[헬스코리아뉴스 / 이충만] 신약 개발의 첫 단추는 바로 약물의 후보물질을 발굴하고 특정 질환의 단백질과 후보물질 간의 약물 결합을 분석하는 것이다. 하지만, 현재 상용화된 기술은 낮은 효율성으로 인해 소요되는 기간과 비용이 천문학적 수준에 달한다. 업계는 전 세계적으로 불고 있는 챗GPT 열풍이 이같은 신약 개발의 한계를 극복할 수 있는 해결책이 될 것으로 기대하고 있다.
13일 업계에 따르면 글로벌 신약 하나를 개발하기 위해서는 10년 이상의 기간과 1조원 이상의 비용이 들어간다. 이는 약물 후보물질이 일반적으로 수백 만에서 수천만 개에 이르는 리간드(단백질 분자에 특이적으로 결합하는 물질) 라이브러리를 대상으로 전수 조사를 통해 발굴되기 때문이다.
후보물질 발굴 과정은 여기에서 그치지 않는다. 수많은 리간드에서 표적 질환의 단백질과 잠재적인 친화력을 보인 약물 후보물질을 1차적으로 거른 수는 최소 1만 개에 달한다. 이들 약물 후보물질 중 예비 효능을 검증하고 선별하여 임상 단계에 진입해도, 시판단계에 이르는 약물은 1개에 불과할 정도로 성공확률이 낮다.
이처럼 천문학적 비용과 시간이 요구되지만, 제약·바이오 기업들은 끊임없이 혁신 신약 개발에 뛰어들고 있다. 신약 개발에 성공하는 순간, 안정적인 캐시카우(cash cow)를 확보하고 이를 통해 또 다른 신약 개발 자본을 마련할 수 있기 때문이다. 운이 좋으면, 연간 매출이 수천억 원에서 수조 원에 달하는 블록버스터 의약품을 손에 넣을 수도 있다.
이 대목에서 장애물이 되고 있는 것은 기존 인공지능(AI) 기술의 한계이다. 예컨대 기존의 AI 스크리닝 기술은 약물 후보물질 검증에 있어 효율성이 매우 낮아 이를 획기적으로 개선해야할 필요성이 높아지고 있다. 현재 상용화된 분석 기술은 단백질의 아미노산 서열로부터 각 표적 단백질의 3차원 구조를 계산한 후, 이러한 구조를 사용하여 어떤 약물 분자와 상호 작용할지 예측한다. 이 접근 방식은 모호함을 줄이고 최대한 정확한 결과를 도출하도록 하지만, 스크리닝 속도는 매우 느리다.
이 문제를 해결하기 위해 미국 매사추세츠공과대학(MIT)과 미국 터프츠대학의 연구진들은 최근 대규모 언어 모델을 바탕으로 일종의 AI 알고리즘을 기반으로 하는, 챗GPT와 유사한 대안적인 분석 기술 개발에 성공했다.
딥러닝 기술 통해 약물 후보물질 빠른 시간내에 발굴
헬스코리아뉴스 취재 결과, 해당 기술은 방대한 양의 데이터를 바탕으로 컴퓨터가 스스로 외부 데이터를 조합, 분석하여 학습하는 기술인 딥러닝(Deep Learning)을 통해 특정한 규칙에 의한 문자의 순서를 한 번에 처리할 수 있는 것으로 알려졌다.
연구진이 새로 개발한 기술과 챗GPT와의 차이점은 이렇다. 챗GPT가 텍스트를 바탕으로 인간과 유사한 자연어를 도출했다면 MIT와 터프츠 대학 연구팀이 개발한 기술은 텍스트가 아닌 아미노산 데이터를 바탕으로 정보를 처리한다는 것이다. 따라서 이 기술은 아미노산 분자의 구조를 계산하는 기존의 노동 집약적인 단계를 수행하지 않고도 표적 단백질과 잠재적인 약물 후보물질 분자 간의 친화력을 확인할 수 있다. 연구진은 이 기술을 ‘ConPLex’로 명명했다.
연구팀은 “‘ConPLex’는 높은 정확도, 외부 데이터에 대한 광범위한 적응성과 화합물에 대한 특이적인 민감성을 처리한다”며 “학습된 데이터 간의 빈 공간에 대해 ‘ConPLex’는 결합력을 예측하여 대규모의 화합물 라이브러리를 구축할 수 있도록 한다”고 설명했다.
MIT와 터프츠 연구진들은 ‘ConPLex’를 바탕으로 약물 스크리닝 실험을 실시했다. 실험은 약 4700개의 약물 후보물질 라이브러리와 단백질 키나아제인 효소 51개를 대상으로 그 결합 여부를 분석한 것이었다.
그 결과, ‘ConPLex’는 19개의 약물·효소 쌍을 도출해 냈다. 연구팀은 19개의 약물·효소 쌍의 결합력을 개별적으로 측정했는데, 19개 중 12개는 10억분의 1몰(농도 용액 1L에 녹아있는 용질의 몰수로 나타내는 농도) 수준인 나노몰 농도에서 강력한 결합 친화력을 보였다. 이중 4개는 나노몰 미만의 농도에서도 매우 높은 결합력을 보인 것으로 나타났다. 아주 작은 약물 농도에서도 단백질을 억제할 수 있는 효능을 보였다는 얘기다.
해당 실험은 저분자 합성 약물 스크리닝에 중점을 두었지만, MIT와 터프츠 연구팀은 생물학적 제제 등 다양한 유형의 약물에도 ‘ConPLex’를 적용할 수 있도록 연구를 지속하고 있다. 특히, 생물학적 제제 개발에 ‘ConPLex’를 활용할 경우, 독성 부작용 등의 우려를 덜어낼 것으로 기대된다.
보니 버거(Bonnie Berger) MIT 소속 연구원은 “‘ConPLex’는 약물 용도 변경을 평가하고 돌연변이 단백질이 약물 결합에 미치는 영향까지도 대규모 스크리닝 과정을 통해 그 결과를 예측할 수 있다”고 말했다.
업계는 ‘ConPLex’ 기술이 상용화될 경우, 신약 개발의 문턱을 낮춰주고 의약품의 양적 성장에 기여할 것으로 전망하고 있다. 제약바이오업계의 한 전문가는 “신약 개발에 천문학적 비용이 요구되는 까닭은 실패 확률이 높기 때문”이라며 “새로운 AI 기술을 통해 실패 가능성이 낮은 약물을 스크리닝 과정에서 걸러낼 수 있다면 신약 개발 비용을 낮추는 데 큰 도움이 될 것”이라고 기대감을 표했다.
