Artificial Intelligence in Drug Discovery: A PRISMA-Based Systematic Review of Methods, Challenges, Taxonomy, and Evaluation Practices

과학자의 아이디어에서 시작된 새로운 약물을 약국 선반까지 가져오는 것은 기념비적인 과업입니다. 이는 보통 10년 이상의 시간이 걸리고 수십억 달러의 비용이 들지만, 잠재적인 약물의 대다수는 환자에게 도달하기도 전에 실패합니다. 이러한 실패의 대부분은 약물이 충분히 효과적이지 않거나, 테스트 과정 후반부에나 나타나는 해로운 부작{이데크트}트 때문입니다. 이 느리고 비용이 많이 드는 여정을 가속화하기 위해 연구자들은 인공지능에 주목해 왔습니다. 이 문맥에서 인공지능이란 모든 규칙을 일일이 프로그래밍하지 않고도 데이터를 통해 패턴을 찾아내고 예측을 수행할 수 있는 컴퓨터 시스템을 의미합니다. 이 분야에서 가장 강력한 도구 중 하나는 머신러닝(기계 학습)으로, 컴퓨터가 방대한 양의 정보를 분석하여 시간이 지남에 따라 스스로의 성능을 개선하는 방식입니다. 또 다른 핵심 개념은 신약 개발 파이프라인으로, 이는 질병 표적을 찾고, 수백만 개의 화학 화합물을 스크리닝하며, 가장 유망한 후보 물질을 안전한 의약품으로 정제해 나가는 단계별 과정을 말합니다. 수년 동안 이 과정은 인간의 직관과 느린 수동 테스트에 크게 의존해 왔으나, 가능한 화학적 조합의 수가 너무나 방대하여 인간의 노력만으로는 그 모두를 탐색할 수 없습니다.

최근 발표된 포괄적인 새로운 과학 문헌 검토 보고서는 인공지능이 이러한 과제를 해결하기 위해 현재 어떻게 사용되고 있는지를 정확하게 지도화했습니다. 마무드 아메드(Mahmud Ahmed)와 동료들이 이끈 이 연구의 연구진은 실험실에서 새로운 실험을 수행한 것이 아닙니다. 대신, 그들은 2019년에서 2026년 사이에 발표된 618개의 개별 과학 논문을 수집하고 분석하는 숙련된 기록 보관자 역할을 했습니다. 그들은 수백만 개의 기록이 담긴 세 개의 주요 데이터베이스를 검색하였으며, 인공지능을 신약 개발에 적용한 고품질 연구에만 집중하기 위해 중복되거나 관련 없는 연구들을 걸러냈습니다. 그들의 목표는 매년 수천 편의 새로운 논문이 등장하는 급성장하는 분야의 소음을 뚫고, 어떤 방법이 실제로 작동하는지, 분야가 어디로 향하고 있는지, 그리고 어떤 문제가 해결되지 않은 채 남아 있는지를 이해하는 것이었습니다. 그들은 혼란스러운 기술들의 집합을 구조화된 프레임워크로 정리하여, 과학자와 산업 리더들이 앞으로 나아가는 데 사용할 수 있는 명확한 지형도를 만들고자 했습니다.

이 검토 결과, 이 분야는 최근 몇 년 사이 폭발적으로 성장했음이 드러났습니다. 2019년에는 관련 연구가 11개에 불과했으나, 2026년에는 그 수가 159개로 급증하여 14배 증가했습니다. 이러한 연구에서 발견된 가장 흔한 접근 방식은 머신러닝이었으며, 이는 검토된 거의 모든 논문에 등장했습니다. 이 광범위한 범주 내에서, 인간의 뇌 신경망을 모델로 한 인공지능의 일종인 딥러닝(심층 학습)은 검토된 연구의 약 78%에서 사용되었습니다. 분자의 형태를 바탕으로 그 거동을 예측하는 정량적 구조-활성 관계(QSAR) 모델링과 같은 기존 방식들도 여전히 널리 사용되고 있지만, 새로운 기술들이 빠르게 부상하고 있습니다. 분자를 연결된 점들의 지도로 취급하여 그 구조를 이해하는 그래프 신경망(Graph Neural Networks)과 고급 언어 도구의 기반이 되는 기술인 트랜스포머(Transformer) 모델은 특히 지난 2년 동안 발표된 논문들에서 지배적인 힘이 되었습니다. 이러한 새로운 도구들은 단순히 기존의 것을 테스트하는 것을 넘어, 완전히 새로운 분자를 처음부터 설계하는 데 특히 탁ful합니다.

