데이터의 우선순위를 정하는 것이 신약 발견을 어떻게 가속화할 수 있을까요?

제가 생각하는 핵심 문제는 대부분의 신약 개발 팀이 데이터의 중요성을 간과하여 의사결정 프로세스에서 데이터를 이차적인 고려사항으로 간주한다는 것입니다.사람들은 한 번에 모든 문제를 해결할 수 있는 솔루션을 구축하는 데 주력합니다. 분자 모델링도 수행하고 예측도 가능해야 하며 종착지에 도달하는 데 도움을 주어야 합니다. 하지만 이것이 신약 개발자, 무엇보다 환자에게 최선의 솔루션이 될 수 있을까요? 보이지 않는 곳에서 그 토대가 되는 데이터에 집중해야 합니다. 기업은 데이터 인프라를 견고히 하기 위한 첫 번째 단계로 기본 데이터의 품질을 재평가해야 하며 이를 위해서는 모든 데이터세트에 대한 철저한 평가와 큐레이션이 필요합니다.

또한 데이터 표준화와 함께 데이터세트 간의 새로운 연결을 위해 사일로에서 데이터를 제거하기 위한 모범 사례에 대한 업계 내 논의가 충분하지 않습니다. 이 문제를 해결하기 위해서는 업계 내 협업 강화가 반드시 필요하다고 생각합니다. 모든 기업이 자체 솔루션을 보유하고 시장 점유율을 목표로 경쟁하는 상황에서 '해수면이 상승하면 모든 배가 함께 떠오른다'는 속담이 생각납니다. 데이터 표준과 표준화 방법에 대한 근본적인 문제를 해결하지 않으면 신약 개발 성과를 달성하는 데 계속 제약을 받게 됩니다.

최근 이 연구 분야에서 두드러진 변화는 신약 개발 프로세스에서 고품질 데이터의 중요성입니다. 이전에는 약물 표적 자체에 중점을 두었습니다. 그러나 '쓰레기가 들어가면 결과 역시 쓰레기일 뿐'이라는 사실을 업계에서 인정하게 되었습니다. 즉 데이터의 품질이 근본적으로 결과의 품질을 결정한다는 것입니다. 과제는 일반적으로 사일로화된 다양한 데이터 세트를 효과적으로 통합하면서 동시에 해당 데이터의 품질을 검증하여 신약 개발 결과를 향상시키는 데 있습니다.

가장 먼저 필요한 것은 고도로 차별화된 결과를 도출할 수 있는 견고한 데이터 기초 또는 지식 그래프를 개발하는 것입니다. 이 강력한 데이터 기초는 약물 자산이 승인 단계에 도달하는 데 있어 그 토대가 될 뿐만 아니라 그 과정에서 지적 재산권 문제가 발생하는 것을 방지하는 데 중요한 역할을 합니다. 예를 들어 신약 개발 초기 단계에서 데이터를 관리하고 활용하는 방법에 따라 고유하고 차별화된 화학 물질를 얻을 수 있으며 이를 통해 성공을 극대화하고 IP 소송 위험을 최소화할 수 있습니다.

따라서 신약 개발 조직의 주요 과제는 진정으로 고유한 화학 물질 개발의 토대가 되는 강력한 데이터 기초를 구축하는 것입니다. 이를 위해서는 그러한 데이터 기초를 구축하는 데 그치지 않고 지속적인 강화를 통해 혁신적인 신약 개발을 지원해야 합니다. 데이터 무결성 확보에는 초기 데이터 수집부터 최종 분석까지 여러 단계가 필요합니다. 조직은 데이터 품질 유지를 위해 엄격한 데이터 검증 및 엄선 방법을 채택해야 합니다. 이는 신약 개발에 복잡한 데이터세트가 관여한다는 점을 고려할 때 특히 중요합니다.

