목 차 

1. 서론
2. 본론
2.1. 신약 디자인에 이용되는 인공지능(AI) 모델 종류와 장단점
2.2. 딥러닝 기반의 신약디자인에 이용되는 인공 신경망 및 알고리즘
2.2.1. 딥러닝 기반의 강화학습(Reinforcement Learning) De novo 약물 디자인 모델
2.2.2. 딥러닝 기반 신약 디자인에 활용되는 신경망 및 모델
2.2.3. 딥러닝 기반의 신약 디자인 알고리즘 장단점 비교
2.3. De novo 신약 디자인의 활용과 미래
2.3.1. 딥러닝 기반 신약 디자인 관련 회사별 비교
2.3.2. 바이오 융합(Bioconvergence) 의료기술에서 AI을 통한 정밀 의료시대 도래
3. 결론


1. 서론

전통적인 방식의 신약개발은 오랜 시간, 많은 인력, 투자 그리고 제때 좋은 자문을 받아야 신속하게 진행될 수 있으나, 10년 이상의 연구개발 기간과 2조 원가량의 비용이 들어가는 사업으로 성공적인 신약 개발 및 바이오 사업을 위해서는 다양한 경험을 가진 여러 분야의 전문가들의 협업이 신약개발 성공의 관건이다 [1, 2]. 현재까지 오랜 신약개발기간과 비용 부분을 개선하기 위해 많은 대안들이 대두되어 왔고, 최근 많은 데이터 분석기술의 발달로 연구되어 알 수 있는 정보보다 아직 해석되지 못하고 있는 정보들이 훨씬 많아지므로 다양한 형태의 방대한 데이터는 기하급수적으로 늘어남에 따라 결국 인공지능(AI) 기술을 적용하여 빠르고 정확한 데이터처리, 타깃물질확보 그리고 신약물질로서 필요한 특성들을 테스트하여 임상테스트로 넘어가기 전(End to End Drug Discovery)까지 AI의 이용은 시간과 비용을 줄여가는 방향으로 발전하였다 [3, 4]. 앞으로도 인공지능의 활용 잠재력은 임상테스트와 더불어 많은 디지털 헬스케어 분야에서 전반적으로 높아질 것이라 예상된다 [2, 3]. 지난해 세계 AI 신약개발 시장은 6억 980만 달러(약 8081억 원)로 추정되며, 한국과학기술정보연구원(KISTI)은 세계 AI 신약개발 시장이 매년 40% 이상 성장하여 2027년 40억 350만 달러(약 5조 3054억 원)에 이를 것으로 내다보고 있다. 국내에서 AI신약개발사업을 하는 기업만 50곳 이상으로, 특허청에서도 앞으로 AI신약개발 시장이 커지고 출원이 증가하면 AI 신약 개발도 결국 빠르게 특허를 준비하는 쪽이 시장을 선점할 것으로 본다 [5].

본문에서 현재까지 신약 디자인에 이용되는 모델종류와 장단점 그리고 알고리즘의 특성을 파악하고, 바이오 융합의료 시대에 AI를 이용한 바이오 분야의 발전의 예들과 더불어 신약 디자인에서 AI의 활용 잠재력에 대한 소개를 하고 자 한다.

2. 본론 

AI는 신약개발의 초기단계부터 전반적인 응용단계까지 다양하게 활용되고 있다. 신약개발을 위한 지식 기반 데이터베이스(Knowledge Base Data)를 이용한 빅데이터와 AI알고리즘의 활용은 신약개발을 신속하게 할 것으로 기대되며, 컴퓨터 지원 약물 디자인 방식(CADD, Computer-Aided Drug Design)은 기존의 신약개발 파이프라인 (그림 1)으로 새로운 질병연구를 위한 병리 생물학적인 접근을 통해 새로운 치료법 개발에 필요한 타깃분자(Target Identification) 혹은 질병진행을 판단할 수 있는 식별방법을 통해 잠재적인 치료후보의 선택 및 효능을 입증하기 위한 분석법을 개발하고 약효평가를 위한 스크리닝을 통해 초기 리드(선도) 물질 혹은 유효물질을 보다 완벽하게 검증하여 리드(선도) 물질을 도출하고 최적화하여 잠재적인 치료제로서 임상실험을 위한 ADMET 속성과 전임상 테스트 그리고 임상테스트(1, 2, 3상)를 거쳐 국가기관의 최종허가와 함께 시판하게 된다 [3, 6, 7].

