케임브리지 대학과 제약 회사인 파이자(Pfizer)의 연구자들 간의 혁신적인 협력이 약물 발견 및 개발에 혁신적인 접근법을 이끌어냈습니다. 자동화된 실험과 인공지능(AI)을 결합함으로써, 이 팀은 기계 학습의 힘을 활용하여 새로운 약물이 만들어지는 방식을 혁신적으로 변화시켰습니다.
약물 발견은 기존에 시행착오법에 의존해왔으며 이로 인해 실패 비율이 높아지는 결과를 가져왔습니다. 기존의 접근법은 간소화된 모델을 사용하여 화학 반응을 시뮬레이션하고, 그 결과 계산에 많은 비용이 들었으며 부정확성이 존재했습니다. 그러나 케임브리지 팀에 의해 개발된 새로운 기술인 화학 “반응체”는 이러한 상황을 변화시킬 것입니다.
화학 반응체는 반응원, 시험 요소, 그리고 반응의 성능 사이의 상관 관계를 식별하는 데이터 기반 방법입니다. 39,000개 이상의 관련 반응의 방대한 데이터셋을 분석함으로써, 이 방법은 데이터 내의 빈틈을 찾아내는 것 뿐만 아니라 반응 성분과 결과 사이의 숨겨진 관계도 발견합니다. 이 접근법은 대용량 자동화 실험과 결합하여 화학을 대량 데이터 시대로 이끌고 있습니다.
화학 반응체 외에도, 연구 팀은 분자 변환에 대한 정확한 기계 학습 접근법을 개발했습니다. 이 방법은 화학자들이 분자의 핵심 부분에 특정 변경을 가할 수 있게 해줍니다. 이러한 유연성은 효율적인 약물 설계에서 중요한 역할을 하며, 통상적으로 예측 어렵고 제어하기 어려운 후기 단계 기능화 반응에 특히 필요합니다.
후기 단계 기능화의 희소한 데이터의 한계를 극복하기 위해, 연구자들은 머신 러닝 모델을 풍부한 분광 데이터로 훈련시켰습니다. 이 사전 훈련을 통해 모델은 다양한 조건에서의 반응 위치와 변이를 정확하게 예측할 수 있었습니다. 다양한 의약품 유사 분자들로 구성된 실험적인 검증 결과는 모델의 정확한 반응성 위치 예측 능력을 입증하였습니다.
화학 분야에서 기계 학습의 적용은 화학 공간의 방대함에 비해 데이터의 부족으로 인해 종종 어려움을 겪고 있습니다. 그러나 케임브리지 팀의 접근법은 유사하지만 동일하지는 않은 데이터셋으로부터 학습하는 모델을 설계함으로써 이 도전을 해결했습니다. 이 돌파구는 후기 단계 기능화를 넘어서 약물 발견 및 설계에서 혁신적인 발전을 이룰 잠재력이 있습니다.
이 혁신적인 연구를 상세히 설명한 논문이 저널 “네이처 커뮤니케이션”에 게재되었습니다. 약업 산업에서 기계 학습의 도래로 인해 약물 발견과 설계의 미래는 유망해 보입니다. AI의 힘을 활용함으로써, 연구자들은 생명을 구하는 데 도움이 되는 약물을 더욱 빠르고 효율적으로 개발할 수 있을 것입니다.
The source of the article is from the blog japan-pc.jp