독자적으로 개발한 AI 기반 약물활성도 예측 모델 활용

(왼쪽부터)Julio Saez-Rodriguez 교수 (RWTH-Aachen University), 전민지 고려대 박사, 김선규 고려대 박사과정, Robert Allaway 박사 (Sage Bionetworks), 박성준 고려대 박사과정, 강재우 고려대 교수, Justin Guinney 박사 (Sage Bionetworks)가 시상식 후 기념촬영을 하고 있다.
(왼쪽부터)Julio Saez-Rodriguez 교수 (RWTH-Aachen University), 전민지 고려대 박사, 김선규 고려대 박사과정, Robert Allaway 박사 (Sage Bionetworks), 박성준 고려대 박사과정, 강재우 고려대 교수, Justin Guinney 박사 (Sage Bionetworks)가 시상식 후 기념촬영을 하고 있다.

[한국대학신문 신지원 기자] 고려대 정보대학 컴퓨터학과 강재우 교수팀 (박성준, 전민지, 김선규, 이준현, 윤성준, 김범수, 장부루)이 인공지능 기반으로 약물 활성도를 예측하는 신약 개발 드림챌린지(IDG-DREAM Drug Kinase Binding Prediction Challenge)에 참가해 일리노이대학-중화대학 컨소시엄, 노스캐롤라이나 대학과 함께 공동 우승을 차지했다.

드림 챌린지는 미국 IBM과 세이지바이오네트웍스(Sage Bionetworks)가 주최하는 의생명분야 데이터과학 국제경진대회로, 세계적으로 가장 권위를 인정받고 있는 대회다. 2007년 제1회 대회를 시작으로 12년에 거쳐 50여 회가 넘게 이어져오고 있다.

이번 대회는 IDG (Illuminating the Druggable Genome) 컨소시엄이 데이터를 제공하고 핀란드 분자 의학 연구소(Institute for Molecular Medicine Finland)가 주관해 25개의 신약 후보 물질과 207개의 인산화 효소 간에 394개의 약물 활성도 값을 예측하는 문제를 출제했다. 전 세계에서 총 54개 팀이 참가했다. 강재우 교수팀과 공동 우승한 중화대학-일리노이대학 컨소시움, 노스캐롤라이나대학을 비롯해 미국과 유럽의 대표적 정부지원 연구기관인 미국 국립 보건원(National Institutes of Health - NIH)과 유럽분자생물학연구소(European Molecular Biology Laboratory – EMBL) 등이 참가했다.

강재우 교수팀은 약물의 화학구조를 그래프로 인식하고 이를 수학적 벡터공간에 매핑하는 딥러닝모델인 그래프 뉴럴네트워크를 이용해 문제를 풀었다. 이 그래프 뉴럴네트워크로 단백질 결합에 중요한 약물의 하부구조와 화학적 성질을 학습하고 이를 이용해 대상 단백질에서의 약물 활성도를 예측한다.

제약사에서는 통상 고속 대량 스크리닝 기법(HTS)을 통해 수만에서 수십만 개의 화합물에 대해 실험적으로 표적 단백질과의 활성도를 측정해왔다. 그러나 이 방법은 시간과 비용이 많이 들고 성공 확률도 떨어진다. 실제 신약으로 합성 가능하다고 알려진 화합물만 12억 개가 넘는데, 임의로 선택된 수십만 개의 화합물 중 최적의 선도물질이 포함되어 있을 확률은 매우 작다. 반면, 인공지능 기반 예측모델을 통해 12억 개 중 빠르게 소수의 후보화합물들을 골라내고 이들에 대해서만 선택적으로 실험 검증을 한다면 시간과 비용을 크게 줄일 수 있고 성공 확률 또한 높일 수 있다.

강재우 교수는 “앞선 대회의 우승 모델들에 더해 이번 대회의 우승으로 신약발굴(Drug Discovery)과정에서 필요한 중요한 요소 기술들을 인공지능화 하는데 성공했고 이를 국제대회를 통해 공인 받은 셈”이라며 “이들 모델들을 유기적으로 결합해 인공지능기반 신약 발굴 플랫폼을 만들어 협력중인 연구기관 및 제약사들과 함께 실제 신약개발에 적용할 계획”이라고 포부를 밝혔다.

이번 대회 결과는 4일부터 6일까지 미국 뉴욕 메모리얼 슬론 케터링(Memorial Sloan Kettering) 암센터에서 개최된 2019년 국제 조절시스템유전체학회 (RECOMB/ISCB RSG with DREAM)에서 발표됐고, 강재우 교수팀은 이 학회에 우승자 자격으로 초청돼 ‘In-silico Molecular Binding Affinity Prediction with Multi-Task Graph Neural Networks’ 라는 제목의 강연으로 우승 모델을 소개했다.

저작권자 © 한국대학신문 무단전재 및 재배포 금지