또한 팀 내, 업계 전반에 걸친 협업이 중요한 역할을 합니다. 모범 사례를 공유하고 데이터 취급 절차를 표준화함으로써 데이터 무결성을 전반적으로 크게 향상시킬 수 있습니다. 기업들이 공통의 데이터 과제를 함께 논의하고 극복하기 위해 연합 또는 플랫폼을 만드는 추세도 증가하고 있습니다.

매우 긍정적으로 생각합니다! 그러나 이를 위해서는 먼저 개별 조직이 데이터 관리를 중심으로 사고 리더십 구축을 위한 투자를 늘려야 합니다.많은 조직이 자신들이 수집하는 데이터, 특히 공공 도메인에서 가져온 데이터에 크게 집중하지 않으며 이에 대한 개선이 필수적인 상황입니다.

다음 단계는 조직 간 협업 강화로 산업 전반에 큰 도움을 줄 수 있습니다. 아이디어를 공유하고 신약 개발 초기 단계의 데이터를 규제 제출 형식으로 통합하는 방법을 논의할 수 있는 플랫폼을 구축함으로써 승인 프로세스를 간소화할 수 있습니다.

규제 분야에서는 이러한 프로세스 개선에 대한 중대한 논의가 진행 중이지만 그러한 논의는 데이터 관리로 확장되어야 합니다. 기업이 정기적으로 만나 강력한 데이터 기반 구축에 있어 공통의 병목현상과 과제를 해결할 수 있는 연합 또는 플랫폼이 중요한 가치를 갖습니다. 항상 경쟁력을 추구하면서도 무엇보다 중요한 목표는 환자를 이롭게 하는 것입니다. 환자는 동급 최고의 효과적이고 안전한 치료를 받을 수 있어야 합니다.

기업은 데이터 관리 관행을 개선하고 협업을 촉진함으로써 치료법 개발 및 환자 치료 속도를 가속화할 수 있으며 궁극적으로 전체 데이터 기초 환경 개선으로 사회에 크게 기여할 수 있습니다.

전체 신약 개발 프로세스는 다양한 데이터 유형과 그 복잡성 증가로 인한 다면적인 과제에 직면해 있습니다. 정보를 기반으로 한 신속한 의사결정을 위해서는 생물 활성, 단백체학, 약역학 데이터와 같은 생물학적 데이터 통합이 중요하며 최근 COVID-19 팬데믹과 같은 세계적인 보건 위기 상황에서 이러한 필요성이 강조되었습니다. 이러한 위기 상황에서는 시험 단계에서 임상 단계까지 지연되는 일이 없도록 빠른 신약 개발 및 승인이 필요합니다.

또한 신약 개발 분야는 이 방대한 데이터 스트림 관리를 위한 기술적 복잡성뿐만 아니라 절차상의 문제도 해결해야 합니다. 여기에는 비용 및 엄격한 규제 요구 증가에 대한 적응이 포함되며 결과적으로 강력한 데이터 관리 전략에 대한 필요성이 커집니다. 데이터의 양과 다양성이 계속 증가하면서 연구 팀은 중요한 의사결정 프로세스를 이행하기 위해 이 정보를 효율적으로 분석 및 활용해야 합니다.

일반적으로 계층화되고 사일로화된 부서가 특징인 전통적인 제약회사 조직 구조는 정보의 흐름과 협업을 크게 방해할 수 있습니다. 이러한 구조는 다분야 접근 방식이 필수적인 최신 신약 개발의 맥락에서 특히 문제가 됩니다. 부서 간 분리는 중복 노력으로 이어지며 여러 팀 간의 효과적인 통찰력 및 데이터 공유를 방해하여 시너지 기회를 잃고 비효율성은 증가하게 됩니다.

업계에서는 이러한 문제를 해결하기 위해 필요에 따라 연산 화학자, 의학 화학자, 구조/연구 생물학자, 항체 엔지니어링 팀, 임상 통계 전문가, 약사, 정량 생물학자를 한데 모으는 보다 통합된 팀 구조를 채택하는 경향이 눈에 띄게 나타나고 있습니다. 이러한 신규 모델은 학문 간 상호작용을 촉진하고 다양한 팀의 집단적인 전문성을 활용하므로 협업적 환경을 조성하는 데 중요한 역할을 합니다.

