바로가기 및 건너띄기 링크
본문 바로가기
주메뉴 바로가기

공지사항

home > 소식> 공지사항

글자크기

데이터 사이언스가 제약산업에 미치는 영향 I : 신약 후보물질 발굴

데이터 사이언스가 제약산업에 미치는 영향 I : 신약 후보물질 발굴 : 작성자, 작성일, 조회수, 출처,원문, 정보 제공
작성자 관리자
작성일 2021-04-09 조회수 3,526
출처 생명공학정책연구센터
원문 https://www.bioin.or.kr/board.do?num=305707&cmd=view&bid=watch&cPage=1&cate1=all&cate2=all2



 

[BiolNdustry No.157] 데이터 사이언스가 제약산업에 미치는 영향 I : 신약 후보물질 발굴

 

 

생명공학정책연구센터

설민 연구원

김현수 연구원

 

※ 본 보고서는 프로스트앤설리번 에서 발간한 ‘Data Science Impacting the Pharmaceutical Industry Part I: Drug Discovery Applications, (2020. 8)’ 보고서를 참고로 생명공학정책연구센터에서 재구성한 것임

 

[ 요약문 ]

□ 인공지능 및 데이터 사이언스를 활용한 신약 후보물질 발굴을 다음의 7가지로 요약함

 ○ 신약 후보물질 발굴 단계의 ‘데이터 중심 (data-centric)’ 전환

  - 바이오메디칼 정보의 증가로 인공지능(AI)/머신러닝 및 빅데이터를 신약개발 R&D에 통합하려는 관심 급증

 ○ 신약개발 비용과 기간의 단축 및 R&D 프로세스의 효율성 개선

  - 데이터 사이언스와 AI 기술의 활용은 신약 후보물질 발굴 및 개발 단계를 효율적으로 지원

 ○ 전통적인 머신러닝에서 딥러닝 접근 방식으로 전환

  - 새로운 타겟 선정, 질병 기전 이해, 약물의 de novo 합성 등에 적용 중이며, RNN, GAN 및 강화 학습은 AI의 활용을 더욱 발      전 시킴

 ○ 인공지능 기술은 타분야의 이머징 기술과 결합하여 최고의 가치 창출

  - 가상 스크리닝, 자동화 chemistry, 가상현실, 초고속 대용량 스크리닝 및 블록체인 등과 결합

 ○머신러닝/AI의 통합을 통한 정밀의료의 향상

  - 다양한 바이오메디칼 데이터 세트를 통한 멀티모달 데이터 수집

 ○ 종양학, 신경퇴행성 질환 등 복잡한 질환에 대한 AI/딥러닝 적용

  - 치료제 개발 기간 단축, 새로운 타겟 발굴, 약물 재창출, ADMT 및 생물학적 활성 예측

 ○ 인공지능 활용 신약개발 분야의 특허는 회색지대

  - 신약개발의 효율성을 촉진하거나 개선하는 플랫폼은 특허 미취득

 

1. 신약개발에서 데이터 사이언스의 필요성

 

1)데이터 사이언스의 역할 및 활용 이점

 

 타겟 발굴 및 검증에서 선도물질 최적화까지 평균 5년 걸리는 기간을 인공지능을 활용하여 각 단계별 30-50% 까지 단축 

      가능

  ○ (데이터 마이닝 및 분석) 다차원 소스에서 파생된 고립된 데이터로부터의 생물의학지식 합성은 어려웠으나, 멀티모달 데 

     이터의 교차점에서 통합된 통찰력을 제공

  ○ (고효율 스크리닝) AI는 가상의 물질 라이브러리에서 HTS (High-throughput screening, 고속대량스크리닝)와 함께 수십억             개의 분자를 선별

  ○ (Hit-Lead Time) 대규모 라이브러리의 가상 선별, 딥러닝 기반 설계는 유효물질에서 선도물질 도출 기간 (Hit-Lead Time)

     을 2달 이내로 단축

   - Insilico Medicine은 46일 이내에 새로운 신약 후보물질의 설계, 합성, 검증까지 가능한 인공지능 시스템 ‘GENTRL*’ 개발      (Nature Biotech., 2019. 9)

  * Generative Tensorial Reinforcement Learning

  ○ (전임상) 유효물질을 전임상 단계로 끌어올리는 데 걸리는 시간을 75% 정도 단축

  ○ (신규물질 발견) 유효물질들은 검증이 잘 된 결과를 바탕으로 실패율을 낮춤으로 AI가 발견된 분자의 성공 가능성이 더 높     아짐

                                           

                                                [그림 1] GENTRL 적용 신약 후보물질 도출 소요시간

image09.png

출처 : Nature biotechnology, Deep learning enables rapid identification of potent DDR1 kinase inhibitors, 2019, 37(9), 1038-1040.생명공학정책연구센터 재가공

 

 데이터 사이언스, 머신러닝 및 인공지능을 활용한 신약 후보물질 발굴 애플리케이션의 성능이 크게 향상되었으며, 이를

       통한 연구개발 비용과 개발 후기 단계의 실패율 감소

  ○ (연구개발 기간 단축) 데이터 사이언스를 활용한 신약 후보물질 발굴의 가장 큰 이점은 R&D 기간의 단축 가능성으로 자

     동화 및 최적화를 통해 신약개발의 속도를 가속화

  ○ (연구개발 비용 감축) AI는 전임상 시험에서 테스트될 합성 화합물의 (Hit generation) 수를 줄임으로써 신약 개발의 R&D

      비용을 감축

  ○ (새로운 유효물질 발견) AI를 활용하여 생성된 광범위한 약물 조합은 새로운 바이오 마커, "undruggable" 타겟 및 새로운

      유효물질의 발견을 촉진

  ○ (후기단계의 실패율 감소) AI를 적용한 다중 약리학 접근 방식은 소모율을 줄이고 실험실에서 환자까지의 시간을 단축하

       며, AI기반 PK/PD(약동학 및 약력학)의 특성 및 생체활성에 대한 예측은 다음단계로 진행될 약물의 수를 감소시킴

 

                                           [그림 2] 신약 후보물질 발굴에서 빅데이터와 인공지능의 역할

image10.png

출처 : 프로스트앤설리번, Data Science Impacting the Pharmaceutical Industry Part I: Drug Discovery Applications 2020.8,, 생명공학정책연구센터 재가공

 

 

 

...................(계속)

 

☞ 자세한 내용은 내용바로가기를 이용하시기 바랍니다.


☞ 첨부파일은 원문을 통해 다운로드 해주시기 바랍니다.