그림 1. 질병치료를 위한 일반적인 신약개발 파이프라인

2.1. 신약 디자인에 이용되는 인공지능(AI) 모델 종류와 장단점 

전통적인 신약 디자인 방식에는 이미 알고 있는 수용체 단백질의 3차원 구조를 이용하는 구조 기반(SB, Structure-based algorithm) 알고리즘으로 분자 도킹(Molecular Docking)과 분자동역학(Molecular Dynamics Simulation)을 이용하는 경우와 수용체의 구조를 알지 못하는 리간드 기반(LB, Ligand-based algorithm) 알고리즘으로 정량적 구조-활성관계(QSAR, Quantitative Structure-Activity Relationships)와 약물 분자구조 모델링을 포함하는 두 가지 경우에서 모두 기계학습의 한 방법인 진화 알고리즘(Evolutionary Algorithm)을 사용하기도 하였다 (그림 2). 진화 알고리즘은 자연선택과 진화과정에서 영감을 받은 최적화 알고리즘의 한 종류로서, 유전적 변이, 선택, 번식의 원리를 모방하여 주어진 문제에 대한 최적의 물질을 반복적으로 탐색한다. 진화 알고리즘은 화학 공간을 탐색하고 최적의 특성을 가진 잠재적인 약물 후보를 찾기 위해서 사용되지만, 대규모 탐색 공간의 처리, 수렴속도 처리 등과 관련된 문제가 발생하기도 한다. 약물 디자인에 원하는 속성이나 화학적 특성을 포함하나 이에 국한되지 않고 용해도, 독성, 구조에 포함된 특정 화학구조 등이 약물 디자인에 활용될 수 있으며, 대표적인 진화 알고리즘에는 LigBuilder가 있다 [7].

그림 2. 신약 개발에서의 진화 알고리즘 주기의 모식도

또한, 가장 최근에 소개된 신약 디자인에는 딥러닝 기반의 강화학습(DRL, Deep Reinforcement Learning)이 있다. DRL은 머신 러닝의 한 영역으로 인공신경망과 강화학습을 결합시켜 놓은 방법으로 다양한 인공 신경망(RNN, CNN, GAN and Autoencoders)을 활용하여 De novo 신약디자인 (DNDD, De novo Drug Desing)에 적용한다 [3, 7]. 심층 강화학습(DRL)은 기계 학습 접근 방식과 이를 활용한 새로운 DNDD방식으로 독성 유전체학과의 통합 및 단백질(항체)과 같은 고분자(Large Molecule)를 이용한 백신 개발의 기회를 제공할 수 있으며, 기계학습을 이용한 DNDD의 다음 진출에 필요한 방향을 제시하고 있다. 심층 강화학습을 이용한 DNDD의 장점은 더 넓은 화학 공간의 탐색, 전통적인 신약개발 방식에서는 발견하기 어려운 화합물 조합을 탐색하여 새로운 화합물의 설계, 새롭게 개선된 치료제의 잠재력, 그리고 신약 후보물질을 효율적으로 스크리닝 하고 우선순위를 정하여 비용과 시간을 효율적으로 절약하며 약물 후보물질을 발굴할 수 있다. 가상 스크리닝(VS, Virtual Screening)은 대량의 실험으로 인한 시간, 비용, 노력 등을 줄이기 위해서 활성가능성이 높은 분자를 필터링하는 데 도움이 되며, Pubchem, ChemBank, DrugBank, ChemDB 등을 포함하는 공개 화합물 데이터 베이스가 이용된다 [8]. DRL을 이용한 DNDD은 환경(Environment)과의 상호작용을 통해 에러를 극복하면서 신약물질 특성을 최적화할 수 있고 특정 타깃이나 질병에 맞춰 신약 디자인을 할 수 있다.

