신약 개발의 디지털 혁신
인실리코(In-Silico) 접근법은 AI, 머신러닝(ML), 딥러닝(DL) 및 분자 모델링을 활용하여 컴퓨터 시뮬레이션 기반으로 신약을 개발하는 전략입니다. 2025-2026년 최신 연구 동향에 따르면, 이는 단순한 보조 수단을 넘어 전통적인 실험 중심 파이프라인을 대체하거나 보완하는 필수적인 표준 워크플로우로 자리 잡았습니다.
실험 비용 및 시간의 획기적 단축, 신약 개발 성공률 제고
AlphaFold 3, Generative Models, Federated Learning, Digital Twins
타겟 식별 및 검증 (Target Identification & Validation)
멀티오믹스 데이터(유전자, 단백질, 네트워크)를 AI로 분석하여 질환과 연관된 '약물 조절 가능 타겟'을 발굴하는 단계입니다.
- 핵심: AlphaFold 3를 통한 구조 예측 및 PandaOmics 활용
- 성과: Insilico Medicine이 특발성 폐섬유증(IPF) 타겟 20여 개 발굴
- 과제: 인간 프로테옴 데이터의 편향성 및 네트워크 복잡성
- 미래: 연합 학습(Federated Learning) 기반 데이터 확장
히트 발견 및 가상 스크리닝 (Hit Identification / Virtual Screening)
수조 개의 방대한 화합물 라이브러리에서 타겟에 결합 가능성이 높은 '히트' 화합물을 선별합니다.
"AI는 이제 템플릿 없이도 유효 물질을 설계하는 'Zero-shot' 생성 단계로 진입했습니다."
연구 사례: GENTRL (GAN 기반 설계)
DDR1 키나아제 저해제를 단 21일 만에 설계하여 전통적 방식의 시간적 한계를 극복했습니다.
리드 최적화 (Hit-to-Lead & Lead Optimization)
발견된 히트 물질의 효능, 선택성, ADMET 속성을 동시에 최적화합니다. AI를 통해 구조-활성 관계(SAR)를 정량화합니다.
ADMET 예측 및 전임상 평가 (ADMET Prediction)
신체 내 흡수(Absorption), 분포(Distribution), 대사(Metabolism), 배설(Excretion), 독성(Toxicity)을 예측하여 동물 실험을 대체하는 NAMs(New Approach Methodologies)의 핵심입니다.
- ● ADMETlab 3.0 및 ADMET-AI를 활용한 고정밀 예측
- ● 심독성 예측 및 천연물 멀티 타겟 스크리닝 적용
- ● 미래 방향: 멀티모달 AI와 장기 칩(Organoid) 하이브리드 모델
인 실리코 임상 시험 (In Silico Clinical Trials)
디지털 트윈(가상 환자)을 활용해 임상 결과를 시뮬레이션합니다. 이는 환자 모집이 어려운 희귀 질환 임상에서 특히 유용합니다.
결론: 인간 중심 신약 개발의 비전
2025-2026년의 연구는 인실리코 기술이 단순한 보조 수단에서 '인간 중심 신약 개발'의 핵심으로 진화했음을 증명합니다. 현재 10% 미만인 신약 개발 성공률을 획기적으로 높이기 위해서는 데이터 품질 확보, 설명 가능한 AI(XAI) 도입, 글로벌 규제 협력이 필수적입니다.