[이상엽의 과학기술 NOW] 인공지능을 활용한 신약 개발

최근 AI가 단백질 구조 예측
신약 개발 새로운 기회열어
개발 비용 획기적으로 낮춰
모두에게 의료혜택 돌아가길

인공지능(AI)의 급속한 발달은 생명과학 분야에서 변혁을 가져오고 있다. 지난 30년간 대사공학을 연구해온 필자의 연구실에서는 컴퓨터 가상세포를 개발하는 과정에서 다양한 컴퓨터 프로그래밍과 시뮬레이션 기법을 개발했다. 이때 개발된 기술들을 바탕으로 6년 전 인공지능을 이용한 약물-약물, 약물-음식 성분 상호작용에 의한 부작용을 예측했다. 19만여 가지의 알려진 약물 상호작용 데이터를 이용해 86가지의 상호작용으로 분류하도록 신경망 학습을 시킨 후, 그 당시 허가된 2159개 약물을 두 가지씩 복용했을 때의 230만여 가지 약물 조합에 대해 모든 상호작용을 예료했다. 그 결과 심장독성 유발, 약효를 낮추는 상호작용 등 48만여 가지의 약물 조합이 부작용을 나타낼 수 있음을 추정했다. 또한 동일한 기작의 부작용은 없는 대체약물을 예측하는 기술도 개발했다. 더욱 확장해 약물 성분과 식품에 있는 성분 간 상호작용도 내다볼 수 있었다.

그 후 6년이 지나는 동안 AI 기술은 엄청난 속도로 발전해 신약 개발과 단백질 구조 예측 분야에서 큰 역할을 하고 있다. 신약 개발은 타깃 탐색, 후보물질 발굴, 전임상 및 임상시험 등 여러 단계를 포함하는 시간, 비용, 노력이 매우 많이 들어가는 긴 과정이다. 이 과정에서 단백질 구조의 정확한 예측은 후보물질의 효능 평가와 약물 최적화에 필수적이다. AI 기술은 전통적인 방법으로는 수년이 소요될 수 있는 단백질 구조의 결정 과정을 단 몇 시간 내에 완료할 수 있게 해준다. 구글 딥마인드의 알파폴드와 데이비드 베이커 워싱턴대 교수팀이 개발한 로제타폴드 같은 AI 알고리즘은 단백질 구조 예측의 정확도를 크게 향상시켰다. 지난달 초 발표된 로제타폴드 올아톰은 단백질과 핵산, 금속이온 그리고 약물 같은 저분자 화학물질과 결합된 구조까지도 예상할 수 있게 해준다.

이와 같이 AI를 이용한 단백질 구조 예측은 타깃 단백질에 대한 높은 정확도의 구조 정보를 제공함으로써 해당 단백질에 결합할 수 있는 화합물 설계를 가능하게 해주며, 가상 스크리닝을 실행해 그에 결합하는 화합물을 발굴할 수도 있게 해준다. 또한 단백질 구조 예측을 통해 새로운 치료 대상을 발견할 수 있으며, 이는 신약 개발의 새로운 기회를 열어주는 것이다. 그리고 신약 개발 과정에서 잘못된 타깃 단백질이나 비효율적인 후보물질에 대한 투자를 빠르게 줄임으로써 신약 개발 기업에서는 자원을 더 효과적으로 배분할 수도 있다. 향후에는 전체적인 대사 네트워크, 유전자 조절 네트워크, 신호 전달 네트워크에서 특정 질병과 연관된 단백질을 신약 개발의 새로운 타깃으로 발굴하는 데도 기여할 것으로 예상된다. 특히 대사 네트워크 내에서 후보 타깃 단백질들 중 기능이 알려지지 않은 효소들은 필자의 연구실에서 개발한 딥러닝 기반의 효소 기능 예측 알고리즘인 딥EC나 딥EC트랜스포머를 활용해 추정할 수 있다. 아직 비용 문제가 있기는 하지만 정밀의학 측면에서 개인별로 다른 변이의 단백질들을 가지고 있는 경우 이에 맞춤형으로 치료제를 개발하는 미래도 생각해볼 수 있다.

결론적으로 AI 기술은 이제 신약 개발에 있어 선택이 아니라 필수다. AI 기술은 신약 개발 과정을 효율적으로 만들어줄 뿐 아니라 신약 개발의 패러다임 자체를 바꾸고 있다. AI의 발전과 함께 신약 개발 분야에서 혁신적인 변화는 계속 진행형이다. 신약이 개발되면 매우 큰 개발 비용 보상을 위해 아주 비싸게 팔린다. 이는 전 세계인들이 공평한 치료 혜택을 받는 데 큰 걸림돌이다. AI 기술을 이용해 신약 개발 비용을 획기적으로 낮춤으로써 전 세계인 모두가 적은 비용으로 치료 혜택을 받을 수 있는 날이 오기를 기대한다.

[이상엽 KAIST 생명화학공학과 특훈교수]