DRL을 이용한 신약 디자인의 단점은 효과적인 학습을 위해 대량의 고품질 데이터가 필요하고 신약과 타깃의 상호작용 및 원하는 특성에 대한 신뢰할 수 있고 다양한 데이터의 이용은 도전이 될 수 있으며 블랙박스로 간주되는 DRL 모델은 특정 신약 후보가 선택되는 이유를 이해하는 데에도 제한된 통찰력을 제공할 수 있으며, 이 과정에서 연구자들이 중요하게 해결하려고 하는 문제는 생성된 분자 구조의 합성 용이성(Synthetic Accessibility), 화학구조의 신규성(Novelty)등이 있다 [8, 9]. DRL을 이용한 신약 디자인은 활발하게 연구되고 있는 연구 분야로서, 이러한 한계를 극복하기 위한 연구가 계속되고 있으며, 화학, 생물학, 인공지능 분야의 전문가들 간의 통합과 컴퓨터 기반 및 실험 기법의 협력으로 효과적이고 향상된 AI 기반의 신약 디자인이 가능할 것으로 사료된다.

2.2. 딥러닝 기반의 신약디자인에 이용되는 인공 신경망 및 알고리즘

인공 신경망과 강화학습을 결합한 DRL을 사용한 약물 디자인은 약물 발굴단계에서 큰 성과를 만들었다. 새로운 약물 디자인에서의 DRL은 일반적으로 생성모델(Generative Model)과 강화학습을 사용하는 새로운 약물 디자인 에이전트(Agent)로 구성된다. 생성모델에는 다양한 인공 신경망들이 사용되며, 인공 신경망의 유형에 따라 입력인자는 SMILES 혹은 분자의 그래프(Graphs of Molecules)로 구성될 수 있다. SMILES는 원자와 연결되는 특수문자를 포함한 문자열의 순서로 분자를 표현한다. 출력인자는 반복적인 학습으로 최적화된 모델에서 결정되는 데, 새로운 약물 디자인은 강화학습의 일부로 에이전트는 생성 모델(Generative Model) [7, 9]에 의해서 제어된다 (그림 3).

그림 3. 심층 강화학습(Deep Reinforcement Learning)을 이용한 약물 생성 예측모델

2.2.1. 딥러닝 기반의 강화학습(Reinforcement Learning) De novo 약물 디자인 모델 

인공지능의 비주도학습(Unsupervised Learning)의 한 영역인 강화학습(RL, Reinforcement Learning)에는 접근방식에 따라 세 가지로 분류 가능하며, 가치(Value-based model), 정책(Policy-based model), 가치와 정책(Actor-Critic model)을 동시에 사용하는 경우로 나눈다 [10]. 가치기반 강화학습(Value-based RL)은 상태 혹은 상태-행동 값을 학습하고 상태에서 최상의 행동을 선택하여 행동하므로 탐색(Exploration)이 필요하며 정책기반 강화학습(Policy-based RL)은 샘플링 정책을 통해 상태에서의 행동기록을 확률적 정책함수로 직접 학습하고 직관적으로 경사상승(Gradient Ascent)은 보상을 최대화하는 정책 가중치(Policy’s Weight)에 대한 초기 추측으로 시작해서 기대보상(Reward)이 증가하는 방향으로 평가하고 최대보상에 도달할 때까지 프로세스를 반복한다. 가치와 정책기반의 강화학습 (Actor-Critic RL)는 복잡한 문제를 해결하는 데 많이 이용한다 (그림 4).