이러한 통합 구조는 보다 나은 커뮤니케이션을 촉진하고 정보 흐름의 장애물을 제거함으로써 신약 개발에 대한 보다 종합적인 접근 방식을 지원합니다. 이러한 혁신은 보다 빠른 문제 해결과 효과적인 혁신을 가능하게 해주며 궁극적으로 신약 개발 프로세스를 간소화하고 새로운 연구 결과 또는 규제 변화에 빠르게 대응할 수 있도록 역량을 향상시킵니다.

과학 발전의 속도가 빨라지면서 이러한 조직의 적응 역량이 더욱더 중요해지고 있으며 그에 따라 신약 개발 기술 및 방법의 빠른 진화를 따라잡기 위한 보다 민첩하고 대응적인 운영 모델이 요구되고 있습니다.

이러한 비효율성은 새로운 정보에 대응하고 그에 따라 전략을 수정할 수 있는 팀의 역량을 크게 저해합니다.이로 인해 개발 주기가 길어지고 신약 출시가 지연될 수 있습니다. 이러한 비효율성은 프로세스를 지연시킬 뿐만 아니라 중대한 재정적 손실을 가져올 수 있습니다. 프로젝트가 지연되면 시장 기회를 놓치고 투자 수익률이 감소하기 때문입니다. 또한 데이터를 최대한 활용하지 않으면 잠재력을 가진 신약 후보가 조기에 폐기되거나 완전히 간과되어 치료 혁신에 차질이 빚어질 수 있습니다.

데이터 큐레이션과 정리는 현재 기업의 주요 과제로, 부담스러운 프로세스로 판명되는 경우가 많습니다. 다양한 데이터세트를 통합하는 과정에서 이상 징후가 나타날 수 있으며 특정 데이터 세그먼트를 제거해야 하는지 여부와 제거로 인한 잠재적인 다운스트림 결과(과학 연구의 나비 효과와 유사)에 대한 중대한 의문이 제기됩니다.

여기서 큰 가치를 발휘하는 것이 바로 인공지능(AI)입니다. AI는 특히 데이터 통합에 따른 영향을 예측 및 관리하는 데 있어 보다 깊은 통찰력을 제공하고 예측 역량을 강화할 수 있는 잠재력이 있습니다. AI는 데이터 정리, 검증 및 큐레이션을 지원함으로써 이러한 프로세스를 크게 간소화하여 위험을 완화하고 처리된 데이터의 품질을 향상시킬 수 있습니다.

혁신적인 연산 기술, 특히 AI와 머신 러닝을 통합하는 플랫폼을 채택하고 이에 적응해야 하는 중요성이 커지고 있습니다.이러한 기술은 대규모 데이터세트를 보다 효율적으로 처리할 수 있으며 결과 예측의 정확도를 향상시켜 전체 신약 개발 파이프라인을 간소화할 수 있습니다. 예를 들어 AI는 약물-표적 상호작용 예측을 향상시키고 유망한 리드 물질을 최적화함으로써 초기 단계 신약 개발을 크게 촉진합니다.

신약 개발 산업에서 AI 구축의 최신 동향에 나타나는 주된 문제는 잠재적인 이점에 대한 명확한 전략이나 이해 없이 통합을 서두른다는 것입니다. 많은 조직이 조직의 강점과 AI를 활용하여 그 강점을 증폭시킬 수 있는 분야(예: 데이터 집계, 분자 시뮬레이션 또는 가상 스크리닝)를 파악하지 못하고 다양한 분야에서 AI를 활용하려고 합니다.

