AI가 암 약물 검색을 돕는 방법: BIOPTIC의 분자 발견 엔진 내부

새로운 약물을 찾는 것은 종종 건초 더미에서 바늘을 찾는 것에 비유됩니다. 하지만 실제로 그 문제는 훨씬 더 큽니다. ‘건초 더미’는 수십억, 심지어는 수조 개의 가능한 분자를 포함할 수 있습니다.

여기서 인공지능이 실험실에 등장합니다.

BIOPTIC은 기업가이자 전 구글 임원인 안드레이 도로니체프(Andrey Doronichev)와 연결된 AI 중심의 생명공학 회사로, 새로운 의약품이 될 수 있는 분자를 찾기 위해 대규모 화학 라이브러리를 탐색하는 기계를 개발하고 있습니다. 이 회사의 가장 흥미로운 프로그램 중 하나는 암에 초점을 맞추고 있으며, 여기서 이 AI 시스템은 종양 혈관 생성에 관련된 생물학적 표적 VEGFR-3의 선택적 억제제를 식별하는 데 사용되었습니다.

여기서 중요한 단어는 곧입니다. AI는 버튼을 눌러 완성된 암 약물을 만들어내지 않습니다. 대신, 과학자들이 실제로 합성하고 테스트할 가치가 있는 분자가 무엇인지 결정하는 데 도움을 줍니다.

BIOPTIC은 무엇이며, 그 AI는 실제로 무엇을 하나요?

BIOPTIC은 인공지능, 계산 화학 및 약물 발견의 교차점에서 운영됩니다. 그 핵심 개념은 화학 발견을 부분적으로 탐색 문제로 다루는 것입니다.

일반적인 약물 발견 프로그램은 치명적인 표적, 즉 질병에 관련된 단백질로 시작하여 그 표적과 원하는 방식으로 상호작용할 수 있는 분자를 찾는 것으로 시작됩니다. 그러나 이론적으로 가능한 약물 같은 분자의 수는 엄청납니다.

BIOPTIC의 B1 시스템은 이 탐색을 관리할 수 있도록 시도합니다.

이 시스템은 분자를 수학적으로 표현하여 화학 구조를 고속으로 비교할 수 있도록 하는 집약된 수치 임베딩을 생성합니다. 회사의 동료 심사 연구에 따르면 B1은 수십억 개의 화합물이 포함된 라이브러리를 검색하고, 화학 구조는 상당히 다르더라도 유사한 생물학적 특성을 가질 수 있는 분자를 검색할 수 있습니다.

따라서 AI는 실험실을 대체하는 것이 아닙니다. 연구 작업이 시작되기 전, 매우 빠른 필터 역할을 하고 있습니다.

BIOPTIC B1은 수십억 개의 분자를 어떻게 검색할까요?

B1의 기술적 기초는 리간드 기반의 가상 스크리닝 시스템입니다.

리간드는 단백질과 같은 생물학적 목표에 결합할 수 있는 분자입니다. 과학자들이 이미 유용한 활성을 가진 여러 분자를 안다면, 그 분자는 새로운 검색의 출발점이 될 수 있습니다.

B1은 분자 정보를 간결한 벡터 표현으로 변환합니다. 공개된 시스템에서 각 분자는 60차원 임베딩으로 표현되며 float16 정밀도로 저장됩니다. 그러면 모델은 쿼리 분자를 미리 인덱싱된 분자 표현과 비교하고, 엄청난 규모에서 유사성을 계산할 수 있습니다.

이 시스템은 약 400억 개의 명세화된 분자를 포함하는 Enamine REAL Space에서 테스트되었습니다.

이 규모는 공학적 문제를 과학적 문제로 만듭니다. BIOPTIC의 연구자들은 이 과정을 두 단계로 분리했습니다:

• 스캔: 신경망이 분자를 처리하고 임베딩을 생성합니다.
• 검색: 미리 계산된 임베딩을 비교하여 가장 관련성이 높은 후보를 검색합니다.

