APR 27, 2023

물리 기반 시뮬레이션과 결합된 다양한 머신러닝 전략을 활용하여 신약 개발 파이프라인 추진

연사

제니퍼 나이트,Schrödinger 이사
칼 레스윙, 머신러닝 사무총장 Schrödinger

초록

신약 개발 분야에서 기계 학습( 머신러닝 , ML)의 적용이 표적 발굴부터 분자 설계, 환자 계층화에 이르기까지 빠르게 확대되고 있다. 그러나 모델 훈련에 활용할 수 있는 대규모의 고품질 데이터셋이 부족하여, 특히 초기 발굴 단계에서 ML 모델의 활용도가 제한되고 있다. 기계 학습 전략을 물리학 기반 접근법과 결합하면 이러한 한계를 극복하고 ML 모델의 적용 범위를 확대할 수 있는 방법을 마련할 수 있다.

이번 발표에서는 Schrödinger의 치료제 개발 그룹 내에서, 히트 물질 발굴부터 lead optimization 및 제형 개발에 이르기까지, ‘ 머신러닝 ’ 전략을 물리 기반 모델링 기술과 어떻게 통합하고 있는지, 그리고 이러한 접근 방식이 진행 중인 신약 개발 프로그램에 미치는 영향에 대해 설명합니다.

주요 내용:

• 액티브 러닝 이러한 전략은 특정 표적에 대한 화학적 공간을 체계적이고 효율적으로 탐색할 수 있게 해줄 뿐만 아니라, 프로토콜을 최적화하여 프로젝트 진행과 의사결정을 효율화합니다.
• LiveDesign 내의 자동화된 머신 러닝 엔진( 머신러닝 )을 통해 팀 전체가 모델 훈련, 검토 및 배포 과정을 반복적으로 수행함으로써 학습 및 최적화 프로세스( 약물 설계 )를 추진할 수 있습니다.
• 양자 기계 학습(QM DFT ) 계산을 통해 훈련된 심층 신경망(QRNN)은 신약 제형의 위험 요소를 줄이기 위한 컴퓨터 시뮬레이션 기반 결정 다형체 예측에 유용한 지침을 제공할 수 있다.
• 생성적 머신러닝 접근법은 새롭고 매우 표적화된 화학적 영역을 설계할 수 있다