AUG 31, 2021

실험 데이터가 부족하다? 문제없다: 전임상 신약 개발 단계에서의 ‘ 머신러닝 ’와 물리학

연사

사테시 바트, 스티븐 제롬, 칼 레스윙
전무이사, 수석 수석 연구원, 연구 책임자

초록

머신러닝 의 부상과 정확한 물리 기반 모델링은 전임상 신약 개발 분야에서 획기적인 발전을 이끌어냈으며, 기존 방식에 비해 비용을 절감하면서도 화학적 특성이 개선된 화합물의 발굴을 가속화했습니다.

최첨단 화학 공간 탐색( 머신러닝 ) 기법을 적용하면 보간을 통해 훨씬 더 넓은 화학 공간 영역을 정확하게 탐색할 수 있습니다. 액티브 러닝 를 통해 정확한 외삽형 물리 기반 기법과 결합함으로써, 수십억 개의 화합물로 구성된 상용 라이브러리에서 유망 화합물을 발굴하는 작업이 사상 처음으로 비용 효율적으로 이루어지게 되었습니다. 마찬가지로, lead optimization 에서 설계-제조-시험-분석(design-make-test-analyze) 주기 동안 탐색되는 화학 공간의 급격한 확장은 물리 기반 머신러닝 를 통해 가능해졌으며, 이는 속도와 비용 면에서 이점을 가져옵니다.

이번 웹캐스트에서는 활성 신약 개발 프로그램에서 ‘ 머신러닝 ’를 적용한 세 가지 실제 사례를 소개합니다. 하나는 화합물 특성 예측, 다른 하나는 화합물 구조-활성 관계( hit identification) 분석, 그리고 마지막 하나는 화합물-단백질 결합( lead optimization) 분야에서 설계-제조-시험-분석(design-make-test-analyze) 주기를 통해 친화력을 유지하거나 향상시키는 사례입니다.