tlooto
Sign up

AI는 신약 개발에서 어떤 역할을 할 수 있을까?

AI는 신약 개발에서 어떤 역할을 할 수 있을까?

July 28, 2025 at 6:36 AM

AI(인공지능)는 신약 개발의 전 과정을 혁신적으로 변화시키고 있으며, 제약 산업에서 데이터 기반의 의사결정을 가속화하고 성공 가능성을 높이는 핵심 동력으로 부상하고 있습니다. 최근 논문 및 연구 동향을 종합적으로 반영하여, AI가 신약 개발에서 맡을 수 있는 역할을 구체적으로 살펴보겠습니다.

1. 질병 표적 발굴 및 검증

AI는 대규모 오믹스 데이터(유전체, 전사체, 단백질체 등) 및 환자 임상 데이터를 심층적으로 분석하여 질병과 연관된 표적(유전자, 단백질)을 정확하게 발굴하고, 표적의 치료 타당성을 정량적으로 예측할 수 있습니다. 최신 딥러닝 기법과 새로운 머신러닝 패러다임(message-passing neural networks 등)이 타겟 발굴의 효율성과 정확도를 크게 높이고 있습니다[1][2][3][4].

2. 신약 후보물질 설계 및 도출

AI 기반 분자 설계(Generative Chemistry, De novo Drug Design)는 원하는 표적에 최적화된 신규 화합물을 생성·평가하는 데 강점을 보입니다. 구조 기반 약물 설계(Structure-based)와 리간드 기반 약물 설계(Ligand-based)에 AI를 접목함으로써, 수십억 개 화합물을 가상 스크리닝하고 최적 물질을 신속히 도출할 수 있습니다[1][5][6][7][8][9]. 최근에는 3D 단백질-리간드 상호작용 예측에서도 AI가 혁신을 일으키고 있습니다.

3. 약물-표적 상호작용 및 작용기전 예측

머신러닝 기반 분자 도킹과 기계학습 QSAR(Quantitative Structure-Activity Relationship) 모델은 약물과 표적과의 결합 친화도, 작용기전, 오프타겟 가능성까지 수치적으로 예측합니다[10][11]. 또한, 높은 정밀도의 분자 특성 예측(Property Prediction)은 유효 후보물질의 선정 효율을 극대화합니다[6][12][13].

4. ADMET(흡수, 분포, 대사, 배설, 독성) 특성 및 안전성 예측

AI는 in silico(전산 기반) 방식으로 신약 후보물질의 ADMET 프로파일과 독성 발생 가능성을 정교하게 예측합니다. 이는 약 30% 신약 후보가 독성으로 인해 임상에 실패하는 의약품 개발 현실에서, 부적합한 후보를 조기에 제외시켜 개발 리스크와 비용을 대폭 줄입니다[3][6][12][14][15][16].

5. 약물 재창출(Drug Repurposing)

기존에 승인 또는 임상 실패한 약물이 새로운 질병에도 효과가 있을지 AI가 대용량 실제 세계 데이터(EHR, 유전체, 약물-질병 네트워크 등)를 통합 분석하여 약물 재창출 후보를 발굴합니다. 특히 신약 개발 비용과 기간을 크게 절감할 수 있는 분야로 각광받고 있으며, AI 기반으로 성공률도 향상되고 있습니다[7][17][18].

6. 임상시험 설계 및 환자 모집 최적화

AI는 임상시험 참가자 선별, 세분화된 환자군(stratified cohorts) 설계, 적합한 지표(biomarker) 탐색에 활용되어 임상 성공률과 효율성을 높입니다. 실제로 FDA 신약 심사에 첨부되는 자료에서도 AI 기반 모델이 시험 설계, 용량 선정, 순응도 예측 등에 폭넓게 적용되고 있습니다[19][20][21].

7. 전임상 및 임상 이미지/데이터 분석 자동화

고해상도 세포·조직 이미지, 생체신호, 동물실험 영상 등 대용량 비정형 데이터를 AI가 자동 분석하여 실험의 반복성, 정량성, 객관성을 높이고 분석자의 편향을 최소화합니다. 특히 딥러닝 기반 이미지 인식은 전임상 효능/독성 평가 후속단계를 획기적으로 효율화합니다[7][13][22][23].

8. 전임상-임상간 데이터 통합 및 번역(Translational Medicine)

AI는 전임상 실험 데이터와 임상 환자데이터의 통합분석을 통해, 동물실험·세포실험에서 관찰된 신약 후보의 임상 성공 가능성을 예측하고, 예측된 효능·독성 정보에 따라 개발 전략을 수정할 수 있게 합니다[4][15][21].

