약물 재창출은 상당한 비용 및 시간 절감, 높은 규제 승인 성공률, 신속한 시장 진입 가능성 덕분에 제약 개발 분야에서 매력적인 전략으로 부상하고 있습니다. 인공지능(AI)이 재프로파일링 프레임워크에 도입됨에 따라 이러한 이점은 더욱 확대될 것이며, 프로세스 간소화와 발견 효율성 향상을 약속합니다. 이러한 높은 기대 속에서, AI가 약물 재창출 노력을 혁신할 잠재력을 충분히 발휘하려면 무엇이 필요할까요?
이 기사에서는 AI 기반 약물 재창출 프로젝트의 성패를 좌우할 핵심 고려 사항을 살펴봅니다.
다크 데이터와 접근성: 귀사의 데이터는 AI를 사용할 준비가 되었습니까?
AI 분석의 힘은 데이터에서 나옵니다. 방대한 정보로 구동되는 AI는 인간 분석가가 놓치기 쉬운 추세와 패턴을 발견하고, 재프로파일링 프로젝트를 가속화할 수 있는 실행 가능한 통찰력을 생성합니다.
가장 통찰력 있는 데이터를 활용하지 못하고 있지는 않습니까?
조직 지식의 약 55%를 차지하는 것으로 추정되는 “다크 데이터”는 기업이 시간이 지남에 따라 축적하지만 다른 목적으로는 사용하지 않는 비정형 정보를 의미합니다. 일반적으로 통합되지 않은 채 분절된 시스템 내에 저장되는 이 데이터는 접근성이 제한적이며, 이는 운영 효율성 개선 및 약물 재창출 노력을 앞당길 수 있는 전략적 AI 분석으로의 통합을 저해합니다.
다크 데이터에는 다음이 포함될 수 있습니다:
- 중단된 임상시험과 같은 미발표 및 보관된 임상시험 보고서.
- 보험 청구, 전자 건강 기록(EHR), 환자 병력과 같은 실제 데이터(RWD).
최근 사례에서 볼 수 있듯이, 다크 데이터와 AI 기술을 결합하면 기존 약물의 새로운 치료 용도를 성공적으로 발견할 잠재력이 있습니다. 그러나 잠재된 데이터를 활용하여 재프로파일링 노력을 뒷받침하지 못하는 조직은 유망한 전략을 놓친 기회로 전락시킬 수 있습니다.
2020년, Insitro와 Bristol Myers Squibb은 AI 지원 스크리닝 플랫폼과 보관된 임상시험 데이터를 사용하여 새로운 표적을 식별했습니다(근위축성 측삭 경화증(ALS) 및 전두측두엽 치매 대상).
데이터 다양성과 예측 정확도: AI 모델을 신뢰할 수 있습니까?
데이터 다양성은 AI 모델의 정확도에 매우 중요하며, 특히 약물 재창출과 같이 중요한 분야에서는 더욱 그렇습니다. 제한된 데이터로 학습하고 운영되는 AI 모델은 분석 결과와 생성된 통찰력의 품질에 영향을 미쳐 전략적 이점을 훼손하고 약물 재창출 워크플로를 방해할 수 있습니다.
데이터 다양성 부족은 다음과 같은 결과를 초래할 수 있습니다.
- 모델 검증 미흡 및 제한된 성능— 동질적인 데이터로 AI 모델을 학습시키면 특정 시나리오에만 학습이 국한되어 패턴 인식 능력이 저하됩니다. 이는 중요한 통찰력을 간과하게 만들고 모델의 범용성을 떨어뜨려 약물 재창출 노력을 저해할 수 있습니다.
- 편향 및 오도된 통찰력— 편향되거나 대표성이 없는 데이터로 AI 알고리즘을 구동하면 왜곡된 통찰력이 생성되어 잘못된 의사결정으로 이어질 위험이 있습니다. 이는 특정 집단에 효과가 없거나 안전하지 않은 약물 재창출 권고안을 도출하여 임상 적용 시 부작용을 초래할 수 있습니다.
- 거짓 양성 및 자원 낭비— 편향된 데이터에 기반한 AI 예측에 의존하면 거짓 양성(false positive)이 발생하여, 실제로는 유효하지 않은 약물 재창출 후보를 잘못 선택하게 될 수 있습니다. 이는 시간과 재정적 자원을 낭비할 뿐만 아니라 더 유망한 후보 물질에 집중할 기회를 앗아갑니다.
