요가 있다. 인공지능은 1950년 수학자로 암호학의 대가인 앨런튜링박사가 기계의 지능에 대한 테스트로 튜링테스트를 주장하면서 싹튼 학문으로 1956년 다트머스 회의에서 존 매카시 박사의 주도로 공식 출범했다. 그 후 15년이 지난 1970년대에 이르러서야 의료분야에 인공지능이 적용되었고, Internist-1, CASNET 및 MYCIN 등의 시스템이 개발되었다. 하지만 기대치가 너무 높아 실패하게 되면서 정부와 대중의 관심이 줄고 연구도 타격을 입게 된다. 1980년대 초, 인공지능 기반의 전문가 시스템이 등장하고, XCON 시스템의 초기 성공은 매우 고무적이었으나 규칙기반 인공지능의 한계로 인해 다시 실패하게 되면서 인공지능에 대한 관심은 급속히 냉각되었다. 인공지능이 전기를 맞이하게 된 것은 1990년에 급속히 발전한 컴퓨팅 기술과 인터넷으로 인한 데이터의 대규모 축적으로 인한 것이다. 매우 저렴한 비용으로 컴퓨팅 자원을 사용할 수 있게 되고, 인공지능 모델을 학습 할 수 있는 충분한 빅데이터는 인공지능의 새로운 가능성을 열어준 원료가 되었다. 1997년 IBM의 슈퍼컴퓨터인 Deep Blue가 서양장기인 체스게임에서 체스 챔피언인 Garry Kasparov를 물리친 것은 현재 우리가 접하고 있는 인공지능을 성장시킨 획기적인 사건이었다. 2012년을 기점으로 심층신경망 이론을 중심으로 기계 학습 분야에 큰 진척이 있게 되면서 인공지능의 수준은 기하급수적으로 급상승했다. 음성인식과 이미지 분류는 이미 인간의 수준을 넘어섰고, 상황을 인식하는데도 일반인을 위한 서비스에 전혀 손색이 없을 정도에 이르렀다.

제약바이오 분야는 1990 년대 합성화합물에 큰 기술적 진보로 약물로 실험이 가능한 새로운 화합물을 많이 생성했다. 이로 인해 HTS 기술이 개발되어 복합 생물학적 활성 및 독성에 대한 수많은 데이터베이스가 생성됐다. 동시에 유전자 염기서열 기술의 발전과 유전자, 단백질, 대사산물 및 상이한 생화학적 과정과 그 표현형간의 상호 연결을 기술하는 오믹스 연구가 급속히 진보했다. 바이오 빅데이터가 이용 가능하게 되고 심층신경망을 이용한 기계학습도 급속히 진행되면서 지난 수년간 제약바이오 분야에서 약물 발견에 초점을 맞춘 인공지능 기술을 활용한 벤처 기업이 급속히 능가하고 있다. 여기에 글로벌 제약사들이 본격적으로 인공지능을 활용하게 되면서 2016년부터 화이자와 IBM 왓슨, 사노피와 Recursion Pharmaceuticals, GSK와 Exscientia 등의 발표에서와 같이 인공지능 신약개발 협력이 본격화 되었다. 이제 인공지능을 이용한 신약개발이 착수된 것이지 최종 FDA승인을 받은 신약이 시장에 출시된 것은 아니다. 인공지능의 빅데이터 분석은 신약 개발의 모든 단계와 개발 과정에서 혁신을 가져올 수 있다고 보고 있다. 하지만 이 빅데이터가 화학 합성, 연구실험, 임상시험, 규제 승인 그리고 임상시험의 대체품으로 사용되지는 않는다.

