AI를 통한 제약 업계의 효율성 및 혁신 강화
신약 개발 비용을 절감하고 환자에게 생명을 구하는 치료제를 더 빨리 제공하는 등 AI가 신약 발굴 및 개발을 어떻게 혁신할 수 있는지 알아보세요.
핵심 사항
- 제약 업계는 AI를 통해 큰 변화를 겪고 있습니다.
- 의료 전문가와 환자를 더 잘 지원하기 위해 제약 회사는 증가하는 비용을 통제하면서 신약 발굴 및 개발 프로세스를 가속화해야 합니다.
- AI는 질병 단백질을 식별하고 어떤 화합물이 단백질과 가장 효과적으로 상호 작용할지 분석하는 등 신약 개발 과정의 주요 단계를 지원할 수 있습니다.
- 또한 AI는 방대한 양의 데이터를 분석하고 패턴을 파악하며 결과를 예측하여 신약 개발 프로세스를 간소화합니다.
- AI를 도입하는 제약 회사는 데이터 품질 유지, 기술 및 과학적 능력을 적절히 조합한 인력을 찾는 등의 과제를 극복해야 합니다. AI 에이전트가 비즈니스 운영을 혁신하는 방법을 알아보세요.
- 앞으로 제약 업계에는 제약사와 기술 기업 간의 파트너십이 늘어나고 의료 기술 및 AI 스타트업에 대한 투자가 늘어날 것으로 예상됩니다.
신약 개발 비용 상승
의료 전문가가 환자를 치료하는 방법은 빠르게 변하고 있습니다. 의료 결정을 내릴 때 개인화된 환자 정보를 사용하는 경우가 점점 더 많아지고 있습니다. 정밀 의학으로 불리는 이 접근 방식은 연구자가 복잡한 건강 문제를 해결하고 제약 업계가 생명을 구하는 약을 개발하는 데 드는 시간과 비용을 줄이기 위해 노력함에 따라 점점 더 보편화되고 있습니다.
현재 신약 출시는 제약회사에 극도로 길고 값비싼 프로세스입니다. Taconic Biosciences의 최근 데이터에 따르면 하나의 약물을 개발하는 데 약 USD$26억과 10년 이상이 소요됩니다. 신약 후보물질의 88%는 개발이 완료된 후에도 FDA 승인을 얻지 못합니다.
좋은 소식은 AI가 신약 발굴 및 개발 프로세스를 가속화할 수 있는 놀라운 잠재력을 가지고 있다는 것입니다.
현재 신약 출시는 제약회사에 극도로 길고 값비싼 프로세스입니다. Taconic Biosciences의 최근 데이터에 따르면 하나의 약물을 개발하는 데 약 USD$26억과 10년 이상이 소요됩니다. 신약 후보물질의 88%는 개발이 완료된 후에도 FDA 승인을 얻지 못합니다.
좋은 소식은 AI가 신약 발굴 및 개발 프로세스를 가속화할 수 있는 놀라운 잠재력을 가지고 있다는 것입니다.
AI가 신약 개발을 간소화하는 방법
대부분의 신약을 만드는 첫 단계는 질병과 관련된 대상 분자(일반적으로 단백질)에 결합하여 이를 변조할 수 있는 복합물의 합성입니다. 적절한 복합물을 찾기 위해 연구자들은 수천 가지의 잠재적 후보군을 검토합니다. 대상이 식별되면 연구자들은 대량의 유사한 복합물을 심사하여 질병의 단백질과 최적의 작용을 하는 복합물을 찾아냅니다.
현재 이 지점에 도달할 때까지 10년 이상, 수억 달러가 필요합니다. 하지만 AI와 ML(기계학습)을 사용하는 의료 기술은 프로세스를 간소화하여 제약사가 신약을 출시하는 데 걸리는 시간과 비용을 줄일 수 있습니다. 예를 들어 이러한 기술로 다음이 가능합니다.
현재 이 지점에 도달할 때까지 10년 이상, 수억 달러가 필요합니다. 하지만 AI와 ML(기계학습)을 사용하는 의료 기술은 프로세스를 간소화하여 제약사가 신약을 출시하는 데 걸리는 시간과 비용을 줄일 수 있습니다. 예를 들어 이러한 기술로 다음이 가능합니다.