성공적인 AI 통합을 위해 중요한 단계 중 하나는 AI가 다양한 데이터세트를 활용하고 그 처리 작업을 강화하는 방법을 명확하게 정의하는 것입니다. 또한 고객의 운영 환경 내에서 이러한 데이터세트를 효과적으로 이해하고 연결하는 작업이 반드시 필요합니다. 여기에는 AI 솔루션과 기존 시스템을 원활하게 통합하고 AI에서 생성된 통찰력이 기존 데이터 포인트와 효과적으로 조정되도록 보장하는 작업이 포함됩니다.

AI의 진정한 가치는 여러 데이터세트 간의 커뮤니케이션을 촉진함으로써 인간보다 뛰어난 심층적인 데이터 분석을 가능하게 해준다는 것입니다. 결과적으로 보다 효과적인 후보를 빠르게 식별하여 신약 개발 자산 개발 속도를 크게 향상시킬 수 있습니다. 그러나 혁신적인 예측 모델링과 시뮬레이션을 가능하게 해주는 AI의 잠재력에도 불구하고 신약 개발 분야에서는 데이터세트에서 추출된 가치를 극대화하고 데이터 상호운용성을 향상시켜야 하는 과제가 아직 남아 있습니다. AI 성과/해석의 품질은 데이터 기초의 품질(양질의 데이터 소스, 잘 구조화된 데이터, 데이터세트 상호운용성/상호 커뮤니케이션 또는 연결, 데이터 다양성)로 결정됩니다.

따라서 데이터세트의 상호작용 방식과 AI가 복잡한 데이터 계층을 도출 및 해석하여 신약 개발에 직접 응용할 수 있는 의미 있는 통찰력을 제공할 수 있는 방법에 초점을 맞추어야 합니다. 이러한 접근 방식은 개발 프로세스의 효율성을 향상시키며 새로운 치료법을 개발하여 환자에게 보다 효과적으로 제공할 수 있도록 해줍니다.

신약 개발 환경의 급속한 변화에 따라 기업은 새로운 기술 채택과 함께 경쟁력 유지를 위해 비즈니스 모델과 운영 전략을 지속적으로 발전시켜야 합니다. 이러한 맥락에서 고급 데이터 소싱, 분석 및 관리 시스템 구현이 필수적입니다. 동시에 변화를 수용하고 조직 내 데이터 리터러시를 촉진하는 문화를 조성해야 합니다. 이러한 문화에서는 팀원들이 정보에 기반한 신속한 의사결정을 내릴 수 있으며 역동적이고 빠르게 반응하는 운영 모델을 쉽게 개발할 수 있습니다.

또한 데이터 무결성과 접근성을 확보하기 위해 유연한 데이터 거버넌스 체계가 필수적입니다. 이는 규제 준수를 지원하고 혁신을 촉진하며 환자를 위한 안전한 약물 치료법 개발을 가능하게 해주는 중요 구성 요소입니다. 이러한 포괄적인 적응은 기업이 오늘날 신약 개발 환경의 복잡성을 효과적으로 연구하여 새로운 과제와 기회에 대응할 수 있는 역량을 갖추는 데 도움을 줍니다.

신약 개발 분야에서 한 가지 중요한 개선 사례를 소개한다면 강화된 소프트웨어 도구 통합일 것입니다. 많은 실험실과 연구소에서 현재 효과적인 커뮤니케이션이 이루어지지 않는 여러 플랫폼을 사용하고 있으며 그로 인해 신약 개발 프로세스 지연과 비효율성 문제가 발생하고 있습니다. 이러한 도구 간의 상호운용성을 개선함으로써 새로운 치료법 개발 속도를 크게 향상시키고 신약 개발 프로세스의 전반적인 효과를 강화할 수 있으며 이는 궁극적인 환자 치료 성과 개선으로 이어집니다. 함께 혁신을 만들어 나가는 동료로서 궁극적으로 인류의 수명을 연장하고 질병을 완화할 수 있는 치료법을 환자에게 제공해야 합니다.