현 단계에서 인공지능은 전문가의 연구개발 프로세스를 최적화하고 개발을 가속화 시키고, 초기 약물 후보군 발견에 필요한 시간과 비용을 최소화하며, 임상시험에서의 위험을 최소화 하기위해 독성이나 부작용을 예상하는데 도움이 된다. 또한 유전체학을 포함한 다양한 융복합적인 학문 분야에서 연관된 지식을 통합하여 약물 및 치료법에 대한 혁신적인 아이디어를 제시하고 어떤 약물이 특정 질병의 치료에 가장 효과적인 지 결정하는 데 도움을 줄 수 있다. 인공지능은 앞에서 살펴본 바와 같이 ‘70년대와 ’80년대에는 기대에 부응하지 못했지만 현재는 그 당시와는 근본적으로 다르다. 산업계에 상업적으로 이용 가능한 충분한 컴퓨팅 성능을 가진 인프라와 상용 클라우드 서비스에 접근하여 사용할 수 있으며 인공지능 모델을 학습시키는데 필요한 화학적, 생물학적 빅데이터를 가지고 있다. 단일 조직 샘플에서 14조 개의 데이터 포인트를 볼 수 있는 기능으로 약물 후보군을 도출하는데 필요한 시간을 획기적으로 줄이면서 신약 개발 비용을 수백만 달러에서 수조 달러까지도 줄일 수 있을 것으로 기대하고 있다. 심층신경망 기술을 포함한 기술 환경은 향후 3~5년 내에 주요 산업의 지속성 측면에서 변화의 기폭제가 될 것이고, 인공지능 기술을 도입하고 인적 자원 전략을 수정하여 데이터 과학 중심의 운영은 제약바이오 산업의 지속 가능성을 위한 사안으로 대두될 것이다. 이것은 전 세계적으로 신약을 위한 연구개발 투자규모가 지속적으로 증가해 2022년에는 $1820억에 이를 전망으로 깊은 관련을 가지고 있다. 신약허가 건당 연구개발 비용이 $24억에 달하기 때문이다.

[그림 1. 전문의약품 매출액 대비 신약 연구개발 규모 추이(2008-2022)]

출처 : Evaluate Pharma

현재 글로벌 업체 중 가장 많은 신약 연구개발 투자를 많이 하는 기업은 로슈와 노바티스이다. 두 기업은 연 간 $85억 규모로 연구개발에 투자를 하고 있으며, 각각 매출액 대비 비중은 21.8%, 19.9%에 달한다. 국내 대형제약사의 평균 연구개발 투자 규모는 매출액 대비 약 7.5% 수준으로 글로벌 제약사에 비해 현저히 낮은 수준이다. 연구개발 투자규모를 크게 확대하고 있는 글로벌 기업인 리제네론 파마슈티컬은 매출액 대비 연구개발 투자 비중이 60.3%에 이를 정도로서 국내 제약사들도 비중을 높일 필요가 있다.

나. 신약 개발의 특성

신약 개발은 대표적인 고위험 & 고수익 분야이다. 매우 높은 불확실성을 가진다. 신약 개발은 오랜 시간과 큰 규모의 투자에도 불구하고 기술적 구현 가능성조차도 불확실한 특성을 지닌다. 그리고 신약 개발에 성공하더라도 시장에서 성공하는 확률도 저조하다. 이러한 특성들은 대규모 비용이 소요되는 신약개발에 경제성을 고려할 수밖에 없는 구조적 한계를 초래한다. 이것은 경제성이 낮은 희귀질환 치료제를 개발하는 데 장애 요소가 된다.

신약 개발은 보통 5,000~10,000여 개의 신약 후보 물질 중에서 단지 9개만이 임상에 진입하고, 그중에서 하나의 신약만이 최종적으로 판매허가를 받아 시판되고 있다. FDA 허가를 위해 소요되는 임상 기간도 1990~1994년 동안 평균 4.6년에서 2005~2009년 동안은 7.1년으로 늘어난 것으로 보고되고 있다.

[그림 2. 신약 개발단계별 후보약물]

출처 : 한국제약바이오협회 (2017)

신약 분야에 소요되는 연구개발 비용을 분석하면, 미국의 제약사들은 지난 15년간 신약을 발견하기 위해 약 520조 원 이상을 투자했다. 신약 개발 투자 규모는 항공산업의 5배에 달하며, 소프트웨어와 컴퓨터 산업의 2.5배에 이르는 높은 수준이다. 신약 연구개발 분야가 실패 위험이 높고, 오랜 개발 기간과 막대한 비용을 필요로 하기 때문에, 초기 연구개발에서의 효율성과 효과성이 제약 산업의 지속가능성을 위해 가장 중요한 사항으로 떠오르고 있다.