분자 라이브러리의 상세 검색
분자 후보를 위해 심사되는 라이브러리는 워낙 거대해서 인간 연구자가 스스로 모두를 검토하는 것은 불가능에 가깝습니다. 반면 AI는 대규모 데이터 세트에서 빠르게 잠재 대상 복합물을 식별하여 랩에서 연구자의 수백 시간을 단축해줄 수 있습니다.
복합물 속성 예측
전통적인 신약 발견 프로세스는 시간이 많이 소모되는 시행착오가 수반됩니다. AI와 ML을 결합한 Medtech 솔루션은 잠재적 복합물의 속성을 예측하여 원하는 구성만 합성에 선택되도록 함으로써 프로세스를 가속화하는 데 도움을 줄 수 있습니다. 이로써 연구자는 효과의 가능성이 없는 복합물에 대해 연구하지 않을 수 있습니다.
새로운 복합물 발명
심사 후에도 가망 있는 결과가 나오지 않을 경우 AI는 원하는 매개변수에 맞는 완전히 새로운 복합물에 대한 아이디어를 브레인스토밍해서 성공의 확률을 높일 수도 있습니다.
AI가 연구자를 지원하는 방법
연구자가 AI 솔루션을 사용하여 신약 개발 과정의 주요 단계를 지원하는 방법을 생각해 보세요.
연구자는 다음 단계를 수행합니다:
1단계: 표적으로 삼을 수 있는 “약물화 가능한” 분자를 정확히 찾아냅니다.
2단계: 실험을 수행하여 표적이 질병 진행에 관여하는지 확인합니다.
3단계: 대상과 상호 작용하는 화합물을 식별하거나 합성합니다.
4단계: 효능과 안전성을 위해 선택한 화합물을 최적화합니다.
2단계: 실험을 수행하여 표적이 질병 진행에 관여하는지 확인합니다.
3단계: 대상과 상호 작용하는 화합물을 식별하거나 합성합니다.
4단계: 효능과 안전성을 위해 선택한 화합물을 최적화합니다.
AI를 통해 다음을 수행할 수 있습니다.
1단계: 더 많은 잠재적 타겟을 찾습니다.
2단계: 실험의 성공률을 높입니다.
3단계: 상호 작용할 가능성이 낮은 화합물을 제외합니다.
4단계: 지능형 분석으로 프로세스 속도를 높입니다.
2단계: 실험의 성공률을 높입니다.
3단계: 상호 작용할 가능성이 낮은 화합물을 제외합니다.
4단계: 지능형 분석으로 프로세스 속도를 높입니다.
AI가 임상 시험에서 사용되는 방법
Taconic Biosciences에 따르면 임상시험 단계에 진입한 약물 후보 중 12%만이 규제 기관의 승인을 받는다고 합니다. 신약 생성 프로세스에서 가장 길고 값비싼 단계인 임상시험은 인간 테스트의 여러 단계를 포함하며, 각 단계에 수백 또는 수천 명의 환자가 참여합니다.
전통적인 RCT(무작위 대조 시험)의 선형 프로세스는 수십 년 동안 변화하지 않았습니다. 이는 정밀 의학 모델이 성공하는 데 필요한 유연성, 속도, 분석 능력이 부족합니다. 기업은 적합한 참가자를 찾는 것은 물론 이들을 효과적으로 모집, 유지 및 관리하는 데 어려움을 겪고 있습니다. 프로세스의 비효율성은 신약 발굴과 개발 비용의 증가뿐 아니라 낮은 승인율에도 영향을 줍니다. 또한 혁신을 방해하기도 합니다.
제약 회사는 설계부터 데이터 분석에 이르는 신약 개발의 임상시험 단계 전반에 걸쳐 예측적 AI 모델을 사용하여 다음과 같은 도움을 받을 수 있습니다.
전통적인 RCT(무작위 대조 시험)의 선형 프로세스는 수십 년 동안 변화하지 않았습니다. 이는 정밀 의학 모델이 성공하는 데 필요한 유연성, 속도, 분석 능력이 부족합니다. 기업은 적합한 참가자를 찾는 것은 물론 이들을 효과적으로 모집, 유지 및 관리하는 데 어려움을 겪고 있습니다. 프로세스의 비효율성은 신약 발굴과 개발 비용의 증가뿐 아니라 낮은 승인율에도 영향을 줍니다. 또한 혁신을 방해하기도 합니다.