공개된 벤치마크에 따르면 400억 개의 화합물 라이브러리를 검색하는 데 약 2분 15초가 소요되었습니다. RAM 기반 구성은 훨씬 더 빨랐습니다.

이것은 AI가 생물학을 과학자가 이해하는 것과 동일하게 이해한다는 것을 의미하지 않습니다. 이는 시스템이 화학 공간의 수학적 지도를 신속히 탐색하고 더 깊은 관심을 받을 자격이 있는 후보를 식별할 수 있음을 의미합니다.

암 프로젝트: 선택적 VEGFR-3 억제제를 찾다

BIOPTIC의 암 프로그램은 이 접근 방식이 어떻게 작동할 수 있는지에 대한 구체적인 예를 제공합니다.

표적은 VEGFR-3, 즉 FLT4로도 알려진 수용체로, 혈관 생성과 연결된 신호 경로에 관련되어 있습니다. 종양은 혈관 생성을 이용하여 자신의 성장을 지원할 수 있으므로 이 경로는 암 연구의 중요한 영역입니다.

도전 과제는 선택성입니다.

VEGF 수용체에 광범위하게 영향을 미치는 약물은 다른 생물학적 시스템과 상호작용할 수 있어 독성을 증가시킬 수 있습니다. BIOPTIC의 프로젝트는 VEGFR-3에 더 강한 선택성을 가진 소분자를 찾는 것이 목표였습니다.

회사는 두 모델 파이프라인을 사용했습니다:

SMILES는 분자 구조를 설명하는 데 사용되는 텍스트 기반 표기법입니다. 이는 화학이 언어 모델 기술과 놀랍게도 호환됨을 의미합니다. 분자는 기호의 시퀀스로 표현될 수 있어 AI 시스템이 화학 데이터에서 패턴을 학습할 수 있습니다.

첫 번째 모델이 400억 개 화합물의 초대형 라이브러리를 검색한 후, 그래프 신경망이 두 번째 필터로 사용되었습니다. 텍스트 시퀀스와는 달리, 그래프는 원자를 노드로, 화학 결합을 연결로 나타내므로 GNN은 분자 구조와 관계를 모델링하는 데 유용합니다.

디지털 예측에서 실제 분자로

여기서 AI의 이야기가 실제 과학으로 변모하게 됩니다.

컴퓨터는 특정 분자가 유망해 보인다고 예측할 수 있지만, 해당 분자는 여전히 합성하고 실험적으로 테스트해야 합니다.

VEGFR-3 프로젝트에서 BIOPTIC은 110개의 화합물을 키나아제 프로파일링 분석을 사용하여 테스트했다고 보고했습니다. 여러 분자가 VEGFR-3에 대한 활성을 보였고, 그중 3개는 단일 VEGFR 표적에 대한 선택성을 나타냈습니다. 한 후보는 보고된 실험에서 VEGFR-1과 VEGFR-2에 비해 45배 이상의 선택성을 보여주었습니다. 이 결과는 2025 ASCO 연례 회의의 초록으로 발표되었고, Journal of Clinical Oncology에 회의 초록으로 게재되었습니다.

연구자들은 분자 발견과 RNA 시퀀싱 분석을 결합했습니다. Oncobox 알고리즘을 사용하여 수천 개의 종양 발현 프로파일을 분석하여 선택적 VEGFR-3 억제에 가장 반응할 가능성이 높은 암 유형을 추정했습니다. 추가 조사 후보로는 유두갑상선암, 투명세포 신장암, 췌장암, 난소암 및 육종이 포함되었습니다.

이는 연구 결과이지, 완료된 암 약물이 환자를 위해 준비되었다는 증거는 아닙니다.

BIOPTIC B1 뒤의 과학적 증거

BIOPTIC의 기술은 또래 심사를 받은 과학 문헌에서 설명되었습니다.

