1차로 파파고 돌리고 부자연스러운 부분이나 도저히 알아먹을 수 없는 부분은 특붕이들이 알아먹을 수 있게 따로 고치거나 의역함. 발번역, 오역, 별로 안 중요하다고 생각하는 부분은 미번역 난무함. 감안해서 읽으셈 ㅋㅋㅋ

------------------------------------------------------------------------------------------------------

의약품을 개발하는데 얼마나 걸릴까요? 삼 년? 오년? 비용은 어떻습니까? 3 천만 달러? 1 억 달러?

사실은 다음과 같습니다. 모든 약물 개발의 90 %가 실패합니다. 개발에 성공한 소수는 상용화되는데 평균 10 년이 걸리며 25 억 달러에서 120 억 달러 사이의 비용이 듭니다.

그러나 어떤 질병도 타겟팅할수 있는(고칠 수 있는) 분자물질을 만들 수 있다면 어떨까요? 제약산업에서 5000명의 인적자원으로도 할 수 없는 일을 50명이 기계학습으로 해낼 수 있다면요?

저비용, 초고속, 개인 맞춤형 약물 개발할 수 있는 AI를 알아보도록 하죠

GAN & 약물

2012 년경 컴퓨터 과학자로 전환 한 생물 물리학자인 Alex Zhavoronkov는 인공 지능이 이미지, 음성 및 텍스트 인식에서 점점 더 좋아지고 있음을 알아 채기 시작했습니다. 그는 세 가지 과제가 모두 공통점이 있음을 알고있었습니다. 각각 대규모 데이터 세트를 사용할 수있어 AI를 쉽게 훈련시킬 수 있습니다.

그러나 약리학에는 이미 비슷한 데이터 세트가 존재했습니다. 따라서 2014 년에 Zhavoronkov는 이러한 데이터 세트와 AI를 사용하여 약물 발견 프로세스를 크게 가속화 할 수 있을지 궁금해지기 시작했습니다. 그는 인공 지능의 새로운 기술인 GAN (Generative Adversarial Network)에 대해 들었습니다. 두 개의 신경망을 서로 대항하여 (대적) 시스템은 최소한의 지시로 시작하여 새로운 결과를 생성 할 수 있습니다 (생성). 당시 연구자들은 GAN을 사용하여 새로운 물체를 디자인하거나 딥페이크 얼굴을 만드는 것과 같은 일을했지만 Zhavoronkov는 그것들을 약리학에 적용하기를 원했습니다.

그는 GAN이 연구자들이 약물 속성을 말로 설명 할 수 있게 할거라고 생각했다. “이 화합물은 인간에서 부작용을 최소화하면서 농도 Y에서 단백질 X를 억제해야한다. Zhavoronkov는 자신의 아이디어를 현실화하기 위해 메릴랜드 주 볼티모어에있는 Johns Hopkins University 캠퍼스에 Insilico Medicine을 설립하고 일을 시작했다.

일부 이국적인 지역에서 프로세스를 시작하는 대신 Insilico의 "약물 발견 엔진"은 특정 질병의 특징적인 생물학적 특성을 결정하기 위해 수백만 개의 데이터 샘플을 선별합니다.(모든 분자들을 다 실험하는게 아니라 질병을 호전시킬 수 있는 분자구조를 AI가 대신 선별한다는 의미인거같음) 그런 다음 엔진은 가장 유망한 치료 목표를 식별하고 GAN을 사용하여 분자에 적합한 분자 (즉, 유아용 약물)(아마도 유아용이 아니라 아직 임상가기 전에 유력한 약물 후보를 뜻하는듯)를 생성합니다. Zhavoronkov는 “유력한 약물 후보 수가 폭발적으로 증가하고 테스트 과정이 더욱 효율적으로 변했습니다" 라고 말한다. 또한 그는 "AI는 전형적인 제약 회사가 5 천으로하는 일을 단 50명이 할 수있게 해줍니다." 라고 말한다.

그 결과 원래는 10년에 걸쳐서 할 일이 달 단위 시간으로 줄어들게 되었다.