[그림 3] 신약개발 비용의 증가 추세(1970년대~2010년대)
출처 : BIO (2016)

신약 개발의 실패위험이 높은 이유는 신약 개발에 대한 세 가지 특성인 개별성, 통합성, 복잡성 때문이다. 생명현상을 다루기 때문에 신약 분야는 물리학이나 화학과 달리 방법론적인 통일성이 존재하지 않으며, 하나의 도메인 하에서 여러 분야들을 연결시킬만한 통합이론이 부재하다. 다른 학문보다 생물학이 훨씬 더 분산적이라 신약의 경우 그 효과는 모든 사람들에게 동일하게 나타나지 않는다. 조금만 달라도 연구 결과가 다르게 나타나거나 동일한 결론을 반복하기 어려운 개별성도 있다. 글로벌 제약사들이 단순하면서 저분자 화합물로 구성된 전통적인 의약품으로 지배구조를 유지해 왔지만 큰 투자가 필요한 의약품으로는 생산성 유지가 어려운 상황과도 밀접한 관련은 갖는다. 첫 번째로 개인맞춤의료에 대한 관심도 개별성이라는 특성에 기인한다. 모두에게 적합한 의약품은 존재하기 어려우며, 특정 집단이나 개인의 특성을 고려한 신약 개발이 필요하다. 최근에 강조되고 있는 환자중심의 의료, 환자 참여 의학도 개별성과 관련 있다. 신약 개발에 개인의 특성이 중요한 요소가 되면서 신약 개발 과정에서 환자들의 적극적인 참여가 강화될 것이다. 이 특징으로 인해 글로벌 제약사들의 신약 개발 시스템이 변화되고 있다. 새로운 대규모 투자 의약품을 개발하는데 집중했던 것에서 분산화된 연구개발 시스템으로 전환하고 있다. GSK는 연구개발팀을 6개의 Centres of Excellence in Drug Discovery(CEDD)로 개편하고, 각 센터들을 특정 치료 영역으로 특화시키는 구조로 개혁했다. 다양한 파이프라인을 구축하여 위험을 수평적으로 분산하고 있다.

두 번째인 통합성은 신약 개발 과정에 다양한 학문과 지식을 활용하여 통합적으로 접근하는 특성이다. 통합성은 복잡한 생명현상을 이해하기 위해서 잘 구분된 모듈을 기반으로 하는 연구가 아닌 통합적인 관점에서 신약을 개발하는 것이다. 통합적 특성이 보다 강조되는 신생물학은 DNA, RNA, 단백질, macromolecules 등의 분자 수준에서 발생하는 생명현상에 초점을 둔다. 여러 세부적인 생물학 분야의 통합, 그리고 물리학, 화학, 컴퓨터공학, 공학과 수학을 생물학으로 통합한다. 통합성은 제약사들의 신약 개발 행태를 개방형 혁신으로 변화시켰다. 글로벌 제약사들은 1990년대 초반까지도 대부분 자체 신약개발을 진행하였다. 하지만 1990년대 중반 이후부터 외부 연구자들이나 다른 기업에서 새로운 기술을 도입하는 경향이 증가했다.

세 번째로 복합성은 생명현상을 다루기 때문에 발현하는 특성이다. 다양한 사회적 가치나 이해관계와 밀접한 관련을 갖는다. 안전성, 생명윤리, 환경보호, 환자 건강권, 의료보험 등의 다양한 가치들은 서로 충돌하기 쉽다. 법적 규제나 건강보험, 유통구조와 같은 제도적 환경이 제약 산업의 지속성에 주요한 영향을 미친다. 규제는 1961년 탈리도마이드 사건 전에는 동물실험이나 3단계 임상시험 등이 필요하지 않았을 정도로 느슨했었다. 현재 신약 개발의 생산성 저하는 엄격해진 신약 허가와 밀접한 관련이 있다. 의약품은 국민건강보험과 같이 정부의 관리시스템 하에 통제되기 때문에 혁신활동에 정부의 정책이 큰 영향을 준다. 고가의 의약품은 정부의 의료재정 악화 혹은 환자의 건강권 침해에 대한 우려가 존재한다. 하지만 우리나라는 상대적으로 저렴한 약가 정책으로 오히려 가격 상향조정에 대한 논의가 있는 상황이다. 우리나라는 기술개발을 촉진시키는 유인기제로 약가정책을 활용하기보다는 의료재정 관점에서 비용을 최소화하는 접근을 취하였기 때문에 앞으로 신약을 중심으로 제약 산업을 육성하기 위한 정책의 변화가 필요하다.