2025년에 연구자들은 Journal of Chemical Information and Modeling에 LRRK2, 즉 파킨슨병과 관련된 단백질을 목표로 하는 예비 약물 발견 실험에서 BIOPTIC B1의 사용을 설명한 연구를 발표했습니다.

이 시스템은 같은 400억 개의 분자 화학 공간을 검색하여 정상 및 변이 형태의 LRRK2에 대한 새로운 리간드를 식별했습니다. 실험적으로 검증된 최고의 화합물은 110 나노몰 이하의 해리 상수를 달성했습니다.

다음 단계는 AI 지원 약물 발견을 이해하는 데 특히 중요합니다. 초기 히트는 최종 답변으로 처리되지 않았습니다. 과학자들은 최고의 화합물을 유사 검색을 위한 출발점으로 사용하고, 구조적으로 관련된 분자를 검색하여 실제 속성을 필터링하고, 현실적으로 합성할 수 있는 후보를 선택했습니다.

선택된 48개의 유사 화합물 중 47개가 성공적으로 합성되었습니다. 그 결과 화합물은 다시 테스트되어 Computation, Chemistry, Biology 간의 피드백 루프를 생성했습니다.

AI가 약물 과학자를 대체할 수 없는 이유

“AI가 약물을 발견한다”는 문구는 매력적이지만 불완전합니다.

AI는 데이터에서 배운 패턴에 따라 분자의 순위를 매길 수 있습니다. 가상 스크리닝을 가속화하고 수동으로 탐색하기 어려운 화학적 관계를 식별할 수 있지만, 예측은 실험 작업이 이를 확인할 때까지는 여전히 예측에 불과합니다.

과학자들은 여전히 근본적인 질문에 답해야 합니다:

• 분자가 실제로 표적에 결합합니까?
• 의도한 생물학적 경로에 영향을 미칩니까?
• 충분한 선택성을 가집니까?
• 독성이 있습니까?
• 올바른 조직에 도달할 수 있습니까?
• 안전하게 대사되나요?
• 동물에서 효과가 있습니까?
• 인간 환자에게 도움이 됩니까?

유망한 분자는 어느 지점에서든 실패할 수 있습니다.

그래서 BIOPTIC B1와 같은 시스템의 실제 가치는 마법이 아닌 속도에 있을 수 있습니다. AI가 수십억 개의 이론적 가능성을 테스트할 가치가 있는 몇십 개의 분자로 줄일 수 있다면, 약물 발견의 초기 단계를 더욱 효율적으로 만들 수 있습니다.

AI 기반 의학의 미래

BIOPTIC의 작업은 생명공학의 더 넓은 변화를 보여줍니다. AI는 연구 인프라의 일부가 되어가고 있으며, 화학 공간 검색, 실험 우선 순위 매기기 및 분자 데이터를 생물학적 정보와 연결하는 시스템입니다.

회사의 암 연구는 분자 화면, 선택성 모델링 및 종양 생물학의 RNA-seq 분석 등 여러 계산층을 결합하기 때문에 특히 흥미롭습니다.

하지만 이 과정의 최종 제품은 AI가 생성한 처방이 아닙니다. 과학자들이 테스트할 가설의 목록입니다.

이 구별은 중요합니다.

AI는 연구자들이 수십억 개의 분자를 전통적인 방법보다 빠르게 검색하는 데 도움을 줄 수 있습니다. 잘 알려지지 않은 화학 골격을 발견하고 실험실이 그렇지 않으면 숨겨질 후보로 향하도록 가리킬 수 있습니다. 그러나 그 분자는 여전히 화학, 생물학, 독성학, 전임상 연구 및 임상 시험을 통과해야 합니다.

다시 말해, AI는 암 치료제를 찾는 과학자를 대체하는 것이 아닙니다.

그 과학자에게 훨씬 더 강력한 검색 엔진을 제공하고 있습니다.