1968년 소설과 영화 2001: 스페이스 오디세이에서 인공지능 시스템 Hal(HAL 9000의 약자)이 우주선의 우주 비행사를 죽인다. 실제로 Hal이라는 별명은 인간이 아닌 박테리아의 다른 종류의 살인자를 의미한다.

 

2020년 2월(SF 영화가 아마도 최초의 위대한 AI 악당을 세상에 소개한 지 50여년이 지난 시점), 매사추세츠 공과대학(Massachusetts Institute of Technology)의 연구팀은 인공지능을 사용하여 대장균을 죽일 수 있는 항생제를 발견했다. 또 다른 흔한 박테리아 감염인 아시네토박터 바우만니(Acinetobacter baumannii)의 항생제 내성 변종도 포함된다. 그리고 2001년 페이지에서 HAL 9000의 이름을 따서 할리신이라는 이름을 붙였다.

 

할리신의 발견은 AI 지원 약물 발견이 얼마나 빠른지 보여준다. 과학자들은 AI 모델을 약 2,500개의 분자(1,700개는 FDA 승인 약물, 800개는 천연 제품)에 도입하여 훈련했다. 연구진은 어떤 분자가 대장균을 죽일 수 있는지 이해하기 위해 모델을 훈련한 후 기존 약물, 실패한 약물, 천연 제품 및 다양한 기타 화합물을 포함하여 시스템을 통해 6,000개의 화합물을 실행했다.

 

AI가 제약 산업을 어떻게 변화시키고 있는지 연구하는 코네티컷 대학 경영대학원 조교수 보웬 로우(Bowen Lou)는 이 시스템이 기존 방법에 비해 훨씬 짧은 시간에 할리신을 발견했다고 말했다. "할리신은 많은 종의 항생제 내성 박테리아를 죽일 수 있을 뿐만 아니라 구조적으로 이전 항생제와도 다르다."고 말했다. "항생제 내성 '슈퍼버그'는 전통적인 방법으로는 해결하지 못한 주요 공중 보건 문제이기 때문에 이번 발견은 획기적인 것이다."

“소분자의 구조를 보고 그 특성을 예측할 수 있다는 생각은 아주 오래된 생각이다. 사람들이 생각하는 방식은 분자 내의 일부 구조, 일부 기능 그룹 등을 식별할 수 있으면 '그것이 무엇을 하는가?'라고 말할 수 있다는 것이다.”고 AI 분야의 저명한 교수인 레지나 바르질레이(Regina Barzilay)가 말했다. MIT 공과대학과 공동 저자이자 초기 할리신 연구에 사용된 방법을 기반으로 또 다른 잠재적인 항생제 후보를 식별한 2023년 5월 연구의 공동 저자이다.

 

AI를 사용하기 전에는 이러한 구조를 발견하고 약물의 잠재적 용도를 식별하는 것이 주로 속도, 효율성 및 비용 중 하나였다. 과거 분석에 따르면 1990년대 초반부터 2000년대 후반까지 일반적인 신약 발굴 및 개발 과정에는 12년 이상이 걸렸다. 할리신의 경우 MIT팀은 단 며칠 만에 1억 개가 넘는 화합물을 테스트할 수 있는 AI를 활용했다. 바르질레이(Barzilay)는 “분자과학이 머신러닝을 적용하고 새로운 기술을 사용하기에 정말 좋은 분야라는 것이 분명해졌다.”고 말했다.

 

매년 최소 700,000명이 약물 내성 질병으로 인해 사망하고 있으며(2050년까지 연간 사망자 수는 1,000만 명으로 증가할 것으로 예상됨), 특히 최근 수십 년 동안 약물 발전 속도가 정체되었다는 점을 고려하면 속도가 매우 중요하다. 과학자들이 환자 치료에 사용된 마지막 성공적인 항생제 종류를 확인한 해인 1987년 이래로 세계는 과학자들이 "발견의 공백"이라고 부르는 상태에 들어갔다.

 

결정적으로 AI는 방대한 양의 의료 데이터를 분석할 수 있으며, 할리신의 발견에서 알 수 있듯이 약물 발견 프로세스를 의미 있게 가속화할 수 있다. 이 신기술은 계속해서 의료 분야의 중요한 발전을 촉진하고 환자 결과를 개선하고 보다 정확한 치료 방법을 촉진할 수 있는 잠재력을 갖고 있다. 또한 업계 침체의 일부가 신약을 식별할 수 없기 때문이 아니라 시장 관심과 인센티브가 부족하기 때문에 항생제 개발에 필수적인 비용을 낮출 수도 있다.

