Via Nova Therapeutics의 화학 부문 수석 이사, 벤 R. 태프트 박사와의 대담
지식의 범위가 끊임없이 확장되고 기술이 급격히 발전함에 따라 신약 개발 산업의 변화 속도는 매우 빠릅니다. 어제의 과제는 오늘의 기회가 되고, 내일이면 일상이 됩니다. 본 연재 기사에서는 신약 개발 전문가들과의 대담을 통해 이러한 과제와 기회의 교차점을 조명하고자 합니다. 이 논의들이 여러분께도 흥미롭고 통찰력 있는 시간이 되기를 바랍니다.
첫 번째 기사에서는 Via Nova Therapeutics의 의약 화학 부문 수석 이사인 벤 R. 태프트 박사와 함께 SAR 연구의 과제와 기회에 대해 이야기를 나눕니다.
CAS: 이 분야에 입문하신 이후 SAR 연구에서 가장 큰 변화라고 느끼시는 점은 무엇인가요?
벤: 데이터 환경의 변화입니다. 업계 전반의 디지털화 전환이 확실히 큰 영향을 미쳤습니다.이와 동시에 데이터 과학과 데이터를 시각화하고 해석하기 위한 도구들도 폭발적으로 증가했습니다. 디지털화로 데이터 접근성이 향상되면서, 모든 데이터를 연결하고 통합하여 다른 데이터와 연관 지을 수 있는 도구들이 개발되었고, 덕분에 팀의 업무 효율성이 크게 높아졌습니다. 이러한 도구들을 활용하면 데이터 속에서 트렌드를 파악하고 이전에는 불가능했던 새로운 관찰 결과를 도출할 수 있습니다.
여기에 머신러닝(ML)과 인공지능(AI)의 성장과 발전이 더해졌습니다. 이 모든 요소를 종합해 보면, 현재 데이터 분야에서 매우 흥미로운 일들이 많이 일어나고 있음을 알 수 있습니다.
CAS: ML을 언급해 주셔서 반갑네요. 요즘 ML에 대한 이야기가 정말 많습니다. AI와 ML이 신약 개발과 SAR에 어떤 영향을 미치고 있나요?
벤: 이 분야는 이제 막 시작 단계라고 생각하지만, 이미 구조 예측과 최적화 측면에서 영향이 나타나고 있습니다.저는 이 분야의 전문가는 아니지만, 아주 단순하게 말하자면 ML은 대규모 데이터셋이 있을 때 가장 큰 효과를 발휘한다고 이해하고 있습니다. 사람이 일일이 분류하기에는 너무 방대하고 복잡한 데이터셋에서 트렌드와 통찰을 찾아내는 데 유용하며, ML은 이를 매우 빠르고 효율적으로 분석할 수 있습니다. 예를 들어, 적절한 데이터를 충분히 확보한다면 용해도나 효소에 대한 생체 활성 등을 예측하여 새로운 구조를 설계하는 모델을 구축할 수 있습니다.
생체 활성 스크리닝을 위한 DNA 인코딩 라이브러리 활용은 데이터셋이 너무 커서 사람이 분석하기 어려운 좋은 예입니다. 이들은 DNA 인코딩 라이브러리 스크리닝을 통해 수십억 개의 데이터 포인트를 생성한 다음, 자체 맞춤형 ML 알고리즘을 사용하여 데이터를 분류하고 합성 및 재시험할 최적의 구조를 예측합니다.
하지만 이 분야에서 일하는 동료들이 항상 강조하듯, ML이나 AI 프로젝트의 결과물은 입력되는 데이터의 품질에 달려 있습니다. 모델의 품질과 실제 환경에서 작동하는 예측 능력은 데이터셋의 크기뿐만 아니라 데이터의 범위와 다양성에 의해 크게 제한됩니다.
CAS: AI와 ML을 사용하는 이점은 무엇이라고 생각하시나요? 단순히 업무 속도를 높이는 것인가요, 아니면 업무의 질을 향상시킨다고 보시나요?
