Closing the data loop in AI-driven drug discovery

개요

AI가 신약 개발의 효율성과 성공률을 높일 잠재력을 보여주지만, 고품질의 완전한 데이터를 활용하고 실험실 시스템과의 통합을 강화해야 하는 과제가 남아있습니다.

주요 내용

* AI의 신약 개발 가속화: AI는 분자 라이브러리 스크리닝의 효율성을 높이고, 초기 단계에서 약물 후보 물질을 설계 및 예측함으로써 신약 개발 프로세스를 가속화합니다. 이는 기존의 물리적 스크리닝 방식의 한계를 극복하고 저품질 후보 물질을 미리 제거하여 시간과 자원을 절약할 수 있게 합니다.
* AI 모델의 데이터 의존성: AI 모델의 성능은 훈련 데이터의 품질과 범위에 크게 의존합니다. 현재 공개된 데이터셋은 AI 모델 훈련에 필요한 구조, 라벨링, 다양성이 부족하며, 성공 사례에 편중된 출판 편향은 AI 모델의 예측 신뢰도를 저하시킵니다.
* 데이터 무결성 및 조작 문제: AI 시대에는 데이터 조작 및 위변조의 위험이 증가합니다. 특히 훈련 데이터를 오염시킬 수 있는 조작된 이미지는 AI 모델의 오작동을 야기할 수 있으며, 이를 방지하기 위한 데이터 검증 도구의 필요성이 강조됩니다.
* 자율 실험실의 미래: 미래 신약 개발은 최소한의 인간 개입으로 운영되는 완전 자율 실험실에서 이루어질 것으로 예상됩니다. 이러한 '다크 랩'은 예측, 테스트, 최적화 과정을 끊임없이 반복하며 AI 모델을 지속적으로 개선합니다.
* 시스템 통합의 중요성: 자율 실험실의 실현을 위해서는 상호 운용 가능한 시스템과 통합된 인프라가 필수적입니다. 현재 많은 실험실 장비가 독립적으로 작동하여 데이터 공유 및 활용에 제약을 받고 있으며, FAIR(Findable, Accessible, Interoperable, Reusable) 데이터를 생성하고 AI 모델을 훈련시키기 위해서는 시스템 간의 원활한 통합이 필요합니다.
* 비용 및 규제 장벽: AI 기반 신약 개발은 초기 단계에 있으며, FDA 승인을 받은 약물은 아직 없습니다. 또한, AI 모델 훈련 비용의 증가와 규제 hurdles는 신약 개발의 경제적 부담을 가중시키지만, AI와 전통적인 실험 방식의 균형을 통해 비용 및 위험 관리가 가능할 것으로 전망됩니다.

시사점

AI는 신약 개발의 효율성을 크게 향상시킬 잠재력을 가지고 있으나, 이를 현실화하기 위해서는 고품질 데이터 확보, 시스템 통합, 그리고 데이터 무결성 보장을 위한 노력이 필수적입니다.