연구 배경
신약 후보물질 발굴은 전통적으로 수십만~수백만 개의 화합물 라이브러리를 대상으로 한 고비용·장기간의 고처리량 스크리닝(HTS)에 의존해 왔습니다. 그러나 Graph Neural Network(GNN)를 핵심으로 하는 생성형 AI 모델은 이 패러다임을 근본적으로 바꾸고 있습니다. 원하는 약리 특성을 ‘설계 조건’으로 입력하면 AI가 직접 최적화된 신분자를 생성하는 de novo 설계 방식입니다.
GNN 기반 분자 생성의 원리
왜 Graph인가?
화학 분자는 원자(node)와 결합(edge)으로 이루어진 그래프 구조입니다. GNN은 이 그래프를 직접 처리하여 분자의 물리화학적 특성과 생물학적 활성을 학습합니다. SMILES 문자열 기반 모델보다 구조적 귀납 편향(inductive bias)이 강해 소규모 데이터에서도 우수한 성능을 보입니다.
핵심 아키텍처: 조건부 분자 생성
표적 단백질 구조(PDB)와 원하는 ADMET 프로파일(흡수, 분포, 대사, 배설, 독성)을 조건으로 주입하면, GNN 기반 VAE(Variational Autoencoder) 또는 Flow 모델이 조건에 최적화된 신분자를 반복 생성·평가합니다.
| 모델 | 핵심 기술 | 강점 | 대표 기업/연구 |
|---|---|---|---|
| REINVENT 4 | 강화학습 + RNN | 다목적 최적화 | AstraZeneca |
| DiffSBDD | Diffusion + GNN | 3D 포켓 기반 생성 | MIT |
| MolGPT | GPT-3 아키텍처 | 대규모 사전학습 | Insilico Medicine |
| GraphINVENT | GNN + 자기회귀 | 원자 단위 제어 | Molecular AI (AZ) |
주요 연구 결과
- GNN 생성 모델로 설계된 신규 EGFR 억제제가 기존 HTS 히트 대비 결합 친화도 15배 향상, 선택성 지수(SI) 200 이상 달성
- 생성 사이클 1회(약 72시간)에 약 50만 개 신규 분자 생성 후 ADMET 필터 적용 → 합성 가능한 후보 120종 도출
- 멀티태스크 GNN으로 혈뇌장벽(BBB) 투과성, hERG 독성, CYP 대사 안정성을 동시 예측 시 ROC-AUC 0.91 이상 달성
한계점 및 향후 과제
현재 AI 생성 분자의 가장 큰 허들은 합성 가능성(synthesizability)입니다. 컴퓨터가 설계한 분자가 실제 실험실에서 합성 불가능한 경우가 많아, 최근에는 합성 경로를 역방향으로 예측하는 레트로합성(retrosynthesis) AI와의 통합이 활발히 연구되고 있습니다. 또한 AI 생성 분자의 임상 성공률 데이터가 아직 부족하여, 장기적 검증이 필요한 상황입니다.
※ 본 포스트는 공개된 학술 논문 및 연구 보고서를 바탕으로 작성한 요약·해설입니다. 원문 데이터 및 도표는 해당 논문을 직접 확인하시기 바랍니다. 상업적 목적의 무단 인용·재배포를 금합니다.