벤: 단순히 효율성을 높이는 것을 넘어, 이전에는 예측하지 못했던 새로운 구조를 식별하고 놓치는 부분이 없도록 보완해 준다고 생각합니다.이렇게 생각해 보십시오. 일반적인 프로젝트에서는 후보 물질을 선정하기 위해 200개에서 2,000개의 새로운 약물 유사체를 합성하여 다양한 물리적, 화학적, 생물학적 특성을 미세 조정합니다. 각 화합물마다 10개에서 50개의 데이터가 연관되어 있으니, 데이터 양이 엄청난 셈이죠.
데이터를 시각화하여 트렌드, 임계값, 활성 절벽(activity cliffs)을 찾는 훌륭한 도구들이 있지만, 여전히 인적 오류가 발생할 가능성이 있고 무언가를 놓칠 위험도 있습니다. 하지만 AI와 ML을 활용하면 모델이 특정 트렌드나 관찰 결과를 바탕으로 우선순위를 정할 화합물을 제안하며 과학자의 보조 역할을 수행합니다. 모델이 추가 데이터를 제공함으로써 우리는 더 효율적으로 더 나은 결정을 내릴 수 있습니다.
물론 최종 결정을 내리기 위해서는 결국 새로운 화합물을 합성하고 실제 데이터를 확보해야 합니다.
사람들은 신약 후보 물질을 찾기 위해 200~2,000개의 화합물을 만드는 대신, 가능한 설계안 중에서 20~30개만 만들어도 충분하기를 기대하고 있습니다. 안타깝게도 아직 그 수준에 도달하려면 갈 길이 멀다고 생각합니다.
CAS: AI와 ML이 아직 갈 길이 멀긴 하지만, 오늘날 신약 개발 화학자들에게 이 기술들이 어떤 역할을 한다고 보십니까?
Ben: 저는 이 기술들을 신약 개발 과학자들이 가진 도구 상자에 추가된 하나의 도구로 봅니다. 결국 우리가 하는 일은 매우 복잡하고 미묘하며, 체외 연구 결과를 인간에게 적용하는 과정에는 불확실성이 너무나 많기 때문에, AI가 조만간 화학자들의 일자리를 대체할 것이라고는 생각하지 않습니다! 화합물을 인체에 투여하기 전에는 반드시 다양한 전임상 동물 종을 대상으로 안전성 및 독성 연구를 수행해야 합니다. 오늘날 우리가 아무리 많은 데이터와 소프트웨어, 기술을 보유하고 있더라도, 그러한 연구들이 여전히 인간에게 나타날 안전성 결과를 예측하는 가장 좋은 방법이기 때문입니다.
오늘날 우리가 사용하는 AI 및 ML 도구들은 신약 개발 과학자들의 업무를 지원하고 추가적인 통찰력을 제공하고 있습니다.
CAS: 이제 가상 세계에서 습식 실험실(wet lab)로 화제를 돌려보겠습니다. 저분자 화합물 신약 개발에서 가장 큰 병목 현상은 어디에 있다고 보십니까?
Ben: 어디를 보나 병목 현상이 존재합니다! 그중 하나는 새로운 화합물의 합성입니다. 리드 최적화 단계에서는 각 구조에 대해 수백, 수천 개의 새로운 유사체를 합성해야 합니다. 유사체 하나를 합성하는 데 몇 주씩 걸린다면, 특히 과학자들이 이 모든 노력을 조율하는 데 들이는 시간을 고려할 때 엄청난 시간과 비용이 소요되는 셈입니다.
그런 다음, 유사체가 확보되면 수십 개의 분석법을 통해 데이터를 수집하고, 방금 논의한 주기의 분석 단계로 넘어가야 합니다.
CAS: 이 병목 현상을 해결할 좋은 방법이 있을까요?