예를 들어, 2018 년 말, Insilico는 46 일 이내에 새로운 분자를 생성했으며 여기엔 분자 물질의 초기 발견뿐만 아니라 약물의 합성 및 컴퓨터 시뮬레이션에서의 실험적 검증도 포함되었습니다.(분자 물질을 발견하는것 뿐만 아니라 이 물질이 실험적으로 유효한지도 컴 시뮬로 다 돌려서 작업량을 대폭 줄였다는 얘기)

현재 이 시스템을 사용하여 암, 노화, 섬유증, 파킨슨 병, 알츠하이머 병, ALS, 당뇨병 및 기타 여러 약물에 대한 새로운 약물을 찾고 있습니다. 탈모 치료제 인이 연구의 첫 번째 약물은 2020 년 말까지 1 상 시험을 시작할 예정입니다.

또한 AI를 사용하여 임상 시험의 결과를 시험 전에 미리 예측하는 초기 단계에 있습니다. 성공하면 이 기술을 통해 연구원들은 전통적인 테스트 프로세스에서 많은 시간과 비용을 제거 할 수 있습니다.

단백질 폴딩(접힘)

AI는 신약 개발 이외에도 다른 과학자들에 의해 새로운 약물 목표, 즉 약물이 신체에서 결합하는 장소와 신약개발과정의 또다른 핵심부분에 기여하고 있습니다.

1980 년과 2006 년 사이에 연간 300 억 달러의 투자에도 불구하고 연구자들은 1 년에 약 5 개의 새로운 약물 표적 만 찾을 수있었습니다. 문제는 복잡성입니다. 가장 잠재적 인 약물 표적은 단백질이며(약물의 기전중 하나가 보통 문제 있는 단백질 구조를 타겟삼아서 무력화시키는거임) 단백질의 구조 (2D 아미노산 서열이 3D 단백질로 접히는 방식을 의미 함)는 그 기능을 결정합니다. (그러니까 쉽게 말해서 실험실에서는 단백질 분석을 할때 실처럼 생긴 아미노산 서열을 분석하는데 실제 인체 내에선 이게 실타래처럼 무작위로 꼬여서 그 구조를 예측하기 어렵다고 보면 대충 맞음)

겨우 100 개의 아미노산 (단량의 단백질)을 가진 단백질도 천문학적인 숫자의 잠재적 인 모양을 생성 할 수 있습니다. 이것이 바로 단백질 폴딩(접힘)이 가장 강력한 슈퍼 컴퓨터에서도 오랫동안 어려운 문제로 여겨져 온 이유이기도합니다.

1994 년에 단백질 폴딩에서 슈퍼 컴퓨터의 진행 상황을 모니터링하기 위해 2 년마다 경쟁이 벌어졌습니다. 2018 년까지는 성공이 거의 없었습니다. 그러나 DeepMind의 제작자는 신경망을 느슨하게 만들었습니다. 그들은 단백질의 염기쌍과 화학적 결합의 각도 (일명 ​​단백질 접힘의 기초) 사이의 가장 먼 거리를 결정하기 위해 막대한 데이터 세트를 채굴하는 AI를 만들었습니다. 그들은 그것을 AlphaFold라고 불렀습니다.

경쟁에 진출한 AI는 43 개의 단백질 폴딩(접힘) 문제를 해결해야했습니다.(아마 단백질 접힘 구조를 예상하는 대회인듯) AlphaFold는 25개를 해결했습니다. 2위팀은 겨우 3개를 해결했습니다. AlphaFold는 아미노산 서열을 기반으로 다양한 단백질이 접히는 어려운 방법을 예측함으로써 약물 발견을 돕고 오늘날 가장 다루기 힘든 질병과 싸우는 데 엄청난 영향을 미칠 수 있습니다.

약물 전달

또 하나의 관전포인트는 약물 전달 영역입니다. 여기에서도 지수적으로 발전하고 있는 기술은 인류 건강과 산업 변화에 큰 영향을 미칩니다.

