양자컴퓨팅 기반 신약개발 개요 및 연구 동향

양자 바이오

◈ 목차

1. 개요

2. 연구개발 동향 

3. 결론 및 시사점

◈본문

1. 개요

신약개발은 표적 발굴 및 검증(Target identification and validation), 유효물질 도출(Hit Discovery), 선도물질 최적화(Lead Optimization), 전임상 및 임상시험을 거쳐 상용화에 이르는 장기간·고비용의 과정이다. 신약 하나를 개발하기 위해 평균 17년의 개발 기간과 약 4~5조 원의 비용이 소요되지만, 성공 확률은 1만 개 후보물질 중 3개에 불과하다. 이러한 개발 과정의 비효율성은 허가되어 출시되는 신약 가격이 천문학적으로 높아지는 원인 중 하나가 되고 있고, 2024년 FDA 승인을 받은 일본 쿄와기린의 자가조혈모 세포치료제 렌멜디(Lenmeldy)는 1회 투여 비용이 425만 달러(약 59억)에 달하는 가격으로 출시되었다.1)

지난 10여 년간 인공지능(AI) 기반 기술이 신약개발의 주요 혁신 수단으로 자리잡으면서, 단백질 구조 예측(예: AlphaFold)과 분자 생성 모델(예: REINVENT), 가상 스크리닝(Virtual Screening) 및 물성 예측 분야에서 혁신을 가져왔으며 일부 가시적인 성과를 거두었다. 그러나 AI 역시 고차원 이종 데이터의 통합, 인과관계 추론, 전역 최적화 문제 등에서 계산 복잡도 폭증으로 인한 “컴퓨팅 절벽”과 결과 예측의 불확실성에 직면해 있다. 또한 고전적 컴퓨팅의 계산 원리는 AI가 생물학적 및 화학적 시스템의 양자역학적 본질을 정확하게 모델링하는데 명백한 한계를 초래한다. 최근 각광받고 있는 생성형 AI의 경우 수백만 개의 가상 화합물을 빠르게 생성할 수 있지만 부정확한 고전적 스코어링 함수를 사용한 필터링은 R&D 파이프라인에 대량의 저품질 후보물질을 범람시키고 많은 경우 실제 약물 분자 합성 가능성이 낮은 문제가 발생한다. 또한 AI 알고리즘의 특성상 학습된 화학공간에 국한되어 탐색하는 문제로 인해 새로운 기전의 신규 분자를 설계하는 데 한계가 있으며, 초기 설계 단계에서 약물성(ADME/T 등) 조건을 충분히 반영하지 못해 후기 개발 단계에서 후보물질이 대량 탈락하는 문제가 반복되고 있다.2)

[표1] 신약 개발 파이프라인에서 AI/고전적 한계와 양자컴퓨팅 솔루션