9. 데이터 마이닝, 관리, 평가 및 플랫폼화

신약 후보에 대한 방대한 화학·생물학·임상 데이터를 AI 기반으로 관리 및 구조화함으로써, 데이터 품질을 높이고 합성 경로 예측, 의약품 공급망 관리, 품질(Quality by Design & Assurance) 모니터링까지 혁신적으로 지원합니다. 최근에는 DrugFlow, AIDDISON 등 AI-플랫폼이 비전문가에게도 활용될 수 있는 서비스로 제공되고 있습니다[9][11][16][22][24].

10. 개인맞춤 치료 및 정밀의료, 그리고 설명가능성

빅데이터·AI가 결합된 정밀 의학은 환자별 분자 특성에 기반한 맞춤 치료법 설계, 약물 반응 예측, 치료 최적화가 가능해지고 있습니다[4][20][21]. 동시에, 최근의 설명가능 인공지능(Explainable AI, XAI) 연구는 신약 개발에서의 AI 모델의 예측 근거와 해석 가능성을 제고하여, 임상적·규제적 신뢰도를 높이고 있습니다[3].

정리

AI는 신약 개발의 목표단계(타겟 선정→신약 도출→약리평가→임상시험→데이터 통합 및 규제 제출)에 전반적으로 적용되어 혁신적인 가속화와 비용 절감, 예측 정확도, 성공률 제고에 기여하고 있습니다. AI의 효율성은 이미 다수의 실제 성공 사례와 플랫폼 서비스, 그리고 FDA 등 규제기관의 활용 추세를 통해 입증되고 있습니다[16][19][21][22]. 앞으로 더 방대해지는 생명·화학 데이터와 AI 알고리즘의 발전, 품질 및 설명력 개선이 동반된다면, AI는 신약개발의 중심적 엔진 역할을 할 전망입니다[1][3][4][12][20][21].요약 표

신약개발 단계AI 역할 요약주요 참고문헌
타겟 발굴 및 검증대용량 오믹스 분석, 표적 타당성 예측[1][2][3][4][5]
후보물질 설계 및 도출구조/리간드 기반 가상 스크리닝, 분자 생성[1][5][6][7][9]
약물-표적 상호작용 예측분자 도킹, QSAR, 기전 예측[10][12][13]
ADMET 및 독성 예측흡수, 분포, 대사, 배설, 독성의 in silico 예측[3][12][14][15][16]
임상시험 및 환자군 설계환자 리크루팅, 코호트 선정, 바이오마커 식별[19][20][21]
약물 재창출다중 데이터 기반 약물 재적응, 신속 후보 선정[7][17][18]
전임상/임상 데이터 자동 분석실험·영상 자동화, 정량화, 결과 해석[13][22][23]
데이터 통합 및 품질관리플랫폼 구축, 데이터 큐레이션, 합성경로/품질/공급망 관리[9][11][16][22][24]
정밀의료 및 설명가능성환자별 맞춤 예측, AI 근거 해석, 임상/규제 수용성 제고[3][4][20][21]

결론:AI는 신약개발의 각 단계를 유기적으로 연결하고, 인간 연구자의 경험과 결합하여 '데이터 중심' 신약 혁신 가속·비용 절감·성공률 향상이라는 궁극적 목표 달성에 중추적 역할을 하고 있습니다. 앞으로도 새로운 AI 알고리즘, 빅데이터 축적, 설명가능성 증대 등을 통한 패러다임 대전환이 기대됩니다.

References
  1. [1]

    JIMÉNEZ-LUNA, José, et al. Artificial intelligence in drug discovery: Recent advances and future perspectives. Expert Opinion on Drug Discovery, 2021. https://doi.org/10.1080/17460441.2021.1909567.

  2. [2]

    VATANSEVER, Sezen, et al. Artificial intelligence and machine learning‐aided drug discovery in central nervous system diseases: State‐of‐the‐arts and future directions. Medicinal Research Reviews, 2020. https://doi.org/10.1002/med.21764.

  3. [3]

    ALIZADEHSANI, Roohallah, et al. Explainable artificial intelligence for drug discovery and development -- a comprehensive survey [preprint]. arXiv, 2023. arXiv:2309.12177. https://doi.org/10.1109/access.2024.3373195.

  4. [4]

    FARNOUD, A., et al. Can artificial intelligence accelerate preclinical drug discovery and precision medicine? Expert Opinion on Drug Discovery, 2022. https://doi.org/10.1080/17460441.2022.2090540.

  5. [5]

    YANG, Xin, et al. Concepts of artificial intelligence for computer-assisted drug discovery. Chemical reviews, 2019. https://doi.org/10.1021/acs.chemrev.8b00728.