다크 데이터를 학습 및 분석 데이터셋에 통합하면 데이터 다양성을 높이고 정보 편향을 방지하는 데 도움이 됩니다. 그러나 예측 알고리즘의 역량을 강화하려면 조직은 내부 자원을 넘어 데이터베이스를 보강하고, AI 모델의 견고성을 높이며, 약물 재창출을 가속화할 수 있는 정밀한 예측 환경을 조성해야 합니다.
2024년, 연구진은 10년간의 실제 임상 데이터(RWD)를 활용한 머신러닝 모델을 통해 수천 건의 임상 시험을 시뮬레이션하고 알츠하이머병 치료를 위한 5가지 약물 재창출 후보를 식별했습니다.
데이터 품질과 신뢰성: 귀사의 데이터 기반은 얼마나 탄탄합니까?
다양한 데이터를 풍부하게 보유하는 것은 제약 개발 분야에서 AI의 잠재력을 크게 높이고 재창출 파이프라인을 가속화할 수 있습니다. 하지만 데이터의 양이 곧 데이터의 질을 의미하는 것은 아닙니다.
AI 기반 분석을 구동하기 위해 단순히 방대한 양의 정보를 축적하는 것만으로는 신뢰할 수 있는 결과를 보장할 수 없습니다. 이를 위해서는 조직이 각 데이터의 다음 요소를 보장해야 합니다.
- 완전성: 모든 데이터셋이 포괄적인지 확인하고, 누락된 값을 채우며, 분석에 영향을 줄 수 있는 데이터 공백을 식별하십시오.
- 정확성: 데이터가 실제 상황을 반영하는지 검증하고, 데이터 품질 평가 과정에서 발견된 오류나 이상치를 수정하십시오.
- 일관성: 모든 데이터 소스 간의 형식, 값, 구조를 조화시켜 분석 및 통합을 용이하게 하십시오.
- 관련성: 특정 연구 목표나 프로젝트 요구사항에 맞춰 데이터를 정렬하여, 고려 중인 통찰력이나 의사결정에 직접적으로 기여하도록 하십시오.
디지털 기술의 발전과 데이터 공유 이니셔티브로 방대한 정보에 쉽게 접근할 수 있게 되었지만, AI 기반 재창출 전략의 성공을 보장하고 비용이 많이 드는 실수를 방지하려면 데이터를 검증하고 정제하는 과정이 필수적입니다.
실제 사례: 신약 개발 기업인 Insilico Medicine은 메이요 클리닉(Mayo Clinic), 하버드 의과대학 등 주요 기관과 협력하여 방대하고 잘 정제된 임상 데이터에 접근함으로써 AI 플랫폼을 강화했습니다. 이를 통해 루게릭병(ALS)과 같은 질병에 대한 새로운 약물 재창출 기회를 발견했습니다.
지식 관리: 성공적인 AI 지원 약물 재창출의 중추
약물 재창출 프레임워크가 인지 기술에 더욱 의존하게 됨에 따라, 조직은 데이터 관련 문제를 해결하고 AI의 잠재력을 극대화하기 위해 정보 수집, 정제, 저장 방식을 재평가해야 합니다. 이것이 바로 최근 몇 년간 지식 관리 전략이 더욱 중요해진 이유입니다.
적절한 지식 관리 솔루션에 투자하면 데이터의 가용성, 다양성, 품질을 보장하여 AI 기반 약물 재창출 전략에 원활하게 통합할 수 있습니다. 그러나 프로젝트 요구사항과 목표에 부합하는 올바른 접근 방식을 선택하고 배포하려면, 데이터 통합 장벽을 극복하고 재창출 노력을 한 단계 더 발전시키기 위한 지식 관리 옵션에 대한 깊은 이해가 필요합니다.
효과적인 지식 관리 솔루션을 알아보려면 이 백서를 다운로드하십시오.
성공적인 AI 기반 약물 재창출 전략: 핵심은 데이터입니다
AI가 약물 재창출 워크플로우의 중심이 됨에 따라, 제약 회사는 모델을 구동하는 데이터를 면밀히 검토하여 잘못된 투자를 방지하고 관련 위험을 줄여야 합니다. 첨단 데이터 기반 기술의 핵심 요소를 이해함으로써 조직은 효과적인 지식 관리 솔루션을 구축 및 배포하여 AI 기반 약물 재창출 전략을 강화하고, 수백만 환자의 삶을 변화시킬 치료적 돌파구의 토대를 마련할 수 있습니다.
