제약 연구 효율을 높이는 그래프 기반 인공지능 활용

주장제약 산업은 파편화된 데이터 시스템으로 인해 신약 개발 과정에서 병목 현상을 겪고 있습니다. 연구자는 펍메드, 내부 기록, 유전체 데이터베이스 등에 흩어진 정보를 연결하는 데 어려움을 느끼며 이는 연구 효율 저하로 이어집니다.

팩트전통적인 신약 개발 방식의 성공률은 5퍼센트에 불과합니다. 초기 스크리닝 단계에서만 6개월 이상의 시간이 소요되어 연구 속도가 더딥니다.

교차검증연구자가 퇴사할 경우 축적된 암묵적 지식이 함께 사라지는 문제가 발생합니다. 이는 기관의 지식 자산을 손실시키고 연구의 연속성을 저해하는 주요 원인이 됩니다.

주장연구 효율 저하 문제를 해결하기 위해 그래프 기반 인공지능 기술이 대안으로 떠오르고 있습니다. 아마존 넵튠 애널리틱스와 그래프 검색 증강 생성 기술을 결합하면 연구자는 자연어로 복잡한 질문을 던질 수 있습니다.

팩트이 시스템은 단순한 답변을 넘어 근거가 되는 인용 경로와 그래프 탐색 과정을 투명하게 제시합니다. 그래프 데이터베이스는 식물, 화합물, 단백질, 유전자 등 다양한 생물학적 개체 간의 관계를 네트워크 형태로 구조화합니다.

주장구조화된 네트워크를 통해 기존에 발견하지 못했던 복잡한 생물학적 상관관계를 도출할 수 있습니다. 이는 연구자가 데이터 기반의 의사결정을 더 빠르게 내릴 수 있도록 돕습니다.

교차검증생성형 인공지능이 답변을 생성할 때 그래프 데이터를 활용하면 환각 현상을 줄일 수 있습니다. 모든 답변은 검증된 과학적 데이터에 기반하여 제공되므로 연구 결과의 신뢰성을 확보합니다.

팩트본 솔루션은 펍메드 오픈 액세스 데이터셋, 질병 온톨로지, 국제질병분류 10차 개정 코드 등을 통합하여 활용합니다. 아마존 컴프리헨드 메디컬 서비스를 통해 의료 문서에서 핵심 정보를 추출하고 이를 그래프 노드로 변환합니다.

주장기업이 보유한 고유 지식 그래프를 생성형 인공지능과 결합하는 방식인 지식 그래프 구축은 연구 환경을 혁신합니다. 이는 데이터 사일로를 제거하여 연구 자산의 가치를 극대화합니다.

팩트그래프 노드는 질병, 저자, 저널, 저널 청크, 국제질병분류 10차 개정 코드 등으로 구성됩니다. 아마존 베드록 지식 베이스의 청킹 전략을 사용하여 방대한 문헌 데이터를 체계적으로 관리합니다.

주장지식 그래프 구축은 단순한 정보 통합을 넘어 연구자의 지식 자산을 보호하고 데이터의 활용도를 높이는 핵심 전략입니다. 기술 도입을 통해 제약사는 연구의 연속성을 유지하고 신약 개발의 성공 가능성을 높일 수 있습니다.

출처아마존 웹 서비스의 공식 블로그 게시물을 통해 해당 기술의 활용 방안과 연구 효율 개선 효과를 교차 검증했습니다.