전체메뉴

[애플경제 이윤순 기자] 신약 개발은 적게는 몇 년, 많게는 수 십 년이 걸리는 험난한 과정을 거쳐야하는게 보통이다. 그러나 최근엔 이 분야에도 AI 기술이나 AI 빅데이터 기법이 적용되면서, 한층 개발 기간을 단축시키면서 효율적인 결과를 얻어낼 수 있게 되었다.

흔히 전통적인 신약개발 단계는 ‘후보물질 탐색과 도출, 최적화’ 과정을 거쳐 ‘전임상(비임상) 시험’, 그리고 1상과 2상, 3상의 ‘임상시험’을 해야 한다. 그 과정에서 문제없이 효과가 입증되면 허가 내지 승인이 이뤄진다. 그 기간이 평균 15년에 달하고, 개발 비용도 수 조원이 소요되기도 한다.

그러나 KDB미래전략연구소의 문초혜 연구위원은 “AI 기술을 적용해 방대한 의료데이터를 분석하고, 예측함으로써 R&D와 생산성을 증대시킬 수 있다”면서 “특히 다양한 학습 기능이 있는 AI 기술을 신약 개발에 적용함으로써 R&D의 성과가 높아질 수 있다”고 기대했다.

최근 이에 관한 분석자료를 통해 그는 또 “AI 기반 신약 설계를 통해 후보물질을 효과적으로 발굴하면, 전통적인 신약 개발 과정에 비해 그 기간이나 비용을 획기적으로 감축할 것”으로 예상했다.

전통적 신약 개발 기간의 절반 정도로 단축

실제로 시장분석기관 딜로이트도 “신약개발 과정에 AI 기술을 활용할 경우 ‘후보물질 발굴’에서부터 ‘선보물질 최적화 단계’에 이르기까지 소요시간이 크게 줄어든다”면서 “그 결과 신약 개발 비용을 최대 70% 절감할 수 있다”고 발표했다.

업계와 삼정KPMG경제연구원 등에 의하면 AI기반의 신약 개발 과정을 보면 6~9년 정도의 기간이 소요되는게 보통이다. 빅데이터 기반의 후보물질을 발굴하고, 선도물질을 선별, 검증하는데 걸리는 기간이 1~2년이다. 그 후 1~3상의 임상이 4~5년으로 가장 많은 시간이 소요되고, 임상 4상을 거쳐 출시된다. 즉, “신약 후보물질 발굴과 임상시험 조건을 최적화하고, 시뮬레이션을 통해 소요 기간과 비용을 절감한다”는 얘기다.

보건산업진흥원에 따르면 특히 신약 개발에서 AI 기술이 활발하게 적용되는 단계는 후보물질 발굴 과정이다. AI 기술이 적용되는 신약 개발 단계는 크게 3 단계다. 즉 후보물질 발굴, 전임상시험, 임상시험 단계로 나뉜다. 그 중에서도 가장 난해한 후보물질 발굴 단계는 크게 4 단계로 구성된다.

첫 번째는 타깃 확인 단계로서 질환과 연관된 타깃 단백질을 선정한다. 두 번째는 약물 디자인 단계, 즉 AI를 기반으로 해서 원하는 특성을 갖는 후보물질을 설계하는 것이다. 이를 위해 딥러닝, 강화학습, 생성모델 등 다양한 AI학습 기법이 적용된다. 그 결과 신규 화합물이 설계되면 ‘QASR’, 즉 구조&활성단계를 통해 타깃 단백질과의 친화도를 분석하고, 이를 통해 선도물질을 도출하는게 세 번째 단계다. 그런 다음 생리 활성, 작용기전, 독성 등을 확인하고, 실험을 한 다음 최종 물질을 선정하는 것이다.

개발 단계별, 주기별로 각기 다양한 AI모델 적용

특히 “신약 개발 단계에서 주기별로 적용되는 AI모델과 결과물이 다양하기 때문에, 각 단계와 개발 목적에 따라 각기 다른 모델을 적용해야 R&D 효율성이 증대될 수 있다”는 설명이다.

예를 들어 ▲후보물질 주기 과정에서 ‘유전자 타깃 발견’ 모델을 적용, 타겟 순위, 적응증 후보 등의 결과물을 얻어낼 수 있다. 또 ‘약물 디자인’ 모델을 통해 정량적 예측값을 동반한 후보 화합물 물질구조, 안정성 등을 알아낼 수 있다. ‘새로운 신약 후보 창출’ 모델을 적용하면 우선 순위를 포함한 신약 후보를 검출할 수 있고, ‘신약 후보물질 검증’ 모델로 ‘in vitro/ in vivo’ 실험 결과에 대한 객관적 분석 결과를 얻어낼 수 있다.

다음으로 ▲전임상주기(비임상주기)에선 ‘전임상 실험 설계’ 모델로 전임상 프로토콜이나, 실험 재료의 설별 및 예측 결과를 얻어낼 수 있다. 또 ‘독성 예측’ 모델을 통해 독성 예측값을 알 수 있고, ‘전임상 실험’ 모델로 실험 재료 선별 및 예측 결과를 알 수 있다.

▲범주기의 경우 ‘질병 기전 이해’ 모델로 근거 기반 기전을 제시할 수 있다. 또 ‘기존 약물을 다른 질환에 이용하거나 적응증 확장’을 위한 모델을 적용하면, 적응증 활장을 위한 임상 프로토콜 및 예측 결과를 알 수 있다. ‘정보 수집 및 종합화’ 모델을 통해 관련 논문이나, 특허 문헌 분석 결과를 얻어낼 수 있고, ‘개발 진행/중단 의사 결정 지원’ 모델을 통해 수치를 포함한 판단 결과를 알 수 있다.

AI․빅데이터로 최적의 임상 환자군 선별, 복약 순응도 향상

의약품 실사용데이터(R6al World Data, ‘RWD’)에도 AI 기술이 적용되고 있다. 이에 따라 AI가 신약개발 후기단계인 임상시험과, 시판을 위한 시험 디자인이나 판매 전략 등에 활용되고 있다. 또 신약개발 단계 중 임상시험 단계에서 후보물질의 치료 효능과 안전성을 입증할 수 있는 최적의 환자군을 제시하고, 환자들의 복약 순응도를 높일 수 있다. 시판 과정에서도 의약품의 사후 관리를 용이하게 할 수 있게 하는 등의 장점도 있다.

특히 신약 개발 단계에서 또 다른 난점인 최적의 환자군을 고르는 것도 AI로 해결할 수 있다. 즉 “AI가 환자 의료 기록에서 정보를 추출, 적절성 여부를 자동으로 확인, 임상시험에 적합한 환자를 모집하는 것이다. 신약을 복용했을 때 부작용없이 약효가 생기도록 하는 것도 AI 기술로 수월하게 해낼 수 있다. 특히 ”임상시험 환자의 생활 습관 변화를 유도, 복약 순응도를 향상시키고, 임상 모집 환자가 다른 약물을 복용하는지에 따른 부작용 검토, 최적의 임상약물 복약 방법 등을 제시함으로써 임상시험 성공률을 크게 높여준다“는 것이다.