 

“클리닉에서 약물의 90%가 실패한다는 사실은 개선의 여지가 있음을 말해준다. 정말 복잡한 시스템이다. 이것이 바로 머신러닝이 만들어지는 이유이다. 정말 복잡한 시스템이다.”라고 생명공학 회사 Recursion의 공동 창립자이자 CEO인 크리스 깁슨(Chris Gibson)은 신약 발견 분야의 최근 혁신에 대해 말했다. "다양한 방식으로 사람들이 수행하는 역할을 없애는 것을 의미하는 것이 아니라, 더 빠르게 진행하고 더 광범위하게 탐색할 수 있는 도구를 갖출 수 있도록 과학자들을 강화하고 슈퍼 과학자로 변모시키는 것이다."

 

분명히 말하면, 연구자들이 신약 발견을 위해 사용하는 AI 프로그램은 공상 과학 소설의 AI 창작물과 크게 다르다. 의약품 개발의 이러한 발전이 로봇 의사가 가까운 미래에 언제든지 의료 분야를 운영하게 될 것이라는 의미는 아니다. 그러나 할리신과 기타 최근의 획기적인 발전은 제약 산업을 변화시키고 30년이 넘는 항생제 발견 공백을 메울 수 있는 AI의 능력을 나타낸다.

 

의학에서 AI의 역사

OpenAI의 ChatGPT, Google의 Bard, Midjourney와 같은 언어 모델 및 이미지 생성기는 2022년 말과 2023년 초에 널리 출시되면서 AI 개념을 많이 소개했다. 그러나 과학자들은 수십 년 동안 일종의 AI를 사용해 왔다.

1965년에 스탠포드 대학의 연구자들은 컴퓨터 프로그램을 사용하여 화합물을 식별하려고 시도했다. “과학적 추론 문제에 대한 최초의 AI 적용”으로 간주되는 DENDRAL 프로젝트는 과학계에서 향후 이 기술을 사용할 수 있는 길을 열었다.

 

거의 10년 후, 스탠포드의 과학자들은 의료 종사자들이 환자의 혈액 매개 세균 감염을 진단하는 데 도움이 되는 컴퓨터 시스템 MYCIN을 만들면서 의료 AI의 추가 개발을 주도했다. 이 규칙 기반 시스템은 증상, 병력, 검사 결과 및 기타 다양한 요인에 대한 일련의 질문을 제기하고 특정 진단 가능성을 보고하는 응답을 생성한다.

그러나 규칙 기반 시스템의 경직성으로 인해 끊임없이 변화하는 의료 분야에서 성공하는 데 필요한 정확성이 부족하다. (규칙 기반 시스템은 누군가가 프로그램의 규칙을 수동으로 변경하지 않는 한 새로운 정보를 학습하지 않는다.)

 

그럼에도 불구하고 1970년대 후반과 1980년대에는 여러 기관과 과학자들이 INTERNIST-I, CASNET, QMR 등 질병 진단에 도움이 되는 지식 기반 AI 시스템을 개발했다.

그러나 AI에 대한 정의에 따라 이러한 초기 기술은 그런 자격조차 없다. 홍콩에 본사를 둔 AI 신약 발견 회사 인실리코 메디슨(Insilico Medicine)의 CEO인 알렉스 자보론코프(Alex Zhavoronkov)는 “우리 업계에서 대화를 나누는 많은 당사자들은 AI가 수십 년 또는 적어도 10년 이상 존재했다고 말할 것이다.”라고 말했다. “어떤 형태의 기계 학습을 AI라고 정의한다면 그 말이 옳을 것이다.” (MIT 기사에서는 머신러닝을 "지능적인 인간 행동을 모방"하는 기계의 능력으로 정의한다.)

 

자보론코프(Zhavoronkov)는 AI 약물 발견에 대한 더 좁은 정의를 가지고 있으며, 특히 약물 발견 공간에서 딥 러닝과 생성 학습을 적용하는 것을 의미한다고 말했다. 딥 러닝은 인공 신경망(우리 뇌의 뉴런과 유사하지만 정확히 똑같지는 않음)이 인간의 개입과 관계없이 기계가 학습하고 발전할 수 있도록 하는 일종의 머신러닝이다.

기술의 개발과 사용이 폭발적으로 증가한 "딥러닝 혁명"은 2014년경에 시작되었다고 자보론코프는 말했다.

 

2000년대 내내 거대 제약회사와 용감한 스타트업은 약물 개발 프로세스를 가속화할 기회를 보았다. 2008년부터 2015년 사이에 Evaxion, Exscientia, Recursion, Benevolent AI 및 Insilico Medicine을 포함하여 AI 신약 발견에 중점을 둔 많은 회사가 출시되었다. 대형 제약회사가 이러한 새로운 스타트업 중 일부를 지원하기 시작한 2010년대 후반에 업계는 더욱 성장했다.