그림 4. 강화학습 접근방식에 따른 모델

가치(Value-based RL) 기반 방식의 강화학습인 DQN(Deep Q-Network)과 정책(Policy-based RL) 기반 방식의 강화학습인 REINFORCE는 접근 방식과 약물 디자인에 적용되는 방식에서 차이가 있다 [11]. DQN은 Q-러닝과 심층 신경망(Deep Neural Networks)을 결합한 모델 프리(Model-free) 강화학습 알고리즘으로 별개의 유한한 행동이 있는 환경에서 Markov Decision Processes (MDPs)를 해결하는 데 주로 사용되며 DQN은 미리 정의된 화학적 수정 중 선택하거나 화합물 라이브러리에서 선택하는 작업등에 적합하다. REINFORCE(혹은 Monte Carlo Policy Gradient)는 모델 프리 정책 최적화된 알고리즘으로 연속적인 행동 공간을 가지며 확률적인 정책을 다룰 수 있다 [9]. 또한, REINFORCE는 에이전트가 확정된 환경과 상호작용하여 정책에 따라 행동을 수행하고 궤적을 수집한다. 정책은 일반적으로 상태를 행동 확률로 매핑(Mapping)하는 신경망으로 나타내며, 보상을 최대화하는 방향으로 신경망을 업데이트한다. 최근에는 PPO(Proximal Policy Optimization) 방식의 신약 디자인 강화학습으로 최적의 신약후보를 탐색하고 선호되는 특성을 최적화할 수 있다 [10]. 이런 강화학습 접근방식을 잘 파악하여 연구자들은 약물 디자인에서 과제의 특성과 행동 공간의 특징에 기반하여 알고리즘을 선택해야 한다.

2.2.2. 딥러닝 기반 신약 디자인에 활용되는 신경망 및 모델 

타깃분자 발굴 시, 효과적인 치료를 위해 올바른 대상을 지정하는 것은 매우 중요하다. 그러므로 신약 디자인을 위해 타깃 단백질의 3차원 구조를 예측할 수 있으면, 구조 기반(Structure based)의 신약 디자인에 도움이 되며, DNN (Deep Neural Networks) 기반한 AI 도구인 AlphaFold는 인접한 아미노산들 사이의 거리와 펩타이드 결합의 대응하는 각도를 분석하여 타깃 단백질의 3차 구조를 예측하는 데 사용된다 [7, 8]. 이 외에도 신약발굴에 다양한 AI 툴들이 이용되고 있다 (Table 1).

또한, 신약 디자인에서 수용체의 구조를 모르는 경우 [19], 리간드 기반(Ligand based)의 접근이 가능한데 이미 활성(Potency)이 알려진 결합물질이 있을 때 가능하다. RNN (Recurrent Neural Network)은 순차적인 데이터 처리에 적합하며, 신약 디자인에서 SMILES로 표기되는 분자 구조를 처리하거나, 분자의 시퀀스적인 특성을 반영하는 작용기, 부분 구조, 화학반응 등을 모델링한다. 이렇게 생성된 분자들은 전이학습(Transfer Learning)을 적용하여 모델의 정확도를 높이는 것이 증명되었다. 게다가 LSTM (Long Short-Term Memory) RNN을 사용하는 DNDD가 성공적으로 적용되어 약물과 구조적으로 유사한 분자를 생성하여 데이터가 제한적인 약물 발굴의 초기단계에 성공적으로 적용되었다. CNN (Convolutional Neural Network)은 이미지 처리에 주로 사용되는 인공신경망의 한 방법으로, 신약 디자인에서는 분자 구조의 특성이나 리간드-단백질의 상호작용의 특성을 추출에 활용되고 있다. 생성형 인공지능신경망 알고리즘 중, GAN (Generative Adversarial Network)는 신약 후보 생성에 활용될 수 있다. 실제와 가짜 데이터를 구별하고 생성하는 두 개의 신경망인 생성자(Generator)와 판별자(Discriminator)를 학습시키는 방식으로 동작하며, 다양한 화학적 속성을 가진 신약 분자를 생성하고 평가하는 데 사용될 수 있다. LatentGAN은 DNDD를 위한 GAN과 Autoencoder를 결합한 새로운 모델이다. Autoencoder는 입력 데이터를 재구성하도록 학습되는 신경망 구조로서, 분자의 잠재 표현을 학습하고, 이를 기반으로 분자의 특성을 예측하거나 유용한 특성을 생성하는 데 사용될 수 있다. RNN & RL을 활용한 단편기반의(Fragment based) DRL 접근방식에서 Actor-Critic model을 기반으로 개선된 특성을 갖는 분자를 자동으로 생성하기 위한 목적으로 개발하여 최적의 후보 분자를 찾기 위해 전체 화학공간을 탐색하는 것이 아니라, 기존의 리드(선도) 물질에 단편을 추가하여 최적화하는 방식도 있다 [7, 17].