하나의 주요 경쟁자는 CRISPR이며, 합성 생물학과 유전자 관련 질병의 치료에 혁명을 일으키는 빠른 발전 유전자 편집 기술입니다. 그리고 연구원들은 이제이 도구를 적용하여 명령에 따라 변형되는 재료를 만드는 방법을 시연했습니다. 생각해보십시오 : 프로그램 된 자극에 직면했을 때 순간적으로 용해되는 물질은 표적이 분명한 곳에 특정 약물을 방출합니다.(약물이 프로그램된 자극에 의해서 신체 내 필요한 곳에서 정확한 때에 용해된다는 의미인듯)

미래의 약물

코로나 바이러스 위기 때문에 각국의 과학계가 국경을 허물고 연대하며 백신 개발에 힘을 쏟고 있다.

그리고 의료 기술 전반에 걸친 빠른 가속화로 인해 Big Pharma(위의 AI로 신약개발이랑 단백질 접힘 예상하는 기술을 말하는듯)는 주목할만한 가치가 있는 영역입니다. 융합 기술은 머지 않아 인실 리코와 같은 회사들이 장수 및 질병 예방에있어 놀라운 발전을 가능하게 할 것입니다.

방대한 데이터 세트, 급상승하는 컴퓨팅 파워, 퀀텀 컴퓨팅,인지 잉여 기능 및 AI의 놀라운 혁신을 이용해 우리는 특정 타겟에 직접 작용하는 개인맞춤형 의약품이 공상 과학 현실로 맞이할 것입니다.

회춘의 생명 공학은 생각보다 빨리 상용화 될 것입니다. Alex에게 자신의 미래 전망에 대해 물었을 때, 그는 회춘 상용화 예상 기간에 대해 "20 년으로 설정했습니다. 회춘 생명 공학의 지평을 열기에 충분한 시간입니다"라고 말했습니다.

당신은 그동안 앞으로 남은 20년을 어떻게 보낼 예정입니까?

------------------------------------------------------------------------------------------------------------

If you had to guess how long it takes for a drug to go from an idea to your pharmacy, what would you guess? Three years? Five years? How about the cost? $30 million? $100 million?

Well, here’s the sobering truth: 90 percent of all drug possibilities fail. The few that do succeed take an average of 10 years to reach the market and cost anywhere from $2.5 billion to $12 billion to get there.

But what if we could generate novel molecules to target any disease, overnight, ready for clinical trials? Imagine leveraging machine learning to accomplish with 50 people what the pharmaceutical industry can barely do with an army of 5,000.

Welcome to the future of AI and low-cost, ultra-fast, and personalized drug discovery. Let’s dive in.

GANs & Drugs

Around 2012, computer scientist-turned-biophysicist Alex Zhavoronkov started to notice that artificial intelligence was getting increasingly good at image, voice, and text recognition. He knew that all three tasks shared a critical commonality. In each, massive datasets were available, making it easy to train up an AI.

But similar datasets were present in pharmacology. So, back in 2014, Zhavoronkov started wondering if he could use these datasets and AI to significantly speed up the drug discovery process. He’d heard about a new technique in artificial intelligence known as generative adversarial networks (or GANs). By pitting two neural nets against one another (adversarial), the system can start with minimal instructions and produce novel outcomes (generative). At the time, researchers had been using GANs to do things like design new objects or create one-of-a-kind, fake human faces, but Zhavoronkov wanted to apply them to pharmacology.

He figured GANs would allow researchers to verbally describe drug attributes: “The compound should inhibit protein X at concentration Y with minimal side effects in humans,” and then the AI could construct the molecule from scratch. To turn his idea into reality, Zhavoronkov set up Insilico Medicine on the campus of Johns Hopkins University in Baltimore, Maryland, and rolled up his sleeves.

Instead of beginning their process in some exotic locale, Insilico’s “drug discovery engine” sifts millions of data samples to determine the signature biological characteristics of specific diseases. The engine then identifies the most promising treatment targets and—using GANs—generates molecules (that is, baby drugs) perfectly suited for them. “The result is an explosion in potential drug targets and a much more efficient testing process,” says Zhavoronkov. “AI allows us to do with fifty people what a typical drug company does with five thousand.”