연구진은 이러한 발견들을 체계화하여, 어떤 인공지능 도구가 신약 개발 과정의 각 단계에 가장 적합한지를 보여주었습니다. 가장 빈번한 적용 사례는 컴퓨터가 수백만 개의 화학 화합물을 빠르게 테스트하여 질병 표적에 결합할 가능성이 있는 것을 찾아내는 가상 스크리닝(Virtual Screening)이었습니다. 이는 연구의 절반 이상을 차지했습니다. 두 번째로 흔한 분야는 인공지능이 이전에 존재하지 않았던 새로운 화학 구조를 발명하는 데노보 디자인(De Novo Design)입니다. 이러한 도구들은 강력하지만, 검토 결과 이 분야는 그것들이 얼마나 신뢰성 있게 작동하는지를 증명하는 데 여전히 어려움을 겪고 있는 것으로 나타났습니다. 주요 문제는 많은 연구가 성공을 판단하기 위해 단 한 가지 유형의 측정치만을 사용하며, 데이터가 불균형할 때 오해를 불러일일 수 있는 단일 점수에만 집중한다는 점입니다. 예를 들어, 데이터셋에 비활성 화합물이 대부분 포함되어 있다면, 모델은 단순히 모든 것이 비활성이라고 추측함으로써 매우 높은 정확도를 가진 것처럼 보일 수 있지만, 정작 중요한 소수의 활성 약물을 찾는 데는 실패할 것입니다. 검토 결과, 이러한 오류를 잡아낼 수 있는 구체적인 지표를 보고한 연구가 매우 적었으며, 이는 서로 다른 방법들을 공정하게 비교하는 것을 어렵게 만듭니다.

또 다른 중요한 발견은 컴퓨터 모델은 점점 더 정교해지고 있지만, 이러한 모델의 실제 세계 적용은 뒤처져 있다는 점입니다. 식별된 가장 큰 과제는 알고리즘 자체의 기술적 실패가 아니라, 이러한 디지털 예측을 실제 습식 실험(wet-lab experiments) 및 임상 시험에 통합하는 것의 어려움이었습니다. 검토된 연구 중 극히 일부만이 모델이 다른 환경에서도 작동하는지 확인하기 위해 완전히 새로운 독립적인 데이터로 모델을 테스트했습니다. 더욱이, 이러한 강력한 인공지능 시스템 중 상당수는 '블랙박스'와 같아서, 심지어 이를 만든 과학자들조차 왜 컴퓨터가 특정 예측을 내렸는지 완전히 설명하지 못합니다. 이러한 투명성의 부족은 새로운 의약품을 승인하기 전 명확한 설명을 요구하는 규제 기관들에게 큰 장애물이 됩니다. 또한, 이번 검토는 이 모델들을 훈련시키는 데 사용되는 데이터가 종종 불완전하거나 편향되어 있어, 컴퓨터 시뮬레이션에서는 잘 작동하지만 실제 생물학적 시스템에 적용했을 때는 실패하는 모델로 이어질 수 있음을 강조했습니다.

이 연구의 지리적 분포 또한 시사하는 바가 큽니다. 연구의 대다수는 중국, 미국, 인도에서 나오고 있습니다. 검토 보고서는 인도의 기여도가 이전에 인식되었던 것보다 크다고 언급하며, 해당 지역에서 혁신의 허브가 성장하고 있음을 시사했습니다. 급격한 성장과 인상적인 연구량에도 불구하고, 저자들은 이 분야가 중대한 전환점에 서 있다고 결론지었습니다. 기술은 새로운 약물 후보를 생성하고 그 특성을 높은 정확도로 예측할 수 있는 수준까지 발전했지만, 이러한 후보들을 검증하고 해석하며 안전하게 배치할 수 있는 인프라는 아직 준비되지 않았습니다. 이 검토는 다음 단계의 주요 과제가 단순히 더 큰 모델을 만드는 것이 아니라, 투명하고 재현 가능하며 유전 정보와 화학 구조를 결합하는 것과 같이 다양한 유형의 데이터를 가로질러 작동할 수 있는 시스템을 구축하는 것이라고 제언합니다. 이러한 격차를 메우기 전까지, 인공지능이 새로운 생명을 구하는 약물을 시장에 내놓는 시간과 비용을 획기적으로 단축하겠다는 약속은 부분적으로만 실현된 상태로 남을 것입니다.