2. 국내외 동향

가. 인공지능 신약 개발 현황

신약 개발은 질병의 발병에 관계하는 단백질 등을 변화시킬 수 있는 신약 후보를 찾는 것이 관건이다. 개발 착수에서 제품화까지 일반적으로 10년이 넘게 걸리며, 마지막 임상시험 단계에서 문제가 생겨 중단되는 경우도 많다. 인공지능을 활용하면 의약품의 특성 때문에 실험을 완전하게 대체하는 것은 불가능하지만 모든 경우를 다 실험하고 증명해야 하는 기존의 비용이 많이 소요되는 연구 방식을 개혁할 수 있다. 일반적으로 신약 개발을 위해 한 명의 연구자가 조사할 수 있는 자료는 한 해에 200~300여건 이다. 인공지능은 한 번에 100만 건 이상의 논문을 탐색할 수 있다. 동시에 400만 명이상의 임상 데이터를 분석할 수 있다. 인공지능 이 발달하여 신약개발에 본격적으로 활용이 되면 미래에는 소수의 연구원만으로도 비용과 기간을 대폭 줄여 블록버스터 약물을 개발할 수 있을 것으로 전망된다. 또한 동일한 인공지능을 사용할 경우에도 먼저 개발한 회사가 특허를 등록할 수 있다. 그리고 제약사가 신약을 개발하지 않고 라이선스를 구매하여 판매에 전담하는 새로운 모델도 등장할 것이다.

글로벌 제약사들은 인공지능을 이용한 신약 개발에 착수하고 있다. 화이자는 인공지능으로 면역항암제 신약 개발에 착수했다. 화이자는 자사가 보유한 암과 관련된 대규모의 자료를 학습하고 분석하는 데 인공지능을 이용하고, 표적을 발굴하기 위한 가설을 세우고 검증할 계획이다. 인공지능이 방대한 정보로 복잡한 암 치료 영역에서 신약과 병용요법 개발을 돕고 환자들에게 혁신 신약을 제공할 수 있을 것으로 기대한다. 화이자는 신약개발 표적과 연구대상 복합제, 면역 항암제의 환자선택 전략에서 최적의 효과를 도출하기 위한 데이터를 모을 계획이다. 테바는 인공지능으로 호흡기 및 중추 신경제 질환 분석 및 만성질환 약물 복용 후 분석과 신약 개발에 착수했다. 테바의 의약품을 복용하는 환자 중 약 2억명 상당의 복용 후 데이터를 모아 부작용 사례, 추가 적응증을 확보하고 신약 개발을 진행할 계획이다.

신약 개발 효율을 높이기 위한 제약사들의 전략적 제휴와 플랫폼 개발 등이 늘고 있는 가운데, 인공지능은 혁신적인 대안이 될 가능성이 높다. 인공지능을 통해 방대한 데이터를 취합하고 분석함으로써 임상시험을 최적화시키고 부작용이나 작용기전을 예측하고 분석하는 등 신약개발에서 필요한 과정을 단축시킬 수 있다. 또한 인공지능은 치료중심에서 예측 및 예방 중심으로 의료 및 제약 부문의 패러다임을 전환시킬 것으로 예상된다. 진단 과정의 효율화 뿐 아니라 의료 데이터의 활용도를 제고시키고 신약의 개발 기간을 단축시키는 등 혁신적인 변화가 예상된다.

인공지능을 활용한 신약 개발에서 활용하는 모델은 다음 그림과 같이 인공지능이 적합한 데이터를 탐색하고 새로운 연구가설을 수립할 수 있도록 근거를 제시하는데 상당한 역할을 할 수 있다. 이를 바탕으로 연구 가설의 근거를 조사한 분석결과를 조직화하여 연구팀이 공유하여 협업 능률을 높일 수 있도록 지원한다.

[그림 4] 인공지능 신약 개발 모델

출처 : IBM (2015)

나. 국외 동향

영국의 인공지능 기업 BenevolentAI과 존슨앤존슨의 계열사인 얀센은 제휴계약을 체결하여 인공지능을 적용해 임상단계 후보물질에 대한 평가 및 난치성 질환 표적 신약 개발에 착수하였다. 화이자는 IBM의 왓슨을 도입하여 면역 항암제 신약 개발에 활용하고 있다. 화이자는 왓슨에 암과 관련된 자체 데이터를 학습시킬 계획이다. 테바도 IBM 왓슨을 도입해 호흡기 및 중추신경계 질환 분석 및 만성질환 약물 복용 후 분석을 하는데 활용할 계획이다. 머크와 제휴하고 있는 Atomwise는 인공지능 기술로 하루 만에 에볼라에 효과가 있는 신약 후보를 2개나 발견한 성과를 내기도 하였다.