2.2.3. 딥러닝 기반의 신약 디자인 알고리즘 장단점 비교

지난 수십 년간 AI를 이용한 생물학 분석 알고리즘은 빠른 발전을 해왔고, AI 알고리즘은 유전자와 그들의 생성물 간의 상호작용을 통해 질병에 대한 많은 이해를 돕고, 새로운 질병 타깃을 탐색할 수 있다. 딥러닝 기반 생물학 분석은 많은 양의 데이터를 처리하고 이질적이고 복잡한 분자 데이터를 효과적으로 처리할 수 있기 때문에 더 많은 기계학습 기반(ML-based) 알고리즘이 개발되는 추세이다 [2, 12]. 딥러닝 기반 신약 디자인은 바이오, 화학 및 의약 분야에서 기존 컴퓨팅방식으로는 불가능하였던 방대한 데이터분석을 통해 화합물 구조 분석, 단백질 분석, 약물 활성 및 신약개발에 적용되고 있다 [12]. 신약개발에서 가장 초기단계인 표적단백질의 발굴과 후보물질 선별(Drug Discovery)하는 단계에서 모델링 기술을 이용함으로 서 신약개발이 신속해지고 비용도 많이 절감하는 데 도움이 되었을 뿐만 아니라 딥러닝 모델은 예측(Predictive Model)뿐만 아니라 생성(Generative Model)에서 모델링 기술을 이용하면서 더욱 높은 성능을 나타내고 있다 [19]. 하지만 데이터의 부족은 모델의 성능을 제한할 수 있으며, 사용 가능한 데이터가 특정 화합물 클래스나 생물학적 활성에 편향(Bias)될 수 있으며, 딥러닝 모델은 블랙박스 형태로 작동하기 때문에 모델이 어떻게 결정을 내리는 지 이해하기 어려울 수 있으며, 딥러닝 모델의 학습과 예측에는 많은 계산 리소스와 시간이 소요될 수 있다. 또한, 기존 데이터를 기반으로 예측을 수행하므로 새로운 화합물을 생성하는 데 신규성(Novelty)가 떨어질 수 있고, 충분한 양의 학습 데이터가 없을 땐 과적합(Overfitting) 문제가 발생할 수 있다. 이런 여러가지 인공지능 모델의 장단점에도 2019년 인실리코 메디슨(Insilico Medicine)은 약물 스크리닝에서 약물 후보확보까지 46일 만에 완료하고, 2022년 7월에 임상테스트를 시작하여 지난 2월 FDA에 의해 폐섬유종 치료제(INS018_055)가 희귀 의약품으로 지정을 받았다 [13].

