새로운 약을 발견하는 데는 지구상에서 가장 똑똑한 사람들로부터 수 십년의 시간, 수십억 달러, 그리고 알려지지 않은 인력이 소요될 수 있다. 이제 스타트 업은 인공 지능을 사용하여 프로세스 속도를 높이는 데 중요한 단계를 밟았다고 말한다.

일반적인 약물 발견 과정에는 거대한 분자 라이브러리에 대한 물리적 테스트가 포함되며 로봇 공학의 도움을 받아도 힘든 과정이다. 컴퓨터를 사용하여 유망한 후보자를 가상으로 선별함으로써 이를 회피하려는 아이디어는 수십 년 동안 지속되어 왔다. 그러나 진보는 어려웠으며 여전히 상업 파이프 라인의 주요 부분은 아니다.

그러나 최근 딥 러닝의 발전으로 인해 해당 분야에 대한 희망이 사라졌으며 주요 제약 회사는 인공 지능 기반 약물 발견 신생 기업과 제휴하기 시작했다. 그리고 이제 인실리코 메디슨(Insilico Medicine)은 인공 지능을 사용하여 단 46 일만에 생쥐에서 섬유증과 관련된 단백질 (과잉 섬유 조직의 형성)을 효과적으로 표적으로 하는 분자를 설계했다.

이 회사가 개발한 플랫폼에는 인공 지능의 가장 인기 있는 하위 필드인 딥 페이크를 강화하는 GAN (생성 적대 네트워크)과 최근 몇 년간 가장 인상적인 게임 플레이 인공 지능 발전의 핵심인 강화 학습이 결합되어 있다.

네이처 바이오 테크놀로지 (Nature Biotechnology)의 한 논문에서 이 회사의 연구자들은 이 단백질을 표적으로 하는 것으로 알려진 모든 분자와 다양한 데이터 세트의 다른 많은 활성 분자에 대한 모델을 어떻게 훈련 시켰는지 설명한다. 그런 다음 이 모델을 사용하여 30,000 개의 후보 분자를 생성했다.

대부분의 이전 노력과 달리, 그들은 한 단계 더 나아가 실험실에서 테스트 할 가장 유망한 분자를 선택했다. 30,000 명의 후보자들은 더 전통적인 약물 발견 접근법을 사용하여 단지 6 개로 분류 된 후 실험실에서 합성되었다. 그들은 점점 더 엄격한 테스트를 거쳤지만, 주요 후보자는 원하는 단백질을 표적으로 하는 데 효과적이며 약물이 바라는 것처럼 행동했다.

저자는 결과가 단지 개념 증명일 뿐이라는 사실을 분명히 알았다. Alex Zhavoronkov 회사 CEO는 Wired가 제약 파트너가 설정한 도전에서 가능한 한 빨리 약물을 설계해야 한다고 말했다. 그러나 그들은 적은 비용으로 전통적인 방법보다 더 빠르게 프로세스를 수행 할 수 있다고 말했다.

몇 가지 주의 사항이 있다. 시작을 위해, 표적화되는 단백질은 이미 매우 잘 알려져 있으며 이를 위한 여러 효과적인 약물이 존재한다. 이로 인해 회사는 모델을 교육하기 위한 풍부한 데이터를 얻었다. 새로운 약물이 시급히 필요한 많은 질병에는 해당되지 않는다.

이 회사의 플랫폼은 또한 약물 발견 프로세스의 초기 단계만을 목표로 한다. 저자는 논문에서 분자가 임상 실험의 진정한 경쟁자가 되기 전에 실험실에서 여전히 상당한 최적화를 수행 할 것이라고 인정한다.

데릭 로우 (Derek Lowe)는 그의 블로그인 더 파이프라인 (In The Pipeline)에서“그리고 거기서 마약을 시장에 내놓으려고 할 때 엄청난 돈을 소비하기 시작한다. 플랫폼이 다루는 발견 과정의 일부는 약물 개발의 총 비용 중 작은 부분을 차지한다고 그는 말했다.

그럼에도 불구하고, 이 연구는 가상 스크리닝 기술의 확실한 발전이며 새로운 의약품 설계에 대한 인공 지능의 잠재력을 나타내는 중요한 지표이다. Zhavoronkov는 또한 Wired에 이 연구가 1 년 전에 수행되었다고 말했으며, 이후 적은 양의 데이터로 더 어려운 약물 표적을 따르도록 플랫폼을 조정했다.

대형 제약 회사는 풍선 개발 비용을 줄이고 절망적인 질병에 대한 치료법을 찾기 위해 필사적으로 노력하면서 얻을 수 있는 모든 도움을 사용할 수 있다.