“신약 개발 기간·비용 줄인다”…GIST, 신약 후보물질 예측 정확도 향상 AI 기술 개발

(etnews.com)

광주과학기술원(GIST) 연구팀이 실험적 3D 구조 데이터 없이도 단백질과 약물의 결합 친화도를 높은 정확도로 예측할 수 있는 AI 모델 '알파 DTA'를 개발하여 신약 후보물질 발굴의 효율성을 혁신적으로 높였습니다.

이 글의 핵심 포인트

1GIST 이현주 교수팀, 단백질-약물 결합 친화도 예측 AI '알파 DTA' 개발
2알파폴드3의 내부 표현 정보와 3D 구조 정보를 결합한 다중 해상도 및 기하 인코더 활용
3실험적 3D 구조 데이터 없이도 기존 구조 기반 방식과 대등한 수준의 예측 성능 달성
4서열 기반 방식보다 높은 정확도를 보이며, 구조 데이터가 부족한 후보물질에도 적용 가능
5신약 개발 기간 및 비용 절감과 약물 재창출 연구에 활용 기대

이 글에 대한 공공지능 분석

왜 중요한가?

실험적 3D 구조 규명에 드는 막대한 비용과 시간을 생략하면서도 고정밀 예측이 가능해졌다는 점이 핵심입니다. 이는 데이터 부족 문제를 해결하며 신약 개발의 병목 현상을 해소할 수 있는 기술적 돌파구입니다.

어떤 배경과 맥락이 있나?

기존 AI 방식은 데이터가 많은 서열 기반(저정확도)과 데이터가 적은 구조 기반(고정확도)으로 나뉘어 있었습니다. 알파 DTA는 알파폴드3의 학습 정보를 활용해 두 방식의 한계를 동시에 극복하고자 합니다.

업계에 어떤 영향을 주나?

신약 개발 스타트업들은 실험적 검증 전 단계에서 후보물질을 선별하는 스크리닝 효율을 극대화할 수 있습니다. 특히 약물 재창출(Drug Repurposing) 분야의 연구 속도를 비약적으로 높일 것입니다.

한국 시장에 어떤 시사점이 있나?

AI 신약 개발 플랫폼을 구축하려는 국내 바이오테크 기업들에게 고정밀 예측 모델 활용은 강력한 경쟁 우위가 될 것입니다. 원천 기술 확보를 통한 글로벌 임상 진입 전략이 중요해집니다.

이 글에 대한 큐레이터 의견

이번 알파 DTA의 등장은 '데이터 부족'이라는 AI 신약 개발의 고질적인 난제를 해결할 수 있는 유망한 접근법입니다. 특히 구글 딥마인드의 알파폴드3와 같은 거대 모델의 내부 표현 정보를 재해석하여 성능을 끌어올린 점은, 독자적인 대규모 데이터셋 구축이 어려운 스타트업들에게 매우 실용적인 기술적 영감을 제공합니다.

다만, 이러한 예측 모델의 고도화가 실제 임상 성공률로 직결될지는 여전히 미지수입니다. AI가 예측한 결합 친화도가 생체 내(in vivo)의 복잡한 환경에서의 약동학적 특성이나 독성을 완벽히 대변하기에는 한계가 있기 때문입니다. 따라서 창업자들은 이 기술을 '최종 결정 도구'가 아닌, '실험 비용을 줄여주는 강력한 필터링 도구'로 정의하고, 예측 결과와 실제 실험 데이터 간의 피드백 루프를 구축하는 데 집중해야 합니다.

원문 보기 →