의약품이 아이디어 단계에서 약국까지 이동하는 데 걸리는 시간을 추측해야 한다면? 얼마나 걸릴까? 3년? 5년? 비용은 얼마나 들까? 3천만 달러? 1억 달러?

자, 진실은 다음과 같다. 모든 약물 가능성 중에 90%가 실패한다. 성공한 소수는 시장에 도달하는 데 평균 10년이 걸리며 25억~120억 달러의 비용이 든다.

그러나 만약에 밤사이에 질병을 목표로 새로운 분자를 생성 할 수 있다면 어떨까? 임상 시험 준비가 되었는가? (이것은 올해 1월 예정된 Abundance 360 마스터 마인드에서 다룰 주제이다.)

제약 업계가 5,000명의 군대로 거의 할 수 없는 일을 50명과 함께 달성하기 위해 머신러닝을 활용한다고 상상해보라. 인공지능의 미래와 저비용, 초고속 개인 맞춤형 약물 발견에 오신 것을 환영한다.

GANs (생성적 대립쌍 네트워크/generative adversarial network) 및 약물

2012년경 컴퓨터 과학자로 전환한 생물 물리학자인 알렉스 자보론코프(Alex Zhavoronkov)는 인공지능이 이미지, 음성 및 텍스트 인식에서 점점 더 좋아지고 있음을 알아채기 시작했다. 그는 세 가지 과제가 모두 공통점이 있음을 알고 있었다. 각각 대규모 데이터 세트를 사용할 수 있어 인공지능을 쉽게 훈련시킬 수 있다.

그러나 약리학에는 비슷한 데이터 세트가 존재했다. 따라서 2014년에 자보론코프(Zhavoronkov)는 이러한 데이터 세트와 인공지능을 사용하여 약물 발견 프로세스를 크게 가속화 할 수 있을지 궁금해지기 시작했다.

그는 인공지능의 새로운 기술인 GAN (생성적 대립쌍 네트워크/Generative Adversarial Network)에 대해 들었다.

두 개의 신경망을 서로 대항하여 (적대적인)시스템은 최소한의 지시로 시작하여 새로운 결과를 생성 할 수 있다. 당시 연구자들은 GAN을 사용하여 새로운 물체를 디자인하거나 독특한 가짜 인간의 얼굴을 만드는 것과 같은 일을 했지만 자보론코프는 그것들을 약리학에 적용하기를 원했다.

그는 GANs이 연구자들이 약물 속성을 구두로 설명 할 수 있을 것이라고 생각했다. "이 화합물은 인간에서 부작용을 최소화하면서 농도 Y에서 단백질 X를 억제해야 한다." 인공지능은 분자를 처음부터 만들 수 있었다.

자보론코프는 아이디어를 실현하기 위해 메릴랜드 주 볼티모어에 있는 존스홉킨스대학 캠퍼스에 인실리코 메디슨(Insillico Medicine)을 설립하고 일을 하기 위해 소매를 걷어 올렸다.

자보론코프는 “연구자들이 실제로 이런 방식으로 상호 작용할 수 있는 시스템을 개발하는데 3년의 노력이 필요했다. “그러나 우리는 그것을 철회했고, 이로 인해 우리는 약물 발견 과정을 재 발명 할 수 있었다” 라고 말했다.

일부 이국적인 지역에서 프로세스를 시작하는 대신 인실리코(Insillico)의 “약물 발견 엔진”은 특정 질병의 특징적인 생물학적 특성을 결정하기 위해 수백만 개의 데이터 샘플을 선별한다.

그런 다음 엔진은 가장 유망한 치료 목표를 식별하고 GAN을 사용하여 분자에 적합한 분자 (즉, 유아용 약물)를 생성한다. 자보론코프(Zhavoronkov)는“결과는 잠재적인 약물 목표가 폭발적으로 증가하고 훨씬 더 효율적인 테스트 프로세스가 이루어진다. “ 라고 말했다. 인공지능은 전형적인 제약 회사가 5천명으로 하는 일을 50명과 함께 할 수 있게 해준다.

그 결과 10년 동안 한 번의 전쟁이 한 달 동안 계속 된 전쟁으로 바뀌었다.

예를 들어, 2018년 말, 인실리코(Insilico)는 64일 이내에 새로운 분자를 생성했으며, 여기에는 초기 발견뿐만 아니라 약물 합성 및 컴퓨터 시뮬레이션에서의 실험적 검증도 포함되었다.

