Medtech가 신약 발견 가속화를 지원하는 방법
계속 읽어보면서 신약 발견 및 개발에서 인공 지능이 개발 비용을 절감하고 생명을 구하는 치료법을 환자들에게 더 빨리 제공하도록 지원하는 방법을 알아보세요.
신약 발견 및 개발의 비용 증가
의료 전문가가 환자를 치료하는 방법은 빠르게 변하고 있습니다. 연구자들이 생명을 살리는 약품 개발에 걸리는 시간을 줄이기 위해 복잡한 건강 문제와 제약 업무를 다루면서 정밀 의료가 점점 더 보편화되고 있습니다.
현재 신약 출시는 제약회사에 극도로 길고 값비싼 프로세스입니다. Taconic Bioscience에 따르면 2019년 한 개의 신약 개발에 약 $28억 과 12년 이상의 시간이 걸렸습니다. 게다가 후보 약품의 90%는 FDA 승인을 받지 못합니다.
좋은 소식은 AI(인공 지능)에 신약 발견 및 개발 프로세스를 가속화할 놀라운 잠재력이 있다는 것입니다.
AI가 신약 발견 프로세스를 간소화하는 방법
대부분의 신약을 만드는 첫 단계는 질병과 관련된 대상 분자(일반적으로 단백질)에 결합하여 이를 변조할 수 있는 복합물의 합성입니다. 적절한 복합물을 찾기 위해 연구자들은 수천 가지의 잠재적 후보군을 검토합니다. 대상이 식별되면 연구자들은 대량의 유사한 복합물을 심사하여 질병의 단백질과 최적의 작용을 하는 복합물을 찾아냅니다.
현재 이 지점에 도달할 때까지 10년 이상, 수억 달러가 필요합니다. 하지만 인공 지능과 ML(기계 학습)을 사용하는 MedTech는 이 과정을 간소화하여 제약회사가 신약을 출시하는 데 드는 시간과 비용을 줄일 수 있습니다. 예를 들어 이러한 기술로 다음이 가능합니다.
분자 라이브러리의 상세 검색
분자 후보를 위해 심사되는 라이브러리는 워낙 거대해서 인간 연구자가 스스로 모두를 검토하는 것은 불가능에 가깝습니다. 반면 AI는 대규모 데이터 세트에서 빠르게 잠재 대상 복합물을 식별하여 랩에서 연구자의 수백 시간을 단축해줄 수 있습니다.
복합물 속성 예측
전통적인 신약 발견 프로세스는 시간이 많이 소모되는 시행착오가 수반됩니다. AI와 ML을 결합한 Medtech 솔루션은 잠재적 복합물의 속성을 예측하여 원하는 구성만 합성에 선택되도록 함으로써 프로세스를 가속화하는 데 도움을 줄 수 있습니다. 이로써 연구자는 효과의 가능성이 없는 복합물에 대해 연구하지 않을 수 있습니다.
새로운 복합물 발명
심사 후에도 가망 있는 결과가 나오지 않을 경우 AI는 원하는 매개변수에 맞는 완전히 새로운 복합물에 대한 아이디어를 브레인스토밍해서 성공의 확률을 높일 수도 있습니다.
AI는 신약 발견에 어떻게 도움을 줄 수 있나요?
AI가 임상시험에 어떻게 사용되나요?
Deloitte에 따르면 임상시험 단계에 진입한 신약 후보의 단 10%만이 규제 당국의 승인을 받습니다. 신약 생성 프로세스에서 가장 길고 값비싼 단계인 임상시험은 인간 테스트의 여러 단계를 포함하며, 각 단계에 수백 또는 수천 명의 환자가 참여합니다.
전통적인 선형 프로세스인 RCT(무작위 대조 시험) 은 수십 년 동안 바뀌지 않았고 정밀 의료 모델을 추진하는 데 필요한 유연성, 속도 및 분석력이 부족합니다. 회사들은 적절한 참가자를 찾기 위해 고군분투하며 이들을 효과적으로 모집, 유지 및 관리하는 것은 말할 것도 없이 어렵습니다. 프로세스의 비효율성 은 신약 발견과 개발 비용의 증가뿐 아니라 낮은 승인율에도 영향을 줍니다.
제약회사는 설계부터 데이터 분석에 이르는 신약 개발의 임상시험 단계 전반에 걸쳐 예측적 AI 모델을 사용하여 다음과 같은 도움을 받을 수 있습니다.
- 공개적으로 이용할 수 있는 콘텐츠를 마이닝하여 적절한 환자를 식별합니다.
- 임상시험 현장의 실적을 실시간으로 평가합니다.
- 플랫폼 간의 데이터 공유를 자동화합니다.
- 최종 보고서를 위한 데이터를 제공합니다.
알고리즘과 효과적인 기술 인프라를 결합하면 임상 데이터의 일관된 흐름을 정리, 집계, 저장 및 관리할 수 있습니다. 따라서 연구자는 임상시험에서 생성된 대규모 데이터 세트를 수동으로 정렬 및 분석하지 않고도 약품의 안전과 효능을 더 잘 이해할 수 있습니다.
신약 발견 및 개발에서 AI 채택의 장애 요소
AI가 신약 발견 프로세스에 더 보편적으로 사용되고 있긴 하지만 여전히 채택에 장벽이 있습니다.
데이터 품질
많은 산업에서 자주 얘기되는 어려움은 질 나쁜 데이터가 인공 지능과 기계 학습의 유용성을 빠르게 감소시킨다는 점입니다. 신약 연구자들의 경우 질 낮은 데이터가 MedTech의 신뢰성을 떨어뜨려 결국 정확성, 유용성, 시간 절약 면에서 기존 방법과 다를 바 없이 되고 맙니다.
우려
대부분 산업에 결국 기술이 인간 노동자를 완전히 대체할 것이라는 잘못된 인식이 퍼져 있습니다. 제약 산업 도 예외가 아닙니다. AI가 대규모 데이터 세트를 더 빠르게 분석할 수 있는 것은 사실이지만, 그렇다고 숙련된 연구자와 임상시험의를 대체할 수는 없습니다.
기술 부족
MedTech를 신약 발견 프로세스에 구현하려면 틈새 기술 세트가 필요합니다. 데이터를 깔끔하고 AI에 효과적으로 사용할 수 있도록 유지하려면 회사는 기술적 스킬을 가졌을 뿐 아니라 프로세스의 과학적 측면(예: 신약 설계, 생물학 및 화학)을 이해하고 있는 작업자가 필요합니다. 하지만 이는 회사들이 수행하기 어려운 주문입니다.
제약 신약 개발에서 AI의 미래
AI는 연구자가 혁신을 추진하고 임상시험의가 정밀 의료의 수요를 충족하고 회사가 삶을 바꾸는 신약을 출시할 수 있도록 돕습니다. 매년 제약회사와 기술회사 간에 파트너십은 늘고 있으며 MedTech와 AI 스타트업에 막대한 투자가 이루어지고 있습니다.
거대 제약회사 간의 데이터 공유까지 이루어지고 있는 상황입니다. MELLODDY(Machine Learning Ledger Orchestration for Drug Discovery)는 수십 개의 회원사 간에 데이터 공유를 촉진하는 컨소시엄입니다. MELLODDY는 회사들이 특허 데이터를 공유하면서 기밀을 유지하게 해주는 블록체인 기반 시스템을 사용합니다. 연구자들은 기존 데이터를 활용해 신약 발견 프로세스를 시작하고 개발에서 수년의 시간을아낄 수 있습니다.
연구 및 개발 가속화
팔로우하기