신약 개발 현장에서 인공지능을 활용해 단백질 구조를 예측하는 기술이 빠르게 자리잡고 있다. 특정 질환을 유발하는 단백질의 3차원 구조를 컴퓨터로 미리 그려보고, 그에 맞는 치료 후보물질을 찾아내는 방식이다. 신약 개발 초기 단계에 걸리던 시간을 크게 줄일 수 있다는 기대가 나온다.
단백질은 우리 몸속에서 다양한 생명활동을 담당하는 물질로, 어떤 모양으로 접혀 있는지에 따라 기능이 달라진다. 신약을 만들려면 표적 단백질의 구조를 정확히 알아야 하는데, 기존에는 실험실에서 단백질 결정을 만들어 X선으로 구조를 분석하는 방식이 주로 쓰였다. 이 과정은 수개월에서 수년까지 걸릴 정도로 시간과 비용 부담이 컸다.
최근에는 인공지능 모델이 단백질의 아미노산 서열만으로 입체 구조를 예측하는 수준까지 발전했다. 학계와 제약업계에서는 이러한 기술을 활용해 실험 없이도 짧은 시간 안에 구조 후보를 얻을 수 있게 됐다고 설명한다. 이는 신약 개발 초기 단계인 표적 발굴과 후보물질 설계 과정을 앞당기는 데 도움이 되는 것으로 알려져 있다.
국내외 여러 연구기관과 제약사는 이 기술을 활용해 항암제, 항바이러스제 등 다양한 분야의 신약 후보물질을 탐색하고 있다. 표적 단백질과 결합할 수 있는 화합물의 구조를 미리 컴퓨터로 시뮬레이션한 뒤, 실제 실험은 가능성이 높은 후보 위주로 진행하는 방식이다. 이를 통해 불필요한 실험 횟수를 줄이고 개발 비용을 절감할 수 있다는 평가가 나온다.
컴퓨터 시뮬레이션으로 신약 후보물질을 탐색하는 연구진 [그림=메디닉스DB]
다만 전문가들은 인공지능이 예측한 구조가 실제 단백질의 움직임이나 다른 물질과의 상호작용까지 완벽하게 반영하지는 못한다고 지적한다. 예측된 구조는 어디까지나 참고 자료이며, 최종적으로는 실험을 통한 검증이 반드시 필요하다는 것이다. 신약 후보물질이 실제 효능과 안전성을 갖췄는지는 여러 단계의 임상시험을 거쳐야 확인할 수 있다.
정부와 관련 기관도 이러한 흐름에 맞춰 인공지능 기반 신약개발 연구를 지원하는 사업을 확대하고 있는 것으로 알려져 있다. 보건복지부와 관련 부처는 데이터 기반 신약개발 인프라를 구축하고, 연구자들이 단백질 구조 예측 기술을 활용할 수 있도록 지원하는 방안을 추진하고 있다고 밝힌 바 있다.
일반 독자 입장에서는 이러한 기술 발전이 당장 체감하기 어려운 먼 이야기처럼 느껴질 수 있다. 하지만 신약 개발 기간이 단축되면 희귀질환이나 치료제가 부족한 질환에 대응할 수 있는 약물이 더 빨리 개발될 가능성이 커진다는 점에서 의미가 있다. 특히 기존 치료제로 반응하지 않는 환자들에게는 새로운 선택지가 생길 수 있는 계기가 될 수 있다.
신약 후보물질 검증을 위해 자료를 살펴보는 연구원 [그림=메디닉스DB]
다만 인공지능 기반 예측 기술이 곧바로 신약 상용화로 이어지는 것은 아니라는 점을 유의해야 한다. 후보물질을 찾아낸 이후에도 전임상시험과 임상시험을 거쳐 안전성과 유효성을 입증해야 하며, 이 과정에는 여전히 수년이 걸릴 수 있다. 소비자들은 관련 보도를 접할 때 개발 단계와 상용화 단계를 구분해서 이해할 필요가 있다.
대한약학회 등 관련 학회에서는 인공지능 기술이 신약개발 패러다임을 바꾸고 있다고 평가하면서도, 예측 결과에 대한 검증 체계를 함께 갖춰야 한다고 강조한다. 기술 발전 속도에 맞춰 관련 규제와 평가 기준도 함께 정비될 필요가 있다는 의견도 나온다.
일반 독자들은 새로운 치료제 소식을 접할 때 개발 단계인지 실제 사용 가능한 단계인지 먼저 확인하는 것이 좋다. 임상시험 진행 상황이나 식품의약품안전처의 허가 여부는 관련 기관 발표를 통해 확인할 수 있다. 근거 없는 치료 효과를 내세우는 정보에는 주의하고, 새로운 약물에 대한 정보는 의료진과 상담을 통해 얻는 것이 바람직하다.