2.3. De novo 신약 디자인의 활용과 미래

딥러닝 기반의 De novo 신약 디자인은 신약 개발 분야에서 혁신적인 접근방식으로 대규모의 화학정보와 신약 관련 데이터를 분석하고 학습하여 분자 구조와 약물성 또는 독성 간의 관계를 탐색하여 분자 디자인과 속성 예측에 활용되고 신약 후보물질을 찾아내는 데 앞으로 더 많은 두각을 나타낼 것으로 예상된다 [17]. 더욱 정교한 알고리즘과 모델이 개발되어 신약 후보물질을 더 정확하게 예측하고 최적화하는 데 비용과 시간을 단축할 것이며 생물학적 데이터의 통합과 다양한 데이터를 이용해서 신약 개발에 효율성과 정밀도 계속 높여 나갈 것으로 기대된다. 현재 국내외 제약사들은 신약개발 연구 및 약물 발굴 단계에서 시간과 비용절감의 두 마리 토끼를 잡기 위해서 AI를 활용하는 다양한 시도들을 하고 있으며, 이런 내용들을 기사나 소셜미디어를 통해서 자주 전해 들을 수 있다. 글로벌 제약사들은 인공지능 시스템을 활용하고 있거나 자체 프로그램을 보유하거나 인공지능 기술을 보유한 기업 혹은 대학연구기관들과 협업으로 신약개발의 다양한 분야에서 AI를 활용하고 있다 [2, 3, 8].

2.3.1. 딥러닝 기반 신약 디자인 관련 회사별 비교

AI 기반 신약개발은 임상 데이터를 포함한 방대한 자료를 이용하여 질병 관련 바이오 마커를 신속하게 찾아내고, 약물 표적을 신속하게 적은 비용으로 효과적으로 개발할 수 있는 장점이 있기 때문에 많은 글로벌 제약사들과 국내외 바이오 회사들은 AI 역량을 가진 기업들과 협력을 통해서 신약 개발을 적극 추진하고 있다. 글로벌 투자은행인 모건 스탠리는 인공지능을 이용해 초기단계 약물 개발 성공률이 상향 개선되면, 향후 10년간 50개의 추가 신약 개발이 이루어지고 500억 달러(한화 66조 원)에 대한 시장 가치창출을 전망한다 [14]. 분자들의 3차 구조를 예측하는 클라우드 컴퓨팅과 양자역학 그리고 머신 러닝 알고리즘을 이용하는 XtalPi는 분자 역학과 화학적 특성들을 해독하고 단백질 수용체들이 어떻게 약물과 반응하는지에 대한 접근을 이용하는 방식으로 약물 디자인을 Pfizer와 다른 글로벌 제약사들과 협업 [8]으로 신약개발을 참여하고 있으며, 더불어 화이저는 IBM Watson을 이용한 새로운 면역 항암제 타깃발굴, 콤비네이션 테라피와 임상 테스트 환자 선정에서 인공지능을 이용하고 있다. NOVARTIS의 경우도 Microsoft와의 협업으로 세포 및 유전자 기반의 치료제의 개발에서 AI를 이용하고 있다 [16]. 글로벌 AI를 활용한 약물발굴 시장은 작년 약 11억 달러의 가치가 있었으며, Grand View Research에 따르면 2023년부터 2030년까지 약 30%의 성장이 가능할 것으로 예상한다. 앞으로 AI는 정교한 분자 디자인을 기반으로 약물 타깃 발굴과 신약개발에 이용될 수 있다. 여기에서 AI를 이용한 약물발굴과 개발에 선두에 있는 몇 회사들을 (Table 2) 살펴보았다 [15]. 이외에도 국내의 유망한 AI 신약 플랫폼을 보유한 회사들이 다수 있으며, 그 중에도 스탠다임은 후보물질 발굴과 신약디자인 모델로 ASK와 BEST 인공지능 플랫폼을 이용하여 전통적인 신약개발과정 중에 타깃물질에서 리드(선도) 물질을 도출하는 데 평균 5년 정도의 시간을 7 개월정도로 앞당길 수 있는 기술을 선보였고, 최근에 7000만 달러(한화 700억 원) 규모의 투자를 받았다 [18]. 국내 첫 인공지능 기반 신약개발 플랫폼을 보유한 ㈜신테카 바이오는 슈퍼컴퓨터 기반 유전체 빅데이터 기술 및 인실리코 신약개발을 수행하는 인공지능 플랫폼으로 Deep-Matcher을 보유하고 있다 [2].