로우(Lou)는 “이전 세대의 IT가 신약 발견에서 제한된 성공만을 거두었다는 점은 주목할 가치가 있다.”고 말했다. “최근 AI의 발전으로 인해 이러한 환경이 크게 바뀌었다. 강력한 알고리즘과 데이터 기반 접근 방식을 갖춘 AI는 신약 발견 프로세스에 혁명을 일으킬 잠재력을 가지고 있다.”

 

최근 개발

2018년 Google이 지원하는 AI 연구실인 DeepMind는 구성 요소에서 단백질의 구조를 결정할 수 있는 네트워크인 Alphafold를 개발했다. "내 생각에는 [의료 AI 분야에서] 가장 근본적인 판도를 바꾸는 것은 DeepMind의 Alphafold이다. 이는 이제 우리에게 알려진 모든 단백질의 구조를 예측하고 생물학에 대한 이해를 근본적으로 발전시켰다."라고 텍사스 대학교의 컴퓨터 과학 교수인 스와랏 차우두리(Swarat Chaudhuri)는 말한다. “Alphafold의 발견은 이미 약물과 백신 개발에 막대한 영향을 미치고 있다.”

 

과학자들은 또한 360억 개의 새로운 분자를 포함하는 널리 사용되는 Enamine REAL Space와 같은 화학 라이브러리에 화합물 또는 분자를 항목별로 분류해 왔다. 의약품 개발 및 제약 회사는 Enamine Real에서 분자를 주문한 다음 해당 분자가 연구 중인 단백질(Alphafold 및 기타 유사한 소프트웨어 덕분에 알려진 구조)에 원하는 효과가 있는지 여부를 평가한다.

이러한 단백질의 구조를 알고 분자 라이브러리에 접근하는 것은 약물 후보의 잠재적 유용성을 결정하는 데 중요한 역할을 한다. 할리신의 경우, 연구자들은 단지 6,000개의 화합물로 구성된 라이브러리에서 성공적인 항생제 경쟁자를 발견했다.

 

수십억 개의 데이터 포인트를 통해 신약 발견의 잠재력은 엄청나며 새로운 발전으로 인해 프로세스가 계속 가속화될 수 있다. 8월 8일, Recursion은 Nvidia와 협력하여 Enamine Real의 라이브러리에 있는 360억 개의 표적 분자가 15,000개가 넘는 단백질에 걸쳐 약 80,000개의 포켓, 즉 단백질 결합 부위와 어떻게 상호 작용하는지 예측했다고 발표했다. Recursion은 신약 식별을 위한 첫 번째 단계인 약 2조 8000조 개의 약물-표적 쌍을 평가했다.

 

깁슨(Gibson)은 “이것을 자물쇠와 열쇠라고 생각하라.”고 말했다. 표적 분자는 열쇠이고, 단백질 주머니는 자물쇠이다. “많은 경우 약물에 대한 아이디어는 열쇠와 같다. 아주 특정한 자물쇠에 딱 맞는 아주 특정한 열쇠를 찾았다.” Recursion의 작업은 해당 라이브러리의 모든 분자(알려진 유용한 화합물과 유사한 구조를 가진 분자뿐만 아니라)를 고려하고 테스트할 수 있음을 의미한다.

 

Recursion의 개발로 인해 어떤 키가 어떤 잠금에 맞는지 쉽게 알 수 있지만 예측이 완벽하지는 않다. 깁슨(Gibson)은 "이것은 빠른 검색을 수행할 수 있는 데이터 계층이 된다."고 말했다. “Google 검색 결과가 항상 당신이 찾고 있는 것과 정확히 일치하지는 않지만 상위 검색어를 요약해 주는 것과 마찬가지로 ... 그리고 일반적으로 당신이 원하는 것은 상위 5개 중 하나에 속한다. 여기도 마찬가지이다. 우리는 2조 8000억 개의 매개변수를 사용하여 기본적으로 '이 특정 단백질의 억제제를 원한다면 시작할 수 있는 분자가 여기에 있다'고 말할 수 있다."

깁슨(Gibson)에 따르면 Recursion의 연구실에서는 현재 5년 간의 박사 과정 전체에서 수행한 만큼의 실험을 15분마다 수행하고 있다. “이것은 거의 옛날의 장인정신과 맞춤형 과학을 산업화된 과학으로 바꾸는 것이다.”고 그는 말했다. "자동차를 만드는 것이 수제 자동차에서 조립 라인으로 옮겨가는 것과 거의 비슷하다."

생물학적 도구, 로봇 자동화, 향상된 계산 등 기술 발전은 모두 약물 발견 및 개발 분야를 발전시키는 데 중요한 역할을 했다고 깁슨은 말했다. AI는 이러한 개선에 중요한 기여를 한다.

