[메디게이트뉴스 이지원 기자] 인공지능(AI)이 신약 후보물질을 발굴하는 도구를 넘어 개발 표적과 적응증을 선정하고, 유망 화합물의 구조와 물성을 최적화하는 데 활용되고 있다. 구체적으로 어떤 표적과 환자군을 선택하고, 어떤 후보물질에 연구 역량을 집중할지 판단하는 데 AI를 적용하고 있다.

한미약품 김유연 임상이행팀장과 대웅제약 신승우 팀장은 10일 열린 'AI 파마 코리아 컨퍼런스 2026'에서 각각 자체 AI 플랫폼 'HARP'와 'DAISY'를 활용한 연구 성과를 공개했다.

이날 이들은 AI 예측 결과를 실제 신약개발 의사결정에 활용하고 방대한 후보물질의 탐색 범위를 좁혀 연구 효율을 높이는 것이 중요하다고 강조했다.

한미약품 'HARP' 동물실험 넘어 인체 반응 예측…적응증 선정까지​

현재 한미약품은 자체 AI 연구 플랫폼 'HARP'를 활용해 신약 표적의 타당성을 검토하고, 후보물질의 인체 반응과 개발 적응증을 예측하고 있다.

김 팀장은 "전임상시험에서 아무리 좋은 결과가 나오더라도 임상으로 넘어갈 때는 사람에서도 효과가 나타날 것인지에 대한 질문을 받는다"며 "동물실험 결과를 인체 반응과 연결하는 연구가 중요하다"고 강조했다.

대표적인 사례로는 근육 성장 조절에 관여하는 미오스타틴(MSTN)의 표적 타당성 검증이 있다. 한미약품은 인체 유전학적 분석을 통해 MSTN을 선택적으로 억제하는 개발 전략의 근거를 검토했다.

멘델 무작위화(MR) 분석 결과, MSTN은 근육 관련 지표와 인과적 연관성을 보였지만 액티빈 A·B 등 다른 단백질에서는 유사한 연관성이 확인되지 않았다. 간 안전성과 관련한 유전학적 분석에서도 유의미한 위해 신호는 확인되지 않았다.

비만치료제 후보물질 HM17321에 대해서는 전임상 결과가 사람에게도 재현될 가능성이 있는지 분석했다. 영국 바이오뱅크(UK Biobank)의 혈액 단백체와 인체 표현형 데이터를 활용해 예측 모델을 구축한 결과, 체지방량과 제지방량, 근육 기능에 대한 예측 결과가 동물실험 관찰 결과와 유사한 방향을 보였다.

김 팀장은 "동물실험에서 얻었던 여러 결과가 실제 사람에서도 재현될 가능성이 좀 더 높아지는 것으로 판단했다"며 "반대로 예측 결과가 일치하지 않는다면 동물과 사람의 종간 차이에서 비롯됐을 가능성을 검토하고, 후속 연구 방향을 설정하는 데 활용하고 있다"고 설명했다.

이어 AI를 활용한 적응증 선정 사례를 소개했다. 한미약품은 항암제 후보물질 HM100714의 개발 방향을 결정하기 위해 HER2 표적 약물의 반응 데이터를 기반으로 머신러닝 모델을 구축하고, 자체 실험 데이터로 예측 성능을 검증했다.

검증 결과 약물 반응 여부를 구분하는 성능 지표인 AUC는 0.959, 정확도는 95.2%를 기록했다. 이후 암 유전체 데이터베이스인 TCGA를 활용해 암종별 약물 반응 가능성을 분석했으며, 유방암을 우선순위가 높은 개발 적응증으로 검토했다.

김 팀장은 "어느 정도 콘셉트에 맞는 약물을 확보한 다음에는 어떤 적응증으로 먼저 들어가는 것이 가장 합당할 것인가에 대한 선택의 문제가 남았다"며 "다양한 데이터와 AI 기법을 상황에 맞게 활용해 인체에서 어떠한 효과와 위험이 있을지 예측하는 데 주안점을 두고 있다. 향후 HARP를 인체 근거 기반의 AI 에이전트형 중개연구 플랫폼인 HARP 3.0으로 발전시킬 계획"이라고 밝혔다.

대웅제약 'DAISY'로 기존과 다른 분자 골격 설계하고, 약물 물성 최적화

대웅제약은 자체 AI 신약개발 플랫폼 'DAISY'를 활용해 후보물질 탐색부터 신규 분자 생성, 물성 최적화까지 연구를 진행하고 있다. 방대한 화합물 가운데 유망 후보를 선별하는 데 그치지 않고, 기존 화합물과 다른 구조를 가진 분자를 설계하는 데 AI를 활용하고 있다.

신 팀장은 "참고물질이 없을 때는 생성형 AI를 이용해 분자를 생성하고, 단편 기반 신약설계(FBDD)를 활용해 분자 구조를 확장하거나 여러 단편을 연결한다"며 "참고물질이 있는 경우에는 자체 화합물 라이브러리에서 유사 구조를 탐색하고 분자 도킹과 AI 예측을 결합해 후보물질을 선별한다"고 설명했다.

신 팀장에 따르면 약 690만 개의 상용 화합물 라이브러리에서 소염진통제 세레콕시브와 유사한 화합물 49개를 약물의 흡수·분포·대사·배설·독성(ADMET) 예측 정보와 함께 탐색하는 데 약 55초가 소요됐다.

신규 분자 생성 연구에서는 대규모언어모델(LLM)에 강화학습 기법인 GRPO를 적용했다. 20개 단백질 표적을 대상으로 모델을 평가한 결과, 18개 표적에서 생성 화합물의 도킹 에너지가 기준 화합물보다 낮게 나타났다.

특히 기존 화합물과 다른 분자 골격을 가지면서도 주요 결합 특성을 유지하는 물질을 생성했다는 점에 주목했다.

신 팀장은 "분자 골격이 다른 새로운 분자에서도 주요 결합 잔기와의 상호작용이 동일하게 나타나는 것을 확인했다"며 "기존 물질에 특허가 걸려 있으면 이를 피하기가 어려운데, 이러한 모델을 이용하면 분자 골격은 다르지만 같은 특성을 가진 물질을 생성할 수 있다"고 언급했다.

대웅제약은 분자 설계뿐 아니라 약물 물성을 개선하는 데도 AI를 활용하고 있다. 실제로 분자 물성 최적화 모델 'DAIOpt-Chat'을 활용한 자체 평가 과제 46개 중 89.1%에서 목표 물성의 개선 기준을 충족했다. 다른 물성을 유지하면서 목표 물성을 개선하는 조건에서도 71.7%가 기준을 충족했다.

신 팀장은 "다만 이러한 수치는 컴퓨터 기반 예측·평가 결과로, 실제 물성 개선 여부는 추가 실험을 통해 확인해야 한다"며 "용해도는 좋아지는데 혈액뇌장벽(BBB) 투과성이 떨어지면 아무 의미가 없다. 다른 물성을 유지하면서 특정 물성을 개선하는 것이 중요하다"고 강조했다.

이어 "AI는 신약개발에서 정답을 보장하는 것이 아니라 탐색 공간을 축소하고, 실험할 가치가 있는 후보에 집중할 수 있도록 하는 도구"라며 "후보물질의 범위를 좁히는 것만으로도 신약개발에 상당한 도움이 된다"고 말했다.