Ben: 제가 기대하고 있는 기술 중 하나는 마이크로스케일 화학 플랫폼입니다. 마이크로스케일 화학 플랫폼은 최첨단 로봇 공학과 소프트웨어를 활용하여 수십에서 수백 개의 새로운 약물 분자를 플레이트 형식으로 병렬 합성 및 정제할 수 있게 해줍니다. 이 플랫폼들이 흥미로운 이유는 이론적으로 설계, 합성, 테스트, 분석, 그리고 다시 설계로 이어지는 주기를 기존 방식보다 훨씬 빠르게 수행할 수 있게 하며, 더 많은 데이터를 더 빠르게 생성하기 때문입니다. 이를 통해 최적의 약물 유사체를 더 빨리 찾아내고 의사결정을 앞당길 수 있기를 기대합니다.
제가 이 플랫폼들을 좋아하는 이유는 ML이나 AI 플랫폼이 생성하는 계산된 데이터나 예측 데이터가 아닌, 실제 데이터를 생성한다는 점입니다. 이 플랫폼들은 연구할 유사체의 우선순위를 정하는 데 도움을 주는 것이 아니라, 실험을 즉시 완료하여 확실한 결정을 내릴 수 있게 해줍니다.
Ben: 예측 데이터와 경험적 데이터에 대한 이 논의는 기술과 관련하여 제가 강조하고 싶은 중요한 점을 시사합니다. 업계에 몸담으며 과학자로서 느낀 점은, 우리가 서로 다른 기술과 전략에 대해 이야기하는 데 많은 시간을 할애한다는 것입니다. 개별적으로 보면 이러한 기술들은 매우 훌륭한 도구이지만, 하나의 기술이나 전략이 모든 프로젝트에 적용되는 경우는 본 적이 없습니다.
To be a really great drug discovery scientist, you have to be well versed in all the different technologies and tools and strategies and evaluate their suitability for each project. There will always be caveats or differences between individual drug research projects that make one situation different from the other.
For example, AI is not going to help every project. There are so many different things you have to evaluate—the target, the drug product profile, the disease, the patient population, how the drug is administered, where the drug is administered—and all these different factors affect each project, making that project unique and different. No single tool like AI is always going to be the right solution for every project.
CAS: That’s a great point about choosing the right technology for your project! Let’s switch gears and talk about drug discovery in general, starting with small molecules. Why develop small molecule therapeutics? We’ve now got protein and antibody therapeutics, cell and gene therapies, antibody-drug conjugates, antisense oligonucleotides—where do small molecules fit in?
Ben: 아주 좋은 질문입니다. 방금 제가 말씀드린 요점과도 일맥상통하는데, 어떤 문제든 모든 상황에 맞는 단 하나의 해결책은 없으며 작업에 맞는 적절한 기술이 필요하다는 것입니다! 항체만이 가진 장점들이 분명히 있습니다. 혈장 내 반감기가 매우 길어 한 달에 한 번 투여가 가능하고, 표적 결합 능력이 매우 뛰어납니다. 하지만 한계점도 있습니다. 제조 비용이 매우 비싸고, 안정성을 확보하기 어려우며, 유통이 까다롭고, 주사제로 투여해야 한다는 점이 이상적인 투여 경로는 아닙니다. 마지막으로, 과학적으로 가장 중요한 점은 독특하게 설계되거나 조작되지 않는 한 세포막을 거의 통과하지 못한다는 것입니다. 따라서 세포막이나 조직 밖으로 돌출된 표적이 아니라면 세포 내 또는 세포막 내 생물학적 표적을 공략할 수 없습니다.
This is probably the biggest distinguishing factor between small molecules and biologics in general—with small molecules, you can optimize the properties to get into any tissue type you want, in any part of the cell compartment you want. In addition, in parallel, you can optimize the ADME or DMPK properties so that the drug can be administered in an oral tablet or capsule, which has proven to be the most preferred way that patients like to take drugs.
Small molecules are also typically cheaper to manufacture and have better storage, stability, and distribution properties.
But, again, there are going to be scenarios where your drug research program is perfectly suited for a biologic or any of these other new therapeutic modalities like cell therapies, radioligands, CRISPR, and so on.
