신약 개발의 가장 큰 난관은 천문학적인 수의 후보 화합물 중에서 표적 단백질에 완벽하게 결합하는 '열쇠'를 찾는 일이다. 일본의 AI 기업 프리퍼드 네트웍스(Preferred Networks, PFN)는 물리 기반 시뮬레이션과 AI의 지능을 융합한 ‘AL-FEP’ 전략을 공개하며 이 문제의 해법을 제시했다. 보통 신약 후보 특정은 설계(Design)-합성(Make)-평가(Test)-해석(Analyze)으로 이어지는 'DMTA 사이클'을 반복하며 진행되지만, 실제 화합물을 합성해 평가하는 단계에는 막대한 비용과 시간이 소요된다. 따라서 컴퓨터상에서 사이클을 빠르게 회전시켜 유망한 화합물만 실제 합성 공정으로 넘기는 기술이 현대 신약 개발의 핵심으로 꼽힌다. PFN의 ‘P-FEP’는 상대 결합 자유 에너지 섭동(RBFEP) 기법을 활용해 화합물이 단백질에 결합할 때의 에너지 변화를 매우 정밀하게 예측한다. 하지만 이 시뮬레이션은 계산 비용이 매우 높아 수만 건의 후보군 전체에 적용하기에는 리소스가 부족했다. PFN은 AI가 '다음에 무엇을 계산할지' 영리하게 고르는 ‘능동 학습(Active Learning)’을 워크플로에 도입해 이 문제를 해결했다. 이 시스템은 예측 확신도가 낮은 영역을 탐색하는 과정과 기존 데이터로 유망한 후보를 공략하는 활용의 균형을 맞추며 계산 대상을 자동 선별한다. 검증 결과, 전체 대상의 단 2%만 계산하고도 무작위 선별 방식보다 압도적으로 높은 정확도로 강력한 활성 화합물을 찾아냈다. 이는 거대한 사막에서 다이아몬드를 효율적으로 발굴해낸 것과 같은 획기적인 성과라는 평가다. 더 나아가 분자 생성 AI 프레임워크인 ‘REINVENT’를 통해 기존 데이터베이스에 없는 전혀 새로운 구조의 화합물까지 탐색에 포함했다. 여기에는 AI가 시행착오를 반복하며 목표 특성을 가진 분자를 만드는 강화 학습 기술이 핵심적인 역할을 한다. 고도화된 물리 시뮬레이션과 AI의 자율적인 판단을 결합한 PFN의 시도는 수년이 걸리던 리드 화합물 최적화 기간을 획기적으로 단축할 것으로 기대된다.

신약 개발의 가장 큰 난관은 천문학적인 수의 후보 화합물 중에서 표적 단백질에 완벽하게 결합하는 '열쇠'를 찾는 일이다. 일본의 AI 기업 프리퍼드 네트웍스(Preferred Networks, PFN)는 물리 기반 시뮬레이션과 AI의 지능을 융합한 ‘AL-FEP’ 전략을 공개하며 이 문제의 해법을 제시했다. 보통 신약 후보 특정은 설계(Design)-합성(Make)-평가(Test)-해석(Analyze)으로 이어지는 'DMTA 사이클'을 반복하며 진행되지만, 실제 화합물을 합성해 평가하는 단계에는 막대한 비용과 시간이 소요된다. 따라서 컴퓨터상에서 사이클을 빠르게 회전시켜 유망한 화합물만 실제 합성 공정으로 넘기는 기술이 현대 신약 개발의 핵심으로 꼽힌다. PFN의 ‘P-FEP’는 상대 결합 자유 에너지 섭동(RBFEP) 기법을 활용해 화합물이 단백질에 결합할 때의 에너지 변화를 매우 정밀하게 예측한다. 하지만 이 시뮬레이션은 계산 비용이 매우 높아 수만 건의 후보군 전체에 적용하기에는 리소스가 부족했다. PFN은 AI가 '다음에 무엇을 계산할지' 영리하게 고르는 ‘능동 학습(Active Learning)’을 워크플로에 도입해 이 문제를 해결했다. 이 시스템은 예측 확신도가 낮은 영역을 탐색하는 과정과 기존 데이터로 유망한 후보를 공략하는 활용의 균형을 맞추며 계산 대상을 자동 선별한다. 검증 결과, 전체 대상의 단 2%만 계산하고도 무작위 선별 방식보다 압도적으로 높은 정확도로 강력한 활성 화합물을 찾아냈다. 이는 거대한 사막에서 다이아몬드를 효율적으로 발굴해낸 것과 같은 획기적인 성과라는 평가다. 더 나아가 분자 생성 AI 프레임워크인 ‘REINVENT’를 통해 기존 데이터베이스에 없는 전혀 새로운 구조의 화합물까지 탐색에 포함했다. 여기에는 AI가 시행착오를 반복하며 목표 특성을 가진 분자를 만드는 강화 학습 기술이 핵심적인 역할을 한다. 고도화된 물리 시뮬레이션과 AI의 자율적인 판단을 결합한 PFN의 시도는 수년이 걸리던 리드 화합물 최적화 기간을 획기적으로 단축할 것으로 기대된다.