AI 신약개발 사례: 약물-단백질 상호작용(DTI) 예측 모델을 활용한 후보물질 선별
히츠의 약물-단백질 상호작용 예측 AI를 활용한 후보물질 선별 사례를 소개합니다.
Jan 25, 2024
인공지능(AI)이 빠르게 발전하면서 제조업, 금융 등 많은 분야에서 혁신이 이뤄지고 있습니다. 신약개발 또한 AI가 만들어 갈 혁신적 변화가 기대되는 분야 중 하나로, AI는 새로운 약물을 신속하게 발견하고 개발하는 데 큰 도움을 줄 것입니다. 실제로 많은 제약사들이 히츠와 같은 AI 스타트업과 손을 잡고 신약개발의 새로운 가능성을 탐색하고 있습니다. 오늘은 히츠의 약물-단백질 상호작용(DTI) 예측 AI를 활용한 일동제약과의 공동신약개발 사례를 소개해 드리겠습니다.
빠른 약물 후보물질 선별을 위한 AI의 활용
이 프로젝트는 한국제약바이오협회(KPBMA) 과제의 일환으로 목적은 크게 (1)신속한 유효물질 발굴, (2) AI 실효성 검증이었습니다. 히츠의 AI 기술을 활용해 신규 골격의 새로운 유효물질을 도출하는 한편, AI가 현업 신약개발 과제에서 의미 있는 후보물질을 빠르게 선별할 수 있는지 검증하는 과제이기도 했죠.
당시 제약업계에선 AI 신약개발에 대한 회의와 기대가 동시에 존재했기에, 이 과제를 통해 AI의 가능성을 입증해야 한다는 사명감을 가지고 프로젝트를 시작했습니다.
약물-단백질 상호작용 예측 AI 소개(+계산화학)
사용 기술 1. PIGNet: 약물-단백질 상호작용 예측 AI 모델
히츠팀이 자체 개발한 PIGNet은 약물-단백질 결합 구조를 Input으로 받아 결합 에너지를 예측하는 AI 모델입니다. 신약개발 분야의 경우 공개된 데이터가 적어 AI 학습이 쉽지 않다는 제약이 있습니다. 기존 DTI 예측 AI 모델들 또한 이 같은 이유로 인해 특정 데이터셋, 지표에서만 우수한 성능을 보여준다는 한계점이 있었습니다. 저희는 이러한 한계를 극복하고자 AI 모델에 물리법칙을 학습시켜 일반화 성능을 높였습니다. 물리법칙은 데이터에 관계없이 항상 유효하기 때문입니다.
사용 기술 2. 계산화학
물리법칙을 활용하여 일반화 성능을 향상시켰지만, 데이터 의존성이 높은 딥러닝 방법의 특성으로 인해 과적합 문제를 완전히 해결하기는 어렵습니다. AI 모델은 과적합으로 인해 특정 타겟에 대해 성능이 크게 저하될 수 있고, 특정 구조를 가진 분자만을 과도하게 선별할 수도 있습니다. 이러한 한계점을 해결하기 위해 AI가 선별한 분자를 계산화학으로 한 번 더 검증하는 과정이 필요합니다.
‘계산화학만 사용하면 되지 않을까’라는 의문을 가질 수 있습니다. 하지만 계산화학은 많은 계산량을 요구하기 때문에 수십만 개의 분자를 계산하는 것은 매우 비효율적입니다. 이로 인해 AI를 활용하여 1차적으로 분자를 선별하고, 이후에 계산화학을 활용하여 상위 분자를 재검증하는 방식을 채택하고 있습니다.
AI를 활용한 후보물질 선별 과정 및 결과
물질 선별 과정
우선 가상 탐색을 위한 라이브러리를 준비하였습니다. 빠른 화합물 반출을 위해 화합물은행 라이브러리를 사용하였고, 일동제약에서 전처리한 라이브러리를 히츠에 전달했습니다. 히츠에서는 AI, 계산화학, docking을 활용하여 해당 라이브러리의 약물 활성을 예측하고 물질을 선별하였습니다.
최종적으로 선별된 분자를 연구원들이 추가 검토한 후 최종 분자를 선정하였고, 실험을 통해서 타겟 A에 대한 활성을 검증하였습니다.
물질 선별 결과
1주 동안 40만 개의 가상 라이브러리를 탐색하여 113종을 선별한 후 활성 측정을 수행했습니다. 그 결과, 1uM 40% inhibition 기준 8종의 유효 물질을 새롭게 발굴할 수 있었습니다. 이 중 7종에 대해 IC50을 측정한 결과, 각각 34nM, 113nM, 155nM, 830nM, 1,119nM, 5428nM이었습니다. 7일간의 가상탐색으로 IC50 기준 수십nM 분자를 찾았다는 점에서 매우 고무적인 결과입니다.
AI 신약개발에서의 사람의 역할과 중요성
AI는 매우 효과적인 도구이며 큰 잠재력을 가지고 있습니다. 하지만 이 유용한 도구를 어떻게 사용할지는 ‘사람(연구자)’이 결정합니다. 따라서 AI 신약개발 과제의 성공 여부에는 어떤 연구자가 참여하느냐가 중요합니다. 히츠에는 AI 기술을 이해하고 문제를 재정의할 수 있는 연구진이 있었기에 AI 기술을 효과적으로 적용하여 과제를 성공적으로 수행할 수 있었습니다.
AI는 만능이 아니며 AI를 사용하는 연구진의 능력에 크게 의존합니다. AI를 효과적으로 적용하기 위해서는 AI가 풀 수 있도록 문제를 재정의하고 AI의 한계를 보완하는 것이 매우 중요하다는 점을 다시 한번 말씀드리며 글을 마칩니다.
참고 문헌
Share article