1억 700만개 분자 탐색
실패한 당뇨약 속에 있던 항생제, 할리신
2,335개 분자로 학습한 모델이 어떤 항생제 연구자도 시험해 보지 않았을 화합물을 지목했습니다. 기존 어느 계열과도 구조가 다르고, 다제내성 아시네토박터를 생쥐에서 제거했습니다. 1억 700만 개 탐색에서 고른 23개 중 8개가 실제로 항균 활성을 보였습니다.
Stokes 외, Cell, 2020 ↗신약 탐색
더 좋은 후보를 더 빨리 찾습니다.
AI 모델은 실물 스크리닝이 결코 닿을 수 없는 규모로 화학·생물 공간을 훑습니다. 저희는 그 공간을 실제로 만들어 볼 가치가 있는 소수의 분자로 좁히는 시스템을 만듭니다.
역량
무엇을 만드나
타깃 발굴
오믹스·문헌·구조 근거를 모아 타깃의 순위를 매기고 성격을 밝힙니다.
히트 탐색과 가상 스크리닝
초대형 라이브러리를 학습 스코어로 훑고 물리 계산으로 다시 채점합니다.
분자 생성
정해진 목록을 거르는 대신, 제약 조건을 만족하는 후보를 새로 만들어 냅니다.
리드 최적화
효력, 선택성, 개발 가능성을 하나씩이 아니라 동시에 끌어올립니다.
약물성(ADMET) 예측
흡수·분포·대사·배설·독성을 앞단에서 추정합니다.
약물 재창출
이미 승인된 약을 새로운 기전과 환자군에 연결합니다.
병용 조합 탐색
단일 약물 스크리닝으로는 들어갈 수 없는 상호작용 공간을 탐색합니다.
수십억 개의 분자에서 실험할 가치가 있는 몇 개로.
선택 기준
연산이 병목인 문제를 고릅니다
스크리닝 역량은 더 이상 희소하지 않습니다. 저희는 계산 비용 때문에 멈춰 있던 질문을 찾습니다.
비싼 물리부터
아무도 반복할 엄두를 못 내던 계산으로만 답이 나오는 문제라면, 규모가 속도가 아니라 답 자체를 바꿉니다.
모델보다 측정
모델은 그 아래 깔린 측정만큼만 좋습니다. 얇은 공개 데이터를 재활용하는 대신 측정을 직접 만듭니다.
모델을 가리지 않는 평가
프런티어, 오픈웨이트, 분야 전용 모델을 같은 과제로 비교한 다음에야 신뢰합니다.
왜 AI인가
모델이 화학자와 다르게 찾는 이유
01
계산으로만 존재하는 공간을 뒤집니다
주문 제작형 화합물 라이브러리는 수백만에서 수백억 규모로 커졌습니다. 2019년의 한 연구는 1억 3,800만 개를 도킹했고, 그 안에는 어디서도 살 수 없는 골격이 1,070만 개 들어 있었습니다. 실물 스크리닝으로는 닿을 수 없는 규모이고, 그래서 약이 될 만한 공간의 대부분은 아무도 본 적이 없습니다.
02
알려진 골격을 중심으로 탐색하지 않습니다
의약화학은 이미 통한 계열에서 바깥으로 넓혀 갑니다. 모델은 실패한 당뇨약과 처음 보는 골격에 똑같이 점수를 매깁니다. 중단된 대사질환 약 안에서 항생제가 나온 경위가 그것입니다.
03
상충하는 목표를 동시에 최적화합니다
어떤 연구는 1,200만 개 화합물을 항균 활성과 사람 세포 독성 기준으로 한꺼번에 채점했습니다. 사람이 하는 방식은 그 절충을 마지막에, 분자 하나씩 다룹니다.
04
어떤 구조가 예측을 이끌었는지 설명합니다
부분구조 근거가 붙으면 운 좋은 하나가 아니라 개발할 수 있는 구조 계열이 남습니다.
근거
이미 일어난 일입니다.
모두 동료심사를 거친 결과이고, 하나같이 기존 방식으로는 찾도록 설계되지 않았던 것들입니다.
1,207만개 화합물 채점
MRSA에 듣는 새로운 구조 계열
그래프 신경망이 1,200만 개 화합물을 활성과 사람 세포 독성 기준으로 동시에 채점하고, 각 예측을 이끈 부분구조까지 함께 내놓았습니다. 283개를 실제로 시험했고, 나온 계열은 MRSA와 반코마이신 내성 장구균에 선택적으로 작용했습니다.
Wong 외, Nature, 2024 ↗180 pM최고 작용제 친화도
아직 존재하지 않는 1억 3,800만 개를 도킹
서로 무관한 두 타깃을, 어떤 실물 컬렉션보다 골격이 다양한 가상 라이브러리로 탐색했습니다. 전례 없는 77 nM 베타락타마제 억제제와 D4 수용체용 새 화학형 81종이 나왔고, 그중에는 180피코몰 선택적 작용제가 있었습니다.
Lyu 외, Nature, 2019 ↗약 7,500개로 학습
일부러 좁게 만든 항생제, 아바우신
좁은 스펙트럼은 상업적으로 매력이 없어 보통 걸러집니다. 자체 실험 데이터로 학습한 모델을 넓이 대신 선택성 기준으로 최적화했더니, 아시네토박터에만 거의 한정해 작용하는 화합물이 나왔습니다.
Liu 외, Nature Chemical Biology, 2023 ↗+98.4 mL위약 대비 폐활량
AI가 찾은 타깃과 AI가 설계한 분자가 환자에게
오믹스 데이터에서 TNIK을 항섬유화 타깃으로 지목하고, 생성 모델이 억제제를 설계했습니다. 타깃부터 후보물질까지 약 18개월이 걸렸습니다. 환자 71명 2a상에서 치료군은 폐활량이 늘고 위약군은 줄었습니다. 다만 1차 평가변수는 안전성이었으므로 고무적인 결과이지 효능의 증명은 아닙니다.
Xu 외, Nature Medicine, 2025 ↗반대쪽 절반도 그대로 적습니다. 규제기관 승인을 받은 AI 발굴 신약은 아직 없습니다. 화제가 됐던 할리신도 6년이 지나도록 사람에게 투여된 적이 없습니다. 흡수가 나쁘고 너무 빨리 배설되기 때문입니다. AI 기반 파이프라인 분석에서 1상 성공률은 80~90%였지만 2상 성공률은 약 40%로 업계 평균과 다르지 않았습니다. AI는 약처럼 생긴 분자를 잘 설계합니다. 환자에게 듣는 타깃을 고른다는 것은 아직 증명되지 않았습니다.