전통적인 신약 개발의 병목 현상을 해결하고,
'시행착오'를 '첫 시도의 정밀함'으로 전환하는 게임 체인저.
초기 히트(Hit) 화합물을 효능, 선택성, ADMET, 합성 가능성 등 50여 가지 다중 속성을 만족하는 '리드(Lead)' 화합물로 업그레이드하는 과정입니다. AI는 수년이 걸리던 DMTA 사이클을 수주 단위로 압축합니다.
"기본 엔진을 고성능, 고효율, 안전성을 모두 만족하는 프리미엄 차량으로 만드는 과정"
효능과 독성 사이의 파레토 최적 균형점을 찾아내는 다중 목적 최적화 기술 적용
생성 단계부터 실제 제조 가능성(Synthesizability)을 필터링
SHAP, Attention Map을 통해 AI의 선택 근거를 화학자에게 제시
하나의 속성(예: 효능)을 개선할 때 다른 속성(예: 대사 독성)이 악화되는 복합적인 딜레마
신규 타겟에 대한 학습 데이터 부족으로 인한 모델 학습의 한계
결과 도출 과정에 대한 신뢰 및 투명성 부족
AI가 제안한 리드가 실제 실험실(Wet-lab)에서 작동하지 않을 가능성 — 실전 검증이 가장 큰 병목
2025-2026년을 주도하는 혁신 방법론
Diffusion 기반 모델로 ADME-Tox를 포함한 구조 기반 다중 목적 최적화 수행
Latent Evolution 모델로 다중 타겟(알츠하이머, 난소암) 최적화 리드 생성
Insilico Medicine의 통합 플랫폼. 40개 이상의 앙상블 모델 및 강화학습 활용
반응 예측 기술을 통한 리드 발굴 사이클 대폭 단축. 실제 다양화(diversification) 성공 및 실험 데이터와의 일치성 확인.
우수한 경구 생체 이용률과 대사 안정성을 갖춘 리드 도출. 현재 20여 제약사에 라이선스 적용 중인 실제 성과.
알츠하이머 및 희귀 질환에서 '실험 불가능'으로 여겨졌던 복합 타겟 후보 물질들을 AI 리드 최적화로 현실화.
자율 주행 실험실(Self-driving Lab)과 멀티모달 기초 모델(Nach01)의 결합으로
신약 개발 기간을 1년 미만으로 단축하여 환자들에게 더 빠르게 치료제를 전달할 것입니다.