2.3.2. 바이오 융합(Bioconvergence) 의료기술에서 AI을 통한 정밀 의료시대 도래

바이오 융합기술은 자연과 이들 모델, 역학 및 혁신 프로세스에 대한 적용과 관련된 연구를 말한다. 이런 바이오 융합기술은 과학 특히 생명과학 및 데이터 사이언스와 공학기술이 접목한 의료혁신에서 점점 더 성장하고 두각을 나타내고 있으며, 환자 맞춤형 의료 서비스를 제공하는 새로운 시대에 점점 가까워지고 있다. 2004년 인간의 유전자지도가 완성되었고, 인간의 복잡한 생물학적 시스템은 40억 년 동안 진화되어 왔으며, 이를 이용한 개인의 유전자 정보, 생체 신호, 생리학적 특성 들을 종합적으로 분석하여 질병의 예방, 진단, 치료 모니터링 등을 통해서 가능하게 되었으며 바이오 융합기술은 약물 개발, 진단 기술, 의료 장비 등 다양한 분야에서 활용되고, 개인의 특성과 필요에 맞게 최적화된 치료 및 관리 서비스를 제시하고 있다. 그러므로 정밀의료시대에는 AI에 대한 기대도 매우 크다. 한편으로 거대한 양의 생물학적 데이터를 처리하고 해석하는 데 매우 능숙하므로 생체 데이터와 환자의 건강 정보를 분석하여 질병을 조기에 탐지하고 예후를 예측하는 데 AI가 이용되고 다른 한편으로는 AI 알고리즘은 이들 데이터를 신속하게 분석하고 의사들에게 정확한 진단과 예측정보를 제공하며, 개인 맞춤형 치료를 지원하고 대량의 생체 데이터와 약리학 지식을 활용하여 새로운 치료제 후보군을 발굴하고 약물 디자인을 개선하여 신약개발과정을 신속하게 하고 이를 통해 질병의 예방과 치료효과의 향상, 의료 비용의 절감 등의 효과가 기대되며 환자에게는 더욱 향상된 질 좋은 의료 서비스의 제공이 가능하다 [19].

3. 결론 

앞에서 살펴본 것처럼, 신약 디자인에 이용되는 AI 모델종류와 장단점 그리고 알고리즘의 특성을 파악하며, 바이오 융합의료 시대로부터 AI를 이용한 알고리즘이나 툴들이 신약 디자인에서 중요한 위치를 점유해 가고 있는 내용들을 소개하였다. AI의 활용 잠재력은 무궁무진하다. 현재 우리나라는 보건의료기술의 디지털 전환과 의료 빅데이터 및 AI활용을 기반으로 의료 패러다임 전환을 시도하고 있으며, 전통적인 방식의 신약개발은 임상 성공률이 약 5% 내외인 것을 감안하면 국내 제약사들은 신약개발전략은 시판을 통한 상용화의 전략보다는 해외 글로벌 제약사들에게 초기 혹은 임상개발단계 중에 라이센싱 아웃을 목표로 한다. 이런 국내 제약사들의 현실을 감안하면, 아직은 인공지능을 이용한 신약개발이 초기 단계이기 때문에 불확실성이 크고 초기 투입 자본도 많이 들어가지만 미래 경쟁력을 제고한다면, AI를 이용한 신약개발이 신약개발 효율을 크게 높일 수 있기 때문에 AI를 이용한 신약개발의 적극적인 투자와 AI 활용 잠재력을 인지하여야 한다. 꾸준히 다양하고 정교한 인공신경망들의 개발과 이를 이용한 생성모델의 업그레이드로 인공지능을 이용한 신약 디자인은 앞으로 지속적인 발전이 가능하고 이러한 이유로 인공지능은 바이오 융합기술을 통한 정밀의료시대에 많은 기대를 받고 있으며, 의료혁신과 환자 치료에 긍정적인 영향을 미칠 것으로 기대된다.

4. 참고문헌

==>첨부파일(PDF) 참조