일본은 정부 산하 연구소인 이화학연구소와 교토대학이 협력하고 일본 문부과학성이 지원하는 프로젝트를 진행하고 있다. 이 프로젝트는 참여기업과 연구기관에서 100명의 과학자와 엔지니어들이 팀을 이뤄 신약 개발에 특화된 인공지능을 만드는 것이 목표다. 이화학연구소가 주관해서 도쿄대학병원, 오사카대학병원, 게이오병원 등 전국적으로 수 십 개의 의료기관과 제약 및 헬스케어 분야 기업들이 참가해 인공지능으로 연구를 시작한다. 암과 치매 이외에도 우울증, 발달장애, 아토피성피부질환, 자기면역질환, 관절염 등을 연구 대상으로 하고 있다.

이 프로젝트는 병원이 축적한 수 만 명의 임상 치료 데이터 외에도 수 백 명의 환자에게 소형 센서를 장착해 운동, 심박수, 수면 등의 자료를 측정하고 이화학연구소가 개발한 인공지능에서 분석하게 된다. 이를 토대로 개별 환자에게 최적의 투약 및 검사방법을 도출해 내며, 제약사들을 분석 결과를 이용해 신약개발에 활용하게 된다. 이 사업은 2017년에 착수하여 2020년에 실용화하는 것이 목표다.

 [그림 5] 일본의 인공지능을 통한 신약개발 프로세스

출처 : 이투데이 (2017)

IBM 왓슨은 인간의 인지능력을 기계에 구현하기 위한 기술로 발전하고 있다. 왓슨은 세계 최초로 상용화된 본격적인 인공지능이다. 왓슨의 독보적인 자연어 이해 기술은 의료 및 제약바이오 분야에 우선적으로 적용되고 있다. 왓슨이 제공하는 핵심 기술은 세 가지로 자연어를 이해하는 기술, 추론을 통한 가설을 생성하고 검증하는 기술 그리고 지속적으로 학습하여 전문 지식을 발전시키는 기계학습 기술이다. 왓슨은 각 전문 도메인별로 다양한 인공지능 버전이 존재한다. 왓슨 신약개발용 버전은 왓슨의 핵심기술을 적용해 신약탐색을 위한 기능을 제공한다. 이 기능은 엔터티 탐색, 화학 화합물 검색, 단백질 전사 후변형 요약, 상관성 분석, 생물학적 엔터디 네트워크 탐색, 가설 생성 및 연관성 예측 등으로 이것을 이용하여 신약 탐색과 예측 분석을 할 수 있다. 왓슨은 화학, 생물학, 의학, 유전학 등의 광범위한 과학 용어를 이해해서 비정형 문헌을 정형화하고 각종 엔터티를 탐색한다. 텍스트 문헌과 화학구조, 도식, 표 등의 비정형 데이터도 정형화하여 학습할 수 있다. 방대한 학습 데이터를 이용하여 특정 질병 및 유전자와 연관된 약물 후보를 찾아낸다. 특정 유전자의 돌연변이와 약물간의 관계를 분석하여 정밀 의약품을 발견할 수 있으며, 동시에 관련된 독성 정보를 파악할 수 있다. 특정 질병의 새로운 치료를 위해 다른 질병에 사용되었던 승인받은 약물의 발견도 상관성 분석과 연관성 예측으로 발견하는 것이 가능하다.

