AI를 통한 약물 발견 향상: 도전과 해결책

Brief news summary

약물 발견은 상당한 장애물에 직면해 있으며, 1세기 이상의 연구에도 불구하고 7,000개의 희귀 질환 중 약 500개만이 효과적인 치료법을 가지고 있습니다. 인공지능(AI)은 약물과 유사한 분자의 3D 구조와 그들이 목표 단백질과 상호작용하는 방식을 분석함으로써 약물 설계를 향상시키는 유망한 솔루션을 제공합니다. 그러나 다양한 실험적 접근 방식에서의 생물학적 데이터 품질의 불일치는 주요한 도전 과제가 됩니다. AI의 모든 기능을 활용하기 위해 연구자들은 표준화된 보고 및 실험 방법의 필요성을 강조하고 있습니다. 인간 세포 아틀라스와 폴라리스 벤치마킹 플랫폼과 같은 이니셔티브는 불일치를 줄이고 생물학적 데이터의 신뢰성을 높이는 것을 목표로 하고 있습니다. 또한, 긍정적인 결과를 선호하는 출판 편향은 생물학적 데이터 분석에서 AI의 적용을 복잡하게 만듭니다. "avoid-ome"과 같은 프로젝트는 AI 훈련 데이터 세트를 풍부하게 하기 위해 긍정적 및 부정적 데이터를 모두 수집하는 것을 목표로 하고 있습니다. 제약 회사들은 AI 기능을 상당히 향상시킬 수 있는 방대한 데이터 세트를 보유하고 있으며, 대부분 비공식적입니다. EU에서 자금을 지원하는 멜로디 프로젝트와 같은 이니셔티브는 데이터 공유를 장려하면서 개인 정보를 보호합니다. 투자 증가와 표준화된 데이터 관행이 이루어진다면, AI가 약물 발견의 혁신을 가져오고 현재의 문제를 효과적으로 해결할 수 있을 것이라는 희망이 있습니다.

약물 발견은 상당한 도전을 안고 있습니다. Evotec의 컴퓨터 화학자인 David Pardoe에 따르면, 지난 세기 동안 개발된 치료 옵션이 있는 희귀 질환은 7, 000개 중 약 500개에 불과합니다. 이 과정의 길고 비용이 많이 드는 특성에서 인공지능(AI)이 해결책을 제공할 수 있습니다. AI는 잠재적인 약물 분자의 3D 구조와 원자 특징을 통합하여 타겟 단백질과의 호환성을 검사하고, 약물 효능을 향상시키며 새로운 타겟을 발견할 수 있습니다. 이는 환자 내의 복잡한 생물학적 환경을 고려합니다. 전 세계에서 생성된 방대한 생물학적 데이터는 약물 개발에 대한 AI 응용의 강력한 기초를 제공합니다. 그러나 데이터 품질은 여전히 중요한 문제로, 일관되지 않은 실험 방법과 유리한 결과만 발표하려는 경향 때문에 자주 저해받습니다.

일부는 데이터 양을 증가시키면 이 문제가 해결될 것이라고 믿지만, 많은 전문가들은 AI 모델의 데이터 품질을 향상시키기 위해 학계와 산업 간의 협력이 필요하다고 강조합니다. 주요 권장 사항에는 다양한 실험실 간 데이터 불일치를 줄이기 위해 실험 보고 및 방법론의 표준화를 포함합니다. 인체 세포 아틀라스와 같은 이니셔티브는 AI 분석을 위한 일관된 데이터 세트를 생성하는 것을 목표로 하며, 폴라리스를 위한 프로젝트는 데이터 투명성 및 품질을 개선하기 위한 가이드라인을 개발하고 있습니다. 또한 성공적인 결과만 발표하려는 뚜렷한 편향이 있으며, 이는 AI 모델을 긍정적인 결과로 기울어지게 합니다. 긍정적 및 부정적 결과를 모두 통합하는 이니셔티브를 통해 이를 해결하는 것이 약물 효능 및 안전성에 대한 보다 정확한 이해를 위해 필수적입니다. “회피 유전체” 이니셔티브와 같은 프로젝트는 약물 개발에 관련된 PFME 요소에 대한 귀중한 통찰을 제공하는 것을 목표로 하고 있습니다. 더욱이, 제약 회사들은 종종 방대한 데이터를 보유하고 있지만 타사와 공유하기를 꺼려하며, 이는 AI에 대한 잠재적 이점을 제한합니다. 멜로디와 같은 협력 프로젝트는 연합 학습이 모델 정확성을 개선할 수 있음을 보여주면서도 독점 정보를 보호할 수 있음을 입증했습니다. 요약하자면, AI를 통한 약물 발견을 향상시키기 위해서는 데이터 표준화 개선, 부정적 결과의 가치 인식, 데이터 공유에서의 협력 증대가 필요합니다. 이러한 문제를 해결함으로써 약물 개발의 효율성과 효과를 크게 높일 수 있기를 바랍니다.