AI와 신약 개발: 성과, 한계, 임상 관련 데이터 확보 필요성

인공지능(AI)은 생물학적 표적 발굴과 생성형 분자 설계에서 실험실 자동화, 임상시험 최적화에 이르기까지 신약 개발 전반에 적용되고 있으며, 이제 이 분야는 네 가지 뚜렷한 계층으로 체계화되고 있다. 최근 이정표로는 임상시험에서 위약군을 줄이는 디지털 트윈 방법론에 대한 유럽 규제 기관의 공식 인정과 AI로 설계된 약물 후보물질의 긍정적인 2a상 데이터가 있다.

임상시험 최적화 계층은 이 스택에서 가장 새롭고 검증이 가장 덜 된 부분으로, Unlearn.AI가 여기에 속한다. Unlearn.AI의 PROCOVA 방법론은 디지털 트윈 대조 환자를 생성해 임상시험의 위약군 규모를 줄인다. 이 방법은 유럽 규제 기관으로부터 2상 및 3상 시험에 대해 공식 인정을 받았으며 FDA와도 일치를 확인했고, 요구되는 대조군 규모를 약 30% 줄인 것으로 보고되었다.

생성형 분자 설계 분야에서 Insilico Medicine의 rentosertib 프로그램은 AI로 식별한 표적에서 AI가 생성한 분자로, 나아가 긍정적인 2a상 데이터까지 도달하며 이 분야에서 가장 뚜렷한 엔드투엔드 성공 사례 중 하나가 되었다. Google DeepMind에서 분사되어 AlphaFold의 계보를 잇는 Isomorphic Labs는 Eli Lilly와 17억 달러 이상, Novartis와 약 12억 달러 규모의 파트너십을 맺었으며, 추가로 6억 달러의 외부 자금을 조달했다. Xaira Therapeutics는 2024년 10억 달러 이상의 지원으로 출범해 역대 최대 규모의 AI 생명공학 출범으로 기록되었으며, Chai Discovery, Genesis Therapeutics, Iambic Therapeutics는 각각 구조 예측, 중개 화학, 생성형 설계 분야에서 경쟁하고 있다.

표적 발굴 계층에서 Recursion Pharmaceuticals는 딥러닝을 수백만 개의 세포 분석 현미경 이미지에 적용해 질병 생물학을 대규모로 매핑하고 있으며, Exscientia와 합병했다. Insitro는 유전체학, 영상, 임상 데이터를 결합해 이질적인 질병을 하위 유형으로 세분화한다. 실험실 자동화 계층에는 Emerald Cloud Lab, Strateos, Arctoris가 포함되며, 이들은 원격의 로봇화된 실험실을 온디맨드 서비스로 제공한다. 자동화된 설계-제작-테스트-분석 주기를 도입했다고 밝힌 기업들은 초기 가설에서 전임상 후보물질까지 가는 기간을 전통적인 업계 평균 약 3~4년에서 약 13~18개월로 단축했다고 보고한다.

이러한 발전에도 불구하고 신약 후보물질의 90~95%는 여전히 개발 과정에서 실패하며, 대개 수년간의 투자 이후에 실패한다. 종양학에서는 문제가 데이터의 양이나 적용된 계산 능력이 아니라 데이터가 실제 환자의 종양 생물학을 얼마나 반영하는지에 있다. 환자 유래 데이터는 관련성이 매우 높지만 제한적이며, 세포주, 오가노이드, 환자 유래 이종이식 모델과 같은 모델 시스템은 환자 맥락을 희생하는 대신 확장성을 제공한다. 유전체 프로파일링은 광범위한 임상 성공으로 이어지지 못했고, 유전체 바이오마커만으로 기존 정밀 의약품의 대상이 되는 환자도 소수에 불과하며, 전사 시그니처는 단백질 발현이나 치료 반응을 예측하는 데 있어 종종 약한 예측 인자에 머문다. 종양이 약물에 어떻게 반응하는지를 측정하는 기능적 데이터를 분자 프로파일링과 통합해 표현형을 예측하는 바이오마커 시그니처를 찾아내려는 노력이 커지고 있다.

연구자들은 또한 생물의학 AI가 많은 상업 분야의 AI보다 더 높은 이해관계를 지닌다고 강조한다. 오류가 과학적 결론, 신약 개발 결정, 환자 치료에 영향을 미칠 수 있기 때문이다. 생물의학 데이터는 종종 노이즈가 많고 불완전하며, AI 예측은 여전히 실험적, 임상적 검증이 필요하다. 데이터 통합도 또 다른 과제다. 신약 개발은 점점 더 다중 양식화되고 있으며, 저분자 화합물, 단백질 분해제, 항체-약물 접합체, RNA 치료제, 세포 및 유전자 치료제를 아우르고, 이들 각각은 화학, 생물학, 중개 연구 전반에 걸쳐 고유한 데이터 세트를 생성한다. 많은 조직이 단절된 정보 시스템에 의존하고 있으며, 지식 그래프는 분산된 데이터와 증거를 통합적이고 추적 가능한 프레임워크로 연결하는 방법으로 부상했다. 한 생물의학 지식 그래프 솔루션은 MetaBase, Cortellis Drug Discovery Intelligence, OFF-X를 포함한 데이터 세트를 통합하며, 100만 개 이상의 화학 화합물, 100만 개 이상의 약물, 거의 87,000개의 생물학적 개체, 수천 개의 질병, 경로, 바이오마커, 안전성 개념을 포괄한다.

EU-OPENSCREEN 파트너 기관 간의 5주 협업에서, 마드리드의 CIB-CSIC 소속 박사후 연구원이 스웨덴 Karolinska Institutet의 연구 그룹에 합류해 신규 화합물 설계를 위한 AI 및 머신러닝 기반 접근법을 탐구했다. 이 연구는 분자 후보물질을 생성하고 우선순위를 정하기 위해 신톤 기반 설계 전략과 톰슨 샘플링 접근법에 초점을 맞췄으며, 바이러스 복제와 면역 반응 회피의 핵심 표적인 잠재적 Mac1 억제제 계열을 새로 도출해 향후 합성 및 시험관 내 시험의 출발점을 제공했다.