Atomwise는 인공지능 신약 기업이다. 인공지능을 사용하여 새로운 약물을 찾아낸다. 인공지능이 어떻게 신약개발을 했는지 상세히 공개하지는 않았지만 핵심 인공지능의 하나인 AtomNet은 약물 설계를 위해 최초로 심층신경망을 적용했다. 심층신경망 중에 CNN(Convolutional Neural Network)을 사용하는 최초의 약물 발견 알고리즘이다. 복잡한 개념을 작은 정보의 조합으로 이해하는데 이해력이 높고 유행병에 대한 신약 개발에 중점을 두고 있다. 이미 승인 된 수천 가지 의약품 중에 이전의 항 바이러스제가 없는 신약 후보물질을 발견하여 에볼라 바이러스의 감염성을 차단하는데 기여했다. 대표적인 의약품의 새로운 용도 발견의 사례이다. 그리고 혈액 뇌 장벽 침투제로 경구 투여가 가능하고 동물에서 매우 효과적인 다발성 경화증 치료를 위한 단백질 억제제를 발견하기 위해 천만 개에 가까운 분자를 탐구했다. 가상의 신약개발 플랫폼이 아니라 수년간 실제 약물 연구에 적극적으로 사용되어 왔다. 암, 신경질환, 항바이러스제, 항생제 후보물질을 탐색했고 예측된 분자들은 연구 프로그램에서 선도 물질 후보로 동물실험에서 긍정적인 결과를 보였다.

Cloud Pharmaceuticals는 컴퓨터 시뮬레이션 신약 개발에 집중한 기업이다. 암, 염증, CNS 장애 및 희귀질환을 포함한 다양한 치료 영역에 적용될 신약을 설계하고 개발한다. 그리고 영리단체, 정부 및 학술단체와 새로운 약물을 공동으로 설계 개발하고 후기 단계 개발은 다른 기관과 협력한다. 독자적인 설계 프로세스를 보유하고 있으며 인공지능과 클라우드 컴퓨팅을 결합하여 가상 분자 공간을 검색하고 새로운 약물을 설계한다. 신약 개발을 위한 후보물질이 선정하고 새로운 성분을 포함시킨다. 이 설계 프로세스로 신속하면서도 낮은 비용으로 신약 개발의 성공률을 높이고 약물 사용이 어려운 질병을 효과적으로 표적화하는 것이 목표이다. 다양한 클라우드 플랫폼 상에 구현한 QMD 프로세스를 제공한다. 단백질 구조 모형도 제공하고 분석하며 독성 또는 불량한 제조 특성을 가진 성분을 제거하는 생물 정보학 필터를 사용한다. 분석은 작은 분자 또는 펩타이드의 설계로 시작된다. 단일 표적에 대한 3개월 과정이 완료되면 각 대상에 대해 신규 선도 화합물 또는 펩타이드 약물 후보물질의 핵심적인 리스트를 제공한다.

twoXAR은 컴퓨팅 플랫폼 기반의 인공지능을 활용하여 유망한 후보물질을 확인하고 전임상 연구의 성공 확률을 높이는 서비스를 제공하는 신약 개발 기업이다. 빅데이터, 클라우드 컴퓨팅 및 인공지능의 융합으로 기존의 습식 랩 기반 접근 방식보다 빠르고 낮은 비용에 정확성이 높은 신약후보물질을 탐색할 수 있는 플랫폼인 DUMA를 구축했다. DUMA는 약물과 질병 간의 예상치 못한 연관성을 찾아준다. 바이오 신약 연구팀과 공동으로 신약후보물질과 새로운 용도로 변경이 가능한 물질을 탐색한다. DUMA는 네 가지 기술을 구현하여 적용한 인공지능이다. 첫째는 생물학적 데이터를 추출하여 정형화하는 기술이다. 둘째는 약물과 질병간의 관계를 이해할 수 있는 수학적 모델을 자동으로 생성하는 기술이다. 셋째는 약물 후보군을 도출하기 위한 모델에서 연관 있는 요소들을 추출하고 특징을 식별하는 기술이다. 넷째는 기계학습을 적용하여 약물 후보군을 분석하고 분류하는 기술이다.