  6. [6]

    DENG, Jianyuan, et al. Artificial intelligence in drug discovery: Applications and techniques [preprint]. arXiv, 2021. arXiv:2106.05386. https://doi.org/10.1093/bib/bbab430.

  7. [7]

    ZHAVORONKOV, A. Artificial intelligence for drug discovery, biomarker development, and generation of novel chemistry. Molecular pharmaceutics, 2018. https://doi.org/10.1021/acs.molpharmaceut.8b00930.

  8. [8]

    SAHU, Adarsh; MISHRA, J.; KUSHWAHA, Namrata. Artificial intelligence (AI) in drugs and pharmaceuticals. Combinatorial chemistry & high throughput screening, 2021. https://doi.org/10.2174/1386207325666211207153943.

  9. [9]

    KAWAI, Kentaro, et al. Development of drug discovery platforms using artificial intelligence and cheminformatics. Chemical & pharmaceutical bulletin, 2024. https://doi.org/10.1248/cpb.c23-00790.

  10. [10]

    DUCH, Wlodzislaw; SWAMINATHAN, K.; MELLER, J. Artificial intelligence approaches for rational drug design and discovery. Current pharmaceutical design, 2007. https://doi.org/10.2174/138161207780765954.

  11. [11]

    SAIFI, Ifra, et al. Artificial intelligence and cheminformatics tools: A contribution to the drug development and chemical science. Journal of Biomolecular Structure and Dynamics, 2023. https://doi.org/10.1080/07391102.2023.2234039.

  12. [12]

    HASSELGREN, Catrin; OPREA, Tudor I. Artificial intelligence for drug discovery: Are we there yet? [preprint]. arXiv, 2023. arXiv:2307.06521. https://doi.org/10.1146/annurev-pharmtox-040323-040828.

  13. [13]

    WALTERS, W.; BARZILAY, R. Critical assessment of AI in drug discovery. Expert Opinion on Drug Discovery, 2021. https://doi.org/10.1080/17460441.2021.1915982.

  14. [14]

    TRAN, Thi Tuyet Van, et al. Artificial intelligence in drug toxicity prediction: Recent advances, challenges, and future perspectives. Journal of chemical information and modeling, 2023. https://doi.org/10.1021/acs.jcim.3c00200.

  15. [15]

    ZHU, Hao. Big data and artificial intelligence modeling for drug discovery. Annual review of pharmacology and toxicology, 2019. https://doi.org/10.1146/annurev-pharmtox-010919-023324.

  16. [16]

    SHEN, Chao, et al. Drugflow: An AI-Driven one-stop platform for innovative drug discovery. Journal of chemical information and modeling, 2024. https://doi.org/10.1021/acs.jcim.4c00621.

  17. [17]

    TANOLI, Ziaurrehman; VÄHÄ-KOSKELA, M.; AITTOKALLIO, T. Artificial intelligence, machine learning, and drug repurposing in cancer. Expert Opinion on Drug Discovery, 2021. https://doi.org/10.1080/17460441.2021.1883585.

  18. [18]

    ZHENG, Pan, et al. Editorial: Artificial intelligence in bioinformatics and drug repurposing: Methods and applications. Frontiers in Genetics, 2022. https://doi.org/10.3389/fgene.2022.870795.

  19. [19]

    LIU, Qi, et al. Landscape analysis of the application of artificial intelligence and machine learning in regulatory submissions for drug development from 2016 to 2021. Clinical Pharmacology & Therapeutics, 2022. https://doi.org/10.1002/cpt.2668.

  20. [20]

    SERRANO, D., et al. Artificial intelligence (AI) applications in drug discovery and drug delivery: Revolutionizing personalized medicine. Pharmaceutics, 2024. https://doi.org/10.3390/pharmaceutics16101328.

  21. [21]

    RAMAN, Karthik, et al. Integrating model‐informed drug development with AI: A synergistic approach to accelerating pharmaceutical innovation. Clinical and Translational Science, 2025. https://doi.org/10.1111/cts.70124.

  22. [22]

    SURIYAAMPORN, Phuvamin, et al. The artificial intelligence-powered new era in pharmaceutical research and development: A review. AAPS PharmSciTech, 2024. https://doi.org/10.1208/s12249-024-02901-y.

  23. [23]

    LIU, Junchi, et al. AI-Powered microfluidics: Shaping the future of phenotypic drug discovery. ACS applied materials & interfaces, 2024. https://doi.org/10.1021/acsami.4c07665.

  24. [24]

    RUSINKO, A., et al. AIDDISON: Empowering drug discovery with AI/ML and CADD tools in a secure, web-based saas platform. Journal of Chemical Information and Modeling, 2023. https://doi.org/10.1021/acs.jcim.3c01016.

July 28, 2025 at 6:36 AM

tlooto can make mistakes. Check important information against the original sources.