바이오인

인공지능을 이용한 바이오인포메틱스와 데이터 기반 신약개발 연구 동향

표경호 (연세대학교 의생명과학부/ 유한연세폐암중개연구소)

 

 

[요약문]
인공지능을 이용한 신약의 개발은 ‘콜럼버스의 달걀’과 같다. 머신러닝에 관련된 통계학적인 지식들은 이미 보편적인 학문으로 알려져 있지만, 머신러닝의 잠재성을 파악하고, 적용 및 활용하는 사람들은 현재 관련 분야의 전문가로서 자리매김하고 있다. 머신러닝 분석을 요구하는 시대적 상황에 맞게 관련 지식에 연계된 정보들은 인터넷과 서적 그리고 다양한 오프라인 미팅에서 쉽게 접할 수 있게 됨에 따라, 머신러닝에 대해 관심을 갖거나, 활용하는 사람이 늘어나고 있다. 서점의 컴퓨터 전문지식 코너의 베스트 셀러들 가운데, 머신러닝, 딥러닝 관련 서적이 늘어나고 있고, 이는 최근 14차 산업의 중요한 기술로서, 대중의 관심도를 보여주는 결과이다. 인공지능은 간단한 문제부터 복잡한 문제들을 해결하기 위한 솔루션으로서 인공지능 기술의 발전과 더불어 컴퓨터의 개발의 향상에 따라 의학적인 발달을 촉진하고 있다. 본 동향에서는 내용으로 인공지능 기술을 토대로 하여 약물의 개발 프로세스를 혁신적으로 강화시키고 있는 현주소를 다룰 예정이다. 현재 제약 산업은 R&D 비용의 증가와 최근 개인 맞춤형 치료의 개념이 적용되면서, 새로운 신약 개발의 요구가 늘어나고 있다. 이와 더불어 2다중오믹스 연구들을 토대로 한 빅데이터들은 신약개발에 필요한 중요한 요소 중 하나로서 신약개발활용에 중요한 소스로 활용되고 있다. 본 동향에서는 인공지능을 이용한 바이오인포메틱스와 데이터 기반의 신약 개발 연구 동향에 대해서 다루고자 한다. 인공지능기술이 약물의 개발 프로세스의 효율성을 개선할 수 있는 가능한 방법 그리고 인공지능기반의 약물 발견 회사와 제약산업의 협력 방향에 대한 논의가 포함된다.
키워드: 인공지능, 바이오인포메틱스, 빅데이터, 신약개발
분야: Bioinformatics, Pharmacology, Structural_Biology

 

 

 

목 차

1. 의료산업에서의 인공지능의 범주와 머신러닝 그리고 딥러닝
2. 약물의 개발과정
3. 약물의 개발과 비용의 문제
4. 약물개발에서의 인공지능의 적용
  4.1. 질병과 타겟과의 연관성 분석
  4.2. De novo 디자인
  4.3. 약물-표적 상호작용을 위한 접근 방법
  4.4. 리드물질의 독성여부 판단법
  4.5. 유전체 및 약물의 화학적 특성에 기반한 암세포의 민감도 예측 모델
5. 결론
6. 참고문헌

 

 

1. 의료산업에서의 인공지능의 범주와 머신러닝 그리고 딥러닝

인공지능(AI)은 컴퓨터가 인간의 행동을 모방할 수 있는 기술을 의미하며, 이는 ‘관찰’, ‘분석’, ‘회귀’의 의미로서, 의료산업에서 언급하는 인공지능의 적용 범위는 다양하다. 보건업을 수행하는 의사와 간호사 그리고 임상에 관련된 통계 분석의 역할을 사람 대신 컴퓨터가 일을 대신하며, 이 일을 대신하는 컴퓨터의 일처리 플렛폼을 “인공지능”이라고 한다. 인공지능이 의료산업에서 적용되는 범위는 연구 분야를 비롯하여 신약개발, 환자 데이터 수집 및 분석 그리고 위협 요소 확보, 병원 관리 프로그램, 임상의사의 수술 지원 그리고 3웨어러블 디바이스(Wearable device)를 이용한 환자의 건강 추적 관리 등이 이에 포함된다. [1]. 인간의 행동을 모방하는 인공지능은 기계 학습, 즉 머신러닝(machine learning, ML)이 데이터에서 반복적으로 학습하는 알고리즘을 사용한다. 컴퓨터는 명시적으로 프로그래밍을 하지 않고도 데이터 내부에서 숨겨진 패턴을 식별하여 이를 적용함으로서 반복적이거나, 새로운 패턴들을 발견할 수 있는 기능을 수행할 수 있다. 머신러닝은 지도형 학습(Supervised machine learning), 비지도형 학습(Non-supervised machine learning) 그리고 강화 학습(Reinforcement learning)으로 크게 3가지로 구분이 되어 진다. 지도 학습은 입력 및 출력 소스의 데이터를 기반으로 하여 예측 모델이 되며, 이는 분류(classification)과 회귀(regression)로 구성된다. 예를 들면 이미 환자의 예후가 존재하는 임상데이터에서 임상적인 마커들이 존재한다면, 이 가운데 환자의 예후를 결정지을 수 있는 주요인자들을 인공지능을 이용해 발굴할 수 있으며, 신약에 대하여 임상적으로 중요한 요소 대한 예측이 가능하다 (예: 4ADME). 비지도학습에서는 입력데이터를 주로 사용 하며, 각 데이터의 일정 특성을 파악하여 그룹화하고, 성질을 구분 지을 수 있는 주요 요소를 분석하는 것을 기반으로 한다. 강화 학습은 주로 주어진 환경 내에서 의사결정을 내리고 실행을 극대화함에 따라, 분석의 효율을 최대치로 끌어올릴 수 있는 학습 방법이다. 딥러닝은 머신러닝 알고리즘 중 한 가지로서 방대한 양의 실험 데이터에서 적응하고 학습하는 인공신경망을 사용한다. 빅데이터 및 관련 데이터 마이닝 등을 통해 잠재적으로 새로운 약물을 발굴하고, 개별적으로 또는 조합으로 사용할 경우 그리고 개인맞춤형 약물을 개발하기 위한 복잡성 가운데에서 결과를 확보하는 데 유용하게 사용되고 있다 [그림 1].

 

그림 1. 보건 향상을 위한 인공지능과 머신러닝 그리고 딥러닝의 정의와 범주