화학 원리 학습 인공지능 모델의 신약 개발 효율화

주장인공지능은 신약 개발 과정에서 방대한 화학 화합물을 분석하고 최적의 후보 물질을 선별하는 핵심 역할을 수행합니다. 코너 콜리 교수는 화학 공학과 컴퓨터 과학을 융합하여 기존 실험 중심 방식이 가진 시간적 제약을 극복하고자 합니다.

팩트잠재적인 저분자 신약 후보 물질은 10의 20승에서 10의 60승 개에 달합니다. 이처럼 방대한 화합물을 일일이 실험으로 검증하는 작업은 화학자들에게 비효율적입니다.

팩트코너 콜리 교수는 MIT 화학공학과 및 전기전자컴퓨터공학과 부교수로 재직 중이며 2019년 MIT에서 박사 학위를 취득했습니다. 그는 현재 MIT 슈워츠먼 컴퓨팅 대학과 협력하여 화학 데이터 분석 및 반응 경로 예측 모델을 개발합니다.

팩트콜리 교수는 과거 미국 국방고등연구계획국(DARPA)의 메이크-잇 프로그램에 참여하여 머신러닝을 활용한 의약품 합성 최적화 연구를 수행했습니다. 이 경험은 그가 화학 정보학과 머신러닝을 결합하여 화학 반응을 이해하는 모델을 설계하는 계기가 되었습니다.

교차검증인공지능 모델이 단순히 데이터 패턴만 학습할 경우 화학적 타당성이 결여될 위험이 존재합니다. 이에 따라 연구팀은 질량 보존 법칙과 같은 물리적 원리를 모델에 내재화하여 예측 정확도를 높이는 데 집중합니다.

팩트연구팀이 개발한 셰퍼드 모델은 약물 분자의 3차원 형태를 기반으로 표적 단백질과의 상호작용을 평가합니다. 해당 모델은 현재 실제 제약 회사에서 신약 후보 물질을 발굴하는 도구로 사용됩니다.

팩트플라워라는 이름의 생성형 인공지능 모델은 화학 반응의 중간 단계와 메커니즘을 고려하여 최종 생성물을 예측합니다. 이는 화학자가 반응을 이해하는 방식과 유사하게 모델을 설계하려는 시도입니다.

주장화학적 원리를 이해하는 인공지능은 단순히 결과를 예측하는 수준을 넘어 신약 개발 전 과정을 자동화하고 최적화합니다. 이는 화학자와 인공지능이 협력하여 새로운 분자를 설계하는 미래 지향적인 연구 방향을 제시합니다.

교차검증인공지능 모델이 화학적 메커니즘을 완벽하게 이해하기 위해서는 여전히 방대한 데이터와 정교한 알고리즘 설계가 필요합니다. 모델이 학습하지 않은 예외적인 화학 반응이나 복잡한 환경에서의 예측 정확도는 앞으로 해결해야 할 과제입니다.

출처MIT 뉴스 보도 자료(news.mit.edu/2026/building-ai-models-with-chemical-principles-connor-coley-0520)를 교차 검증했습니다.