INSILICO MEDICINE은 지식의 관리, 기계학습, 생물정보학, 신약, 오믹스(OMICS) 및 임상 결과 데이터로 컴퓨터 시뮬레이션 약물 스크리닝 방법을 개발하는 기업이다. 신약 후보 물질 검증 방법을 연구하고 있으며, 개인 맞춤 의학 분야에서 글로벌 파트너십으로 인공지능 시스템을 구현하고 있다. 노화 관련 질환 예방과 노화 예방에 집중하고 있다. 노화와 노화 관련 질병에서 독보적인 신약 개발 회사가 되는 것이 목표이다. 개별 환자를 대상으로 의약품을 개발, 테스트 및 검증하여 개인맞춤화에 초점을 두고 있다. 두 가지 비즈니스 모델을 운영하고 있다. 첫째는 제약사, 대학 그리고 화장품 회사와의 협업으로 인공지능을 활용한 신약 개발 및 노화연구를 서비스 하는 것이다. 둘째는 약물의 새 용도 발견과 관련된 약물정보, 질병과 연관된 바이오마커, 노화와 관련된 바이오마커 등을 자체적으로 연구하는 사업이다. 노바티스와 악성 흑생종에 관한 연구를 진행하고 있으며, Life Extension과 인공지능을 이용한 노화방지 의약품 개발하고 있다. Cancer and Aging Research Laboratories, Inc과는 암과 노화 관련 질병에 대한 신약 개발 서비스를 하고 있고, Vision genomics와 노화에 따른 황반변성에 대한 새로운 치료법을 연구하고 있다. 인공지능 기계학습용 지식 데이터베이스를 구축하기 위해 수 백 가지 이상의 다양한 기관을 통해 의약품 정보를 수집하고 정리하여 표준화했다. 그리고 수 백 만 개의 샘플을 수집하여 정리하고, 유전자 발현 데이터를 분석 알고리즘을 적용해 수 천 개의 신호 경로에 도표화 한다. 이 정보로 생물학적 관련성을 유지하면서 약물에 대한 스코어링을 용이하게 하고 가변성을 감소시킨다. 약물 스크리닝을 위해 인공지능 기술인 GAN(Generative Adversarial Network)을 적용하고 있다.

NUMERATE는 인공지능으로 소형분자 약물 설계 문제를 해결해서 신약 물질 탐색의 주요 과제를 극복하는 것을 지향하는 기업이다. 결정 구조가 필요 없고 SAR 데이터가 매우 제한적인 표적에서 새로운 선도물질을 신속하게 제공할 수 있는 신약 설계 인공지능을 목표로 한다. 인공지능을 구축하고 검증하기 위해 다수의 기업과 협력하고 있다. 심혈관, 신진대사 및 신경 퇴행성 질환을 포함한 여러 치료 영역에서 독점 프로그램의 파이프라인을 구축하고 있으며 일반적인 컴퓨터가 발견하지 못하는 신약물질 탐색에 중점을 두고 있다. 신진 대사 질환에서는 장쇄지방산 수용체인 FFA1 과 FFA4의 효소를 연구한다. FFA1과 FFA4는 G-단백질 결합 수용체로서 구조 기반 약물 설계를 통해 해결하기 어려운 내재적 막 단백질이다. 또한 FFA4는 G단백질 및 베타-아레스틴 경로를 통해 신호를 보내어 설계 과정을 더욱 복잡하게 한다. 리간드 기반 접근법으로 기능적 효과에 대한 정확한 예측 모델을 구축하고 각 프로파일을 충족시키는 다양하고 새로운 물질을 디자인하는 데 인공지능을 활용하고 된다. 그리고 심부전 및 심방세동 치료를 위해 Ryanodine Receptor2(RyR2)의 조절제를 개발하고 있다. RyR2의 돌연변이 또는 비유전적 변형은 부정맥 및 심부전을 근본으로 하는 칼슘 조절 결함을 초래할 수 있다. Ryanodine 수용체 장애는 근력 약화 및 신경 퇴행성 질환의 세포 사멸과 관련이 있다. 심혈관 질환에서 새로운 치료법으로 Ryanodine 수용체 조절제를 확인하고 개선하는 것을 목표로 하고 있다. 또한 알츠하이머 치매 약물을 개발하기 위해서 아포지 단백질 E4(ApoE4)를 위한 작은 분자의 리간드를 설계하고 있다. ApoE4는 알츠하이머 치매 환자의 65~80%가 ApoE4 대립 유전자를 보유하고 있고, ApoE4가 알츠하이머 치매 병인에 있어 근본적인 역학적 역할을 하는 것으로 발표되고 있다. ApoE4의 소형 구형 구조는 ApoE4가 단백질 분해에 영향을 받아서 세포 독성 및 미토콘드리아 기능 장애를 유발하는 단편을 방출하여 신경 독성을 일으키고 독성 ApoE4 단편은 알츠하이머 치매 환자의 뇌척수액과 뇌에서 크게 증가되는 현상이 관찰되는 중요한 단백질이다.

...................(계속)