The results have turned what was once a decade-long war into a month-long skirmish.

In late 2018, for example, Insilico was generating novel molecules in fewer than 46 days, and this included not just the initial discovery, but also the synthesis of the drug and its experimental validation in computer simulations.

Right now, they’re using the system to hunt down new drugs for cancer, aging, fibrosis, Parkinson’s, Alzheimer’s, ALS, diabetes, and many others. The first drug to result from this work, a treatment for hair loss, is slated to start Phase I trials by the end of 2020.

They’re also in the early stages of using AI to predict the outcomes of clinical trials in advance of the trial. If successful, this technique will enable researchers to strip a bundle of time and money out of the traditional testing process.

Protein Folding

Beyond inventing new drugs, AI is also being used by other scientists to identify new drug targets—that is, the place to which a drug binds in the body and another key part of the drug discovery process.

Between 1980 and 2006, despite an annual investment of $30 billion, researchers only managed to find about five new drug targets a year. The trouble is complexity. Most potential drug targets are proteins, and a protein’s structure—meaning the way a 2D sequence of amino acids folds into a 3D protein—determines its function.

But a protein with merely a hundred amino acids (a rather small protein) can produce a googol-cubed worth of potential shapes—that’s a one followed by three hundred zeroes. This is also why protein-folding has long been considered an intractably hard problem for even the most powerful of supercomputers.

Back in 1994, to monitor supercomputers’ progress in protein-folding, a biannual competition was created. Until 2018, success was fairly rare. But then the creators of DeepMind turned their neural networks loose on the problem. They created an AI that mines enormous datasets to determine the most likely distance between a protein’s base pairs and the angles of their chemical bonds—aka, the basics of protein-folding. They called it AlphaFold.

On its first foray into the competition, contestant AIs were given 43 protein-folding problems to solve. AlphaFold got 25 right. The second-place team managed a meager three. By predicting the elusive ways in which various proteins fold on the basis of their amino acid sequences, AlphaFold may soon have a tremendous impact in aiding drug discovery and fighting some of today’s most intractable diseases.

Drug Delivery

Another theater of war for improved drugs is the realm of drug delivery. Even here, converging exponential technologies are paving the way for massive implications in both human health and industry shifts.

One key contender is CRISPR, the fast-advancing gene-editing technology that stands to revolutionize synthetic biology and treatment of genetically linked diseases. And researchers have now demonstrated how this tool can be applied to create materials that shape-shift on command. Think: materials that dissolve instantaneously when faced with a programmed stimulus, releasing a specified drug at a highly targeted location.

Yet another potential boon for targeted drug delivery is nanotechnology, whereby medical nanorobots have now been used to fight incidences of cancer. In a recent review of medical micro- and nanorobotics, lead authors (from the University of Texas at Austin and University of California, San Diego) found numerous successful tests of in vivo operation of medical micro- and nanorobots.

Drugs From the Future

Covid-19 is uniting the global scientific community with its urgency, prompting scientists to cast aside nation-specific territorialism, research secrecy, and academic publishing politics in favor of expedited therapeutic and vaccine development efforts. And in the wake of rapid acceleration across healthcare technologies, Big Pharma is an area worth watching right now, no matter your industry. Converging technologies will soon enable extraordinary strides in longevity and disease prevention, with companies like Insilico leading the charge.

Riding the convergence of massive datasets, skyrocketing computational power, quantum computing, cognitive surplus capabilities, and remarkable innovations in AI, we are not far from a world in which personalized drugs, delivered directly to specified targets, will graduate from science fiction to the standard of care.

Rejuvenational biotechnology will be commercially available sooner than you think. When I asked Alex for his own projection, he set the timeline at “maybe 20 years—that’s a reasonable horizon for tangible rejuvenational biotechnology.”

How might you use an extra 20 or more healthy years in your life? What impact would you be able to make?