There are all kinds of exciting new things coming into the market now and being developed, but no one of those technologies is going to apply to every single drug discovery project.
CAS: Speaking of drug projects, can you tell us a little bit about what your mission is at your current company, Via Nova Therapeutics?
Ben: 물론입니다! 우리는 거대 제약사들이 외면하는 중요한 바이러스성 질환에 영향을 미치고자 합니다.Via Nova는 Don Ganem과 Kelly Wong이 노바티스(Novartis)에서 분사하여 설립했습니다. 우리는 이미 시작했던 프로그램을 계속 진행할 뿐만 아니라, 거대 제약사들이 충분한 자원을 투입하지 않는 바이러스성 질환에 집중하며 새로운 연구 분야로 뛰어들고자 했습니다.
대형 제약사들은 일반적으로 B형 간염이나 HIV와 같이 만성적인 질환이 아닌 이상 바이러스성 질환에 큰 노력을 기울이지 않습니다. 하지만 그 외에도 충족되지 않은 수요는 매우 많으며, 코로나19는 이를 다시 한번 상기시켜 주었습니다. Via Nova는 BK 폴리오마바이러스와 같이 치료제가 전무한 급성 및 아급성 바이러스성 질환을 연구하고 있습니다.
CAS: 마지막 질문입니다. 신약 개발 과정에서 무엇이든 하나를 바꿀 수 있는 마법의 지팡이가 있다면 무엇을 바꾸시겠습니까?
Ben: 우리 업계의 가장 큰 문제는 크게 두 가지라고 생각합니다. 첫째, 일반 대중은 신약이 어떻게 발견되는지, 그리고 새로운 약물을 개발하는 데 얼마나 많은 시간과 노력, 비용이 드는지 잘 알지 못합니다. 바이오 제약 산업에 대한 투명성을 높이고 교육을 강화한다면 모두에게 도움이 될 것입니다.
둘째, 신약 발견 및 개발 연구에 대한 자금 조달 방식이 지나치게 제한적입니다. 기본적으로 모든 자금이 민간에서 나오기 때문입니다. 투자나 금융계에서 자금이 유입되다 보니 자본주의적 논리가 우선시됩니다. 가장 많은 지원을 받는 프로젝트는 환자에게 가장 필요한 것이 아니라, 수익 창출 가능성이 가장 높다고 판단되는 것들입니다. 이러한 결정은 과학적 수준까지 영향을 미쳐, 현재 치료제가 없는 질병을 완치할 수 있는 획기적인 아이디어를 가진 과학자라도 전 세계 환자 수가 적다는 이유로 사업성이 없다고 판단되면 지원을 받지 못하는 경우가 많습니다.
의학 연구와 신약 개발 연구의 우선순위가 정해지고 자금이 조달되는 방식은 장기적으로 어떤 질병이 우선시되고 약값이 어떻게 책정되는지에 부정적인 영향을 미칠 것입니다. 우리 업계의 자금 조달 방식과 그 어려움에 대해 더 많은 사람이 인식하고 교육받는다면, 정부나 사회적 재원 등 연구 자금을 조달할 새로운 모델을 고민하고 창의적인 해결책을 제시하는 사람들이 더 많아질 것입니다.
결국 저는 질병을 치료하거나 완치할 수 있는 약을 만들기 위해 신약 개발 분야에 뛰어들었습니다. 단순히 수익성이 높은 약이 아니라 환자에게 정말 필요한 약을 만드는 데 집중해야 합니다.
Ben은 2011년부터 의약 화학자로 활동해 왔습니다. 박사 후 과정을 마친 후 Novartis에 입사하여 종양학 분야의 초기 단계 연구를 수행했습니다. 이후 감염병 신약 개발 분야로 전환했으며, Novartis가 감염병 분야에서 철수할 때 Don Ganem과 Kelly Wong이 설립한 Novartis의 항바이러스제 스핀오프 기업인 Via Nova Therapeutics에 합류했습니다.