현재 이 시스템을 사용하여 암, 노화, 섬유증, 파킨슨병, 알츠하이머병, ALS, 당뇨병 및 기타 여러 약물에 대한 새로운 약물을 찾고 있다. 탈모 치료제인 이 연구의 첫 번째 약물은 2020년 말까지 1상 시험을 시작할 예정이다.

또한 인공지능을 사용하여 임상 시험의 결과를 시험 전에 미리 예측하는 초기 단계에 있다. 성공하면 이 기술을 통해 연구원들은 전통적인 테스트 프로세스에서 많은 시간과 비용을 제거 할 수 있다.

단백질 폴딩

인공지능은 신약 개발 이외에도 다른 과학자들에 의해 새로운 약물 목표, 즉 약물이 신체에서 결합하는 장소와 약물 발견 과정의 또 다른 주요 부분을 식별하는 데 사용되고 있다.

1980년과 2006년 사이에 연간 300억 달러의 투자에도 불구하고 연구자들은 1년에 약 5개의 새로운 약물 표적만 찾을 수 있었다.

문제는 복잡성이다. 가장 잠재적인 약물 표적은 단백질이며 단백질의 구조(2D 아미노산 서열이 3D 단백질로 접히는 방식을 의미 함)는 그 기능을 결정한다.

그러나 단지 100개의 아미노산 (단량의 단백질)을 가진 단백질은 googol-cubed의 잠재적인 모양을 생성 할 수 있다. 이것이 바로 단백질 폴딩이 가장 강력한 슈퍼 컴퓨터에서도 오랫동안 어려운 문제로 여겨져 온 이유이기도 하다.

1994년에 단백질 폴딩에서 슈퍼 컴퓨터의 진행 상황을 모니터링 하기 위해 2년마다 경쟁이 벌어졌다. 2018년까지는 성공이 거의 없었다.

그러나 딥마인드(DeepMind)의 제작자는 신경망을 느슨하게 만들었다. 그들은 단백질의 염기쌍과 화학적 결합의 각도 (일명 단백질 접힘의 기초) 사이의 가장 먼 거리를 결정하기 위해 막대한 데이터 세트를 채굴하는 인공지능을 만들었다. 그들은 그것을 AlphaFold라고 불렀다.

경쟁에 대한 첫 번째 진출에서, 참가자 인공지능은 45가지 단백질 폴딩 문제를 해결해야 했다. AlphaFold는 25개의 권리를 가졌다. 2위 팀은 빈약한 3명을 관리했다.

약물 전달

개선 된 약물을 위한 또 하나의 전쟁 극장은 약물 전달 영역이다.

여기에서도 수렴 지수 기술은 인류 건강과 산업 변화에 큰 영향을 미친다.

하나의 주요 경쟁자는 유전자편집기술(CRISPR), 합성생물학 및 유전자관련 질병의 치료에 혁명을 일으키는 빠른 발전 유전자편집기술이다.

그리고 연구원들은 이제 이 도구를 적용하여 명령에 따라 변형되는 재료를 만드는 방법을 시연했다. 생각해보라: 프로그램 된 자극에 직면했을 때 순간적으로 용해되는 물질은 표적이 분명한 곳에 특정 약물을 방출한다.

표적화 된 약물 전달에 대한 또 다른 잠재적인 이점은 나노기술이며, 이로 인해 의료 나노로봇이 암 발병과 싸우는데 사용되었다. 의료용 마이크로 및 나노로보틱스에 대한 최근의 검토에서, 주요 저자 (오스틴과 캘리포니아의 오스틴에 있는 텍사스 대학교 출신)는 의료용 마이크로 및 나노로봇의 생체 내 작동에 대한 수많은 성공적인 테스트를 발견했다.

미래의 약물

비효율적이고 느리게 혁신하며 위험 회피 산업은 앞으로 몇 년 동안 중단 된다. Big Pharma는 업계에 상관없이 지금 볼 가치가 있는 영역이다.

통합 기술은 머지 않아 인실리코(Insilico)와 같은 회사에서 장수 및 질병 예방에 있어 놀라운 발전을 이르게 된다.

인공지능의 엄청난 데이터 집합, 급상승하는 컴퓨팅 파워, 퀀텀컴퓨팅, 인지 잉여 기능 및 놀라운 혁신의 통합을 통해 개인 맞춤형 의약품이 특정 목표에 직접 전달되는 세계와는 거리가 멀지 않으며, 공상 과학에서 표준 치료까지 졸업한다.

다시 젊어지는 생명공학은 생각보다 빨리 상용화 된다. 알렉스(Alex)에게 자신의 계획을 물었을 때, 그는 타임 라인을 "대략 20년으로 설정했다. 그것은 유형의 재생 생명 공학의 합리적인 지평"이다.