 

 

AI는 무엇을 할 수 없나?

AI 시스템은 아직 신약 개발 과정의 모든 부분, 특히 후반 단계를 단독으로 수행할 수 없다. 깁슨(Gibson)의 자동차 제조 비유로 돌아가서 그는 현재 신약 발견 공간이 Ford Motor Company의 창립자인 헨리 포드(Henry Ford)가 "검은색이라면 어떤 고객이라도 원하는 색상으로 칠해진 자동차를 가질 수 있다"고 농담했던 지점에 있다고 말한다.

깁슨은 "일부 데이터 세트의 유연성이 떨어지는 초기 단계에 있지만 머신러닝이 성공할 수 있도록 표준화된 방식으로 구축되었다."고 말했다.

 

지난 6월, Insilico Medicine은 자보론코프(Zhavoronkov)가 CNBC에 "인간 임상 시험에 도달한 최초의 완전 생성 AI 약물"에 대한 임상 시험을 시작했다. INS018_055라는 약물은 만성 폐질환인 특발성 폐섬유증을 치료하는 것을 목표로 하며, AI가 발견한 표적과 AI가 생성한 설계에 모두 의존하는 것으로 알려졌다. Insilico는 표적 발견 실험실에서 로봇을 사용하여 소분자 약물 후보를 개발하기도 하다.

 

약물 후보는 일반적으로 필요한 모든 인간 실험을 통과하는 데 최소 6~7년이 걸린다고 자보론코프는 말했다. 최초의 진정한 AI 생성 약물 후보는 불과 약 4년 전에 나타나기 시작했다. “이것이 우리가 시장에서 AI로 생성된 약물을 본 적이 없는 이유이다.”고 그는 말했다. “진정한 AI 약물인 많은 약물은 불과 몇 년 전에 만들어졌기 때문에 인간 임상 시험에 참여할 시간이 없었다. 우리는 진정한 생성 AI 약물을 보유한 최초의 회사라고 생각한다.”

 

그러나 깁슨에 따르면 우리는 신약 개발 과정에서 사람을 완전히 제거하는 것과는 거리가 멀다고 한다. “알아두어야 할 중요한 것은 [머신러닝과 AI]가 놀라운 도구이며 잘 사용하면 프로세스의 여러 단계에 도움이 될 수 있다는 것이다. 누군가가 AI 알고리즘에서 'Enter'를 누르면 약이 튀어나온다는 생각은 오류라고 생각한다.”고 깁슨은 말했다. "현재 그러한 기술은 존재하지 않는다고 확신한다."

 

차우두리에 따르면 신뢰성에 대한 질문은 의료 분야에서 AI의 역할을 확장하는 데 주요 제한 요소이다. “예를 들어 의료 분야의 실시간 의사결정과 같이 안전이 중요한 영역에 AI 시스템을 배포하려면 이를 신뢰해야 한다.”고 그는 말했다. "하지만 1분 동안 합리적으로 들리는 답변을 제공하고 다음 순간에는 완벽한 거짓말을 하는 GPT-4와 같은 시스템을 어떻게 믿을까?"

바르질레이는 사실 사람들이 언제 기계의 의사결정 프로세스를 전적으로 신뢰해야 하는지가 아직 명확하지 않다고 말했다. Amazon 알고리즘이 추천하는 제품이 쇼핑 요구 사항과 일치하는지 다시 확인하는 사람이 필요하지는 않지만 의학적 결정은 훨씬 더 중요하다.

 

그러나 현재의 한계에도 불구하고 전문가들은 의료 AI에서 상당한 가능성을 보고 있다. “현재 우리는 약물에 들어가는 각 분자에 대해 수십억 달러를 지불하고 있다. 지속 불가능하다.”고 바르질레이는 말했다. “아직 좋은 약이 없는 질병이 많으며, 승인된 약이 있지만 부작용이 많은 질병도 많다.” 예를 들어, 유방암 치료제 타목시펜은 종종 필요하기는 하지만 뇌 문제를 포함한 수많은 해로운 부작용을 동반한다고 그녀는 말했다.

 

"[타목시펜]이 우리에게 보여주는 것은 우리가 약물을 개발하는 방식 때문에 우리가 원하는 곳에 전혀 가깝지 않다는 것이다."라고 바르질레이는 말했다. 그러나 그녀는 AI가 프로세스를 더 나은 방향으로 바꿀 수 있다고 믿는다. “나는 머신러닝이 이러한 프로세스 각각의 일부가 되어야 한다고 생각한다. 그리고 5~10년 후에는 신약 개발이 달라질 것이라고 믿는다.”