신약 발굴 초기 단계에서 AI를 적용할 때 얻을 수 있는 가장 큰 장점 중 하나는 AI가 대규모 가상 스크리닝을 수행하거나 여러 실험을 동시에 수행할 수 있어 스크리닝 규모를 늘리고 잠재적 화합물을 선도 화합물로 발전시킬 수 있다는 것입니다. 후보 치료제의 속도. MIT 교수인 Jim Collins 박사는 WuXi AppTec 콘텐츠 팀과의 인터뷰에서 연구자들이 소규모 화합물 라이브러리로 AI 모델을 훈련한 다음 이 모델을 사용하여 광대한 화학 공간을 탐색할 수 있다고 말했습니다. 이를 통해 그의 팀은 며칠 내에 수십억 개의 화합물이 포함된 가상 화합물 라이브러리의 스크리닝을 완료할 수 있습니다. 이는 기존의 실험으로는 달성할 수 없습니다.
Lantern Pharma의 CEO인 Panna Sharma는 Nature Cancer와의 인터뷰에서 초기 AI 생성 구멍부터 최초의 인간 임상 시험 진입까지 회사의 항암 연구 개발 프로젝트가 기존 전략보다 약 절반 정도 소요된다고 밝혔습니다. 최대 80%까지 비용을 절감할 수 있습니다. 리커전(Recursion), 인실리코메디슨(Insilico Medicine) 등 AI를 신약 개발에 활용하는 다른 기업들도 비슷한 경험을 갖고 있다. 현재로서는 인공지능이 실험을 대체할 수는 없지만 연구자가 올바른 실험을 더 빠르게 완료하여 성공률을 높일 수 있습니다.
암 치료에 대한 인공지능의 초기 영향 중 하나는 실패했거나 쓸모없는 약물의 재사용에 반영될 수 있습니다. Lantern을 예로 들면, 인공지능 플랫폼은 종양학과 관련된 수십억 개의 데이터 포인트를 수집합니다. 이러한 데이터는 과학 연구, 임상 시험 및 데이터베이스에서 나옵니다. 인공지능은 후보 약물에 대한 환자의 반응을 예측하기 위해 기계 학습을 사용함으로써 이전에 발견되지 않은 새로운 적응증을 신속하게 발견하거나 아직 완전히 특성화되지 않은 새로운 암 하위 유형과 해당 바이오마커를 식별할 수 있습니다.
효과적인 약물 조합을 식별하는 것도 인공지능의 또 다른 응용 방향이다. 현재 약물 조합을 테스트하는 것은 어렵고 시간이 많이 걸리는 반면, 인공 지능은 모든 임상 시험의 데이터를 분석하여 어떤 약물 조합이 더 효과적인지 더 빠르게 예측할 수 있습니다.
특정 치료 효과를 달성하기 위해 특정 목표 특징을 기반으로 새로운 분자 구조를 맞춤화하는 생성 AI의 능력은 지지자들에게 특히 흥미로울 것입니다. 현재 생성 AI는 전임상 연구에서 표적 특성을 기반으로 새로운 단백질이나 소분자 화합물을 처음부터 설계하는 능력을 입증했습니다. 예를 들어, 노벨상 수상자인 David Baker 교수팀은 향상된 단백질 시뮬레이션 도구인 RoseTTAFold All Atom과 단백질 설계 도구인 RFdiffuion All Atom을 소개하는 논문을 Science 저널에 게재했습니다. RoseTTAFold All Atom을 사용하면 과학자들은 단백질과 다른 생체 분자 간의 상호 작용을 시뮬레이션할 수 있습니다. RFdiffuion All Atom을 사용하면 과학자들은 특정 화합물에 결합하는 포켓을 기반으로 완전히 새로운 단백질을 처음부터 설계할 수 있으며 잠재적으로 정확한 치료법을 설계할 수 있는 길을 열 수 있습니다.
반면, 현재 임상 연구개발 파이프라인에서 AI가 생성하는 대부분의 생체분자는 여전히 기존 분자와 유사하며, 선택성을 향상시키거나 비표적 독성을 줄이기 위해 조정되었습니다.
후보 약물은 여전히 인간에서의 효능을 입증해야 하며, 이는 임상 시험 없이는 달성할 수 없습니다. 신약 개발 과정에서 임상시험은 연구개발 비용과 시간의 대부분을 차지하기 때문에 작은 효율성 향상이라도 큰 영향을 미칠 수 있습니다.
Recursion은 인공지능 모델을 기반으로 Tempus 등 전문 데이터 수집 기관의 임상 및 다중 오믹스 데이터를 활용하여 가장 좋은 반응을 보일 수 있는 환자를 식별합니다. 환자 선별검사를 개선한다는 것은 소규모 시험을 의미할 뿐만 아니라 이론적으로 성공률도 높아진다는 것을 의미합니다.
또한 인공지능을 활용해 적합한 환자를 발굴하고 최적의 임상시험 장소를 결정함으로써 환자 모집의 가속화를 극대화할 수 있다.
