https://view.asiae.co.kr/article/2022092313164610594

AI는 자동화를 통해 속도는 물론 효율성을 크게 향상할 수 있고, 무작위성·오류 감소, 방대한 자료의 지능적 탐색·패턴 인식이 가능하다. 예컨대 한 번에 100만건 이상의 논문 탐색과 10억개 화합물 탐색이 가능하다. 연구자 수십 명이 최대 5년은 해야 할 일을 하루 만에 끝낸다. 임상시험 단계에서도 마찬가지다. AI가 화합물 구조의 정보와 생체 내 단백질의 결합 능력을 계산해 신약 후보 물질들을 먼저 제시할 수 있다. 병원 진료 기록을 토대로 연구하고 있는 질병과 관련이 높은 임상 대상 환자군을 찾기도 쉬워진다. 유전체 변이와 약물 간의 상호 작용을 예측해 임상 실험 디자인 설계 및 맞춤형 약물의 개발 단계에서 시행착오를 현저히 줄일 수 있다. 오두병 한국연구재단 신약단장은 "현재 약물 후보 물질을 검색하는 데 가장 많이 활용되고 있다"면서 "최근 코로나19 치료제를 발굴하기 위해 AI를 활용한 약물 재창출 기술을 통해 빠른 시간에 후보물질을 찾은 게 대표적인 사례"라고 설명했다.

신약 개발의 대표적인 병목 현상은 단백질 기능과 구조를 파악하는 데서 발생해왔다. 단백질은 DNA, RNA와 함께 생명 현상의 핵심 물질이다. 수천 개의 아미노산이 고유한 방식으로 접히면서 입체적인 구조를 형성하는데, 이를 예측·파악할 수 있다면 질병의 원인과 증상, 치료제 개발에 혁신을 가져올 수 있다. 알파폴드2는 딥러닝 기술로 학습한 결과 90% 이상의 확률로 단백질 구조를 정확히 예측하는 성과를 보여주고 있다. 단백질 시퀀스와 다중서열정렬(MSA) 특징을 입력받아 콘볼루션신경망(CNN)을 거쳐 잔기쌍들의 거리(Amino Acid distances)와 비틀림(Chemical bond angles) 분포를 출력한다. 이를 이용해 단백질 구조를 잘 표현할 수 있는 에너지 함수를 만들고, 경사하강법으로 에너지가 최소화할 때까지 반복해서 최적화시키면서 주어진 단백질의 3차원 구조를 예측하는 방식이다.