딥러닝 기반 인공지능 시스템
기존 신약 후보 물질 생성 모델의 한계
이전에도 딥러닝 방법론을 활용해 새로운 화합물을 만들려는 시도는 있었습니다.
하지만 대다수의 화합물이 현실에서 합성이 불가능하거나, 몇 가지 물성을 최적화해 약물 표적과의 결합력을 개선하는 데 그치는 등 한계가 있었습니다.
인공지능 시스템을 활용한 신약 개발 기술의 혁신
합성 시뮬레이션 및 신규 물질 발굴
MIN-T(Molecule Inventing Network-Target binding)는 실존하는 합성 과정을 시뮬레이션으로 구현하고 방대한 합성 데이터를 학습함으로써, 시뮬레이션을 통해 디자인된 화합물의 합성 가능성을 높였습니다. 또한 구매 가능한 10만여 종의 초기 물질들을 재료로 100여 가지 합성 방법을 조합함으로써 구조적으로 다양한 화합물이 디자인될 수 있게 했습니다.
원하는 물성을 갖는 화합물의 발굴
MIN-T는 강화학습 방법론을 통해 화합물이 사용자가 원하는 물성(크기, 부피, 반응성, 용해도 등)을 갖도록 유도할 수 있습니다. 디자인된 화합물의 물성 정확도는 기존에 잘 알려진 딥러닝 방법론을 이용한 인공지능 기반의 후보물질 생성 모델 대비 50% 이상 우수합니다.
표적 결합을 위해 최적화된 화합물 디자인
기존의 방법론은 상용화된 대규모 라이브러리에서 결합력이 높은 물질을 찾거나, 이미 알려진 결합 물질을 모방해 비슷한 물질을 만들어 낼 수밖에 없다는 한계가 있었습니다. 게다가 라이브러리의 물질 수에 비해 실제로 만들 수 있는 물질은 많지 않다는 점과 모방해 활용할 만한 물질이 부족하거나 특허로 보호되어 있다는 점이 많은 시간과 비용을 소모하게 했습니다. MIN-T는 Docking, QSAR, 강화학습이라는 서로 다른 방법론을 융합하여 표적 결합에 최적화된 화합물을 다양하게 만들어 낼 수 있습니다. 또한, 신약 후보 물질을 발굴하기 위한 전통적인 후보물질 발굴 방식인 Hit to Lead(H2L)라는 개념을 인공지능 시스템에 녹여내, 빠르고 정교하게 후보 물질을 발굴할 수 있게 합니다.