제약 회사는 설계부터 데이터 분석에 이르는 신약 개발의 임상시험 단계 전반에 걸쳐 예측적 AI 모델을 사용하여 다음과 같은 도움을 받을 수 있습니다.
- 공개적으로 이용할 수 있는 콘텐츠를 마이닝하여 적절한 환자를 식별합니다.
- 임상시험 현장의 실적을 실시간으로 평가합니다.
- 플랫폼 간의 데이터 공유를 자동화합니다.
- 최종 보고서를 위한 데이터를 제공합니다.
제약에서의 AI 도입 장벽
신약 발굴 및 개발 프로세스에서 AI의 사용이 점점 더 널리 확산되고 있지만, 여전히 도입 장벽이 존재합니다. 다음은 기업이 일반적으로 직면하는 몇 가지 과제입니다.
데이터 품질
많은 업계에서 자주 언급되는 문제는 데이터가 부족하면 AI와 ML의 유용성이 빠르게 감소할 수 있다는 점입니다. 신약 연구자들의 경우 질 낮은 데이터가 MedTech의 신뢰성을 떨어뜨려 결국 정확성, 유용성, 시간 절약 면에서 기존 방법과 다를 바 없이 되고 맙니다.
우려
대부분 산업에 결국 기술이 인간 노동자를 완전히 대체할 것이라는 잘못된 인식이 퍼져 있습니다. 제약 업계 도 예외는 아닙니다. AI가 인간보다 더 빠르게 대규모 데이터 세트를 분석할 수 있는 것은 사실이지만 숙련된 연구자와 임상의를 대체하지는 못합니다.
기술 부족
MedTech를 신약 발견 프로세스에 구현하려면 틈새 기술 세트가 필요합니다. 데이터를 깨끗하게 유지하고 AI를 효과적으로 활용하려면 기업에는 기술적 능력뿐만 아니라 약물 설계, 생물학, 화학 등 과학적 측면에 대한 이해도 갖춘 인력이 필요합니다. 하지만 이는 회사들이 수행하기 어려운 주문입니다.
제약 분야에서 AI의 미래
AI의 도움으로 연구자는 더욱 혁신적이욱 될 수 있고, 임상의는 정밀 의학의 요구를 더 잘 충족할 수 있으며, 제약 회사는 삶을 변화시키는 약을 더 빨리 출시할 수 있습니다.
현재 추세에 따르면 오늘날 제약 업계에서 일어나고 있는 AI 혁신은 미래에도 계속될 것입니다. 예를 들어 매년 제약 회사와 기술 회사 간의 파트너십이 증가하고 있으며, 의료 기술 및 AI 스타트업에 대한 막대한 투자도 증가하고 있습니다.
주요 제약 회사도 점점 더 많은 데이터를 공유하고 있습니다. MELLODDY(Machine Learning Ledger Orchestration for Drug Discovery)는 수십 개의 회원사 간에 데이터 공유를 촉진하는 컨소시엄입니다. MELLODDY는 회사들이 특허 데이터를 공유하면서 기밀을 유지하게 해주는 블록체인 기반 시스템을 사용합니다. 연구자는 기존 데이터를 활용하여 신약 개발 프로세스를 빠르게 시작하고 개발 기간을 단축할 수 있습니다.
현재 추세에 따르면 오늘날 제약 업계에서 일어나고 있는 AI 혁신은 미래에도 계속될 것입니다. 예를 들어 매년 제약 회사와 기술 회사 간의 파트너십이 증가하고 있으며, 의료 기술 및 AI 스타트업에 대한 막대한 투자도 증가하고 있습니다.
주요 제약 회사도 점점 더 많은 데이터를 공유하고 있습니다. MELLODDY(Machine Learning Ledger Orchestration for Drug Discovery)는 수십 개의 회원사 간에 데이터 공유를 촉진하는 컨소시엄입니다. MELLODDY는 회사들이 특허 데이터를 공유하면서 기밀을 유지하게 해주는 블록체인 기반 시스템을 사용합니다. 연구자는 기존 데이터를 활용하여 신약 개발 프로세스를 빠르게 시작하고 개발 기간을 단축할 수 있습니다.
리소스
Microsoft 산업 솔루션 살펴보기
Microsoft Cloud에서 실행되는 AI 솔루션으로 R&D(연구 개발)를 현대화하고 신약을 더 빠르게 출시하세요.