[필수] AI 신약개발 스크리닝, 직접 구축해보세요

지금 의약, 바이오업계에서 가장 뜨거운 관심사는 무엇일까요?
⌙ 네 맞습니다. 다른 분야와 마찬가지로, "AI를 신약개발에 어떻게 활용할까?"하는 고민입니다.

메디컬 교수님들의 고민도 마찬가지입니다. 국가 지원 연구 사업들(CK,BK 등)이 AI에 집중되어 있는 만큼 교수님들도 역시 "어떻게 AI를 활용해 연구를 기획하고 정부사업에 지원해 선정될 수 있을까"가 최근의 가장 큰 고민거리입니다.

무슨 이야기일까요? 그런 교수님들(입학사정관도 마찬가지)의 눈에 들기 위해서는 반드시 이 탐구를 가장 빠르게 생기부에 기재하셔야합니다.

대학의 평가자들이 가장 관심있는 주제에 대해 여러 레이어로 수직적인 활동을 쌓아나가는건 당연한 합격의 핵심입니다. 실험도구, 장비, 시약을 가지고 하는 고전적인 실험들보다 더 가치있으면서도(진로 역량을 더 잘 보여줄 수 있습니다) 물리적 제약을 받지 않아 당장 진행하기 쉽고, 또한 신선한(아직 생기부에 거의 작성되지 않은 차별화가 가능한) 소재라는 점에서 특히 고1/고2 학생들에게는 강력추천드립니다.

표적 단백질과 약물의 결합, 이건 우리 통합과학1에서도 나오는 개념입니다. 2026년 탐구에서는 교실에서, 수업 중에 발생한 질문에서 탐구가 시작되어야 한다는 점을 여러 교육부 발표들에서 강조하고 있는 만큼, 탐구 동기로서 이 부분을 확실하게 정리하고 가야합니다.

· 탐구 동기는 이러한 순서로 작성해주세요
❶ 통합과학1 '생명 시스템' 단원에서 효소와 기질의 결합 원리를 배웠고, 약물과 약물 타깃 사이의 결합도 같은 방식으로 일어난다는 사실을 추가 탐구를 통해 알게 됨.

❷ Insilico Medicine 관련 기사를 접하며, AI가 직접 표적 단백질(약물 타깃)을 찾아내고 그 결합 자리에 들어맞는 최적의 약물 분자를 디자인해 임상 2상까지 진입한 사례를 알게 됨.

❸ 더 나아가 가장 최근 자료에 따르면, 같은 방식으로 발굴된 약물 170개 이상이 이미 임상시험에 진입해 있다는 사실까지 확인하게 됨.

❹ 컴퓨터 수준에서만 구현되는 줄 알았던 AI가 실제 신약 개발에 활용되고 있을 뿐 아니라, 무려 170개에 달하는 약물 후보가 이미 임상시험에 진입했다는 사실을 확인하며, 통합과학1에서 배운 지식을 직접 활용해 나만의 AI 신약 스크리닝 모델을 구현해 보고, 미래 신약 개발의 표준으로 자리 잡을 가능성이 큰 새로운 방식에 대한 이해를 넓히고자 함.

우선, 관련된 교과 내용을 정리해보겠습니다.
(교과서, 부교재를 통해 직접 정리 하실 수 있습니다.)

#1 통합과학1 - 생명시스템

❶ 효소는 특정 화학 반응을 촉진하는 단백질 촉매로, 표면의 좁은 부위인 활성 부위(active site) 에 기질이 결합하면서 반응이 일어납니다. 기질은 이곳에 분자간 상호작용(수소결합·이온 결합·소수성 상호작용 등)으로 결합합니다.

❷ 효소와 기질이 어떻게 결합하는지를 설명하는 대표적인 고전 모델에는 두 가지가 있습니다. 그중 자물쇠-열쇠 모델은 1894년 에밀 피셔가 제안한 것으로, 효소의 활성 부위와 기질이 처음부터 자물쇠와 열쇠처럼 정확히 들어맞는 상보적 구조를 가진다고 보는 이론입니다.

이후 1958년 다니엘 코쉬랜드는 유도 적합 모델(induced fit) 을 제안했는데, 효소가 다소 유연한 구조여서 기질이 다가올 때 활성 부위의 형태가 기질에 맞게 변형된다는 설명으로 오늘날에는 대부분의 효소가 유도 적합 방식을 따른다고 봅니다. (고정된 것이 아니라 유연하게 변화한다는

❸ 효소가 한 종류 또는 비슷한 구조의 기질에만 작용하는 성질을 기질 특이성이라 합니다. 같은 원리가 약물과 약물 타깃(표적 단백질) 사이의 결합에도 그대로 적용되는데, 약 분자는 표적 단백질의 결합 자리에 분자간 상호작용으로 결합하며, 그 결합의 세기와 정확도가 약효를 결정하게 됩니다.

❗️신약 개발의 핵심 과제는 결국 "특정 표적 단백질의 결합 자리에 가장 잘 들어맞는 약 분자를 찾아내는 일"로, 이 단원에서 배운 효소-기질 결합 원리의 직접 확장이라 할 수 있습니다.

#2 통합과학1 - 자연의 구성 원소

❶ 분자의 물리화학적 특성과 입체 구조

원자 사이의 전기 음성도 차이로 인해 전자가 한쪽으로 쏠려 전기 쌍극자 모멘트를 가지면 극성 분자, 그렇지 않으면 비극성 분자입니다. 극성 분자는 물(자체가 강한 극성 분자)과 잘 섞여 친수성을 띠고, 비극성 분자는 물에서 밀려나 자기들끼리 모이는 소수성을 띠게됩니다.

(약물 분자도 마찬가지로 극성기(-OH·-NH₂·=O 등)가 많으면 친수성, 탄화수소 사슬·방향족 고리가 많으면 소수성이 됩니다. 이는 이 단원의 "공유 결합의 극성"과 "물질의 전기적 성질" 개념을 적용한 것으로 볼 수 있습니다.)

❷ 비공유결합 방식

(가) 이온 결합 — 양전하·음전하 잔기 사이의 정전기적 인력. 단일 이온 결합이 결합 친화도를 약 25배까지 높일 수 있습니다

(나) 수소결합 — 극성기 사이에서 생기는 약한 결합. 결합당 약 1.54.7 kcal/mol의 자유에너지를 기여하며, 분자 인식의 특이성을 결정하는 가장 핵심 요소입니다

(다) 소수성 상호작용 — 비극성 부위끼리 물에서 밀려나며 모이는 효과. 단백질-약물 복합체에서 가장 빈도 높은 상호작용입니다.

(라) 방향족(π-π) 상호작용 — 벤젠 같은 평면 고리들이 적층되며 발생. 양이온-π 상호작용까지 포함하면 결합 에너지를 25 kcal/mol 더 올릴 수 있습니다.

❗️ 이러한 물리화학적 특성과 결합 방식은 약물타겟과 약물 분자 사이의 결합에도 동일하게 영향을 미치는 것으로, 우리는 크기, 전하, 소수성 등 통합과학에서 배운 물리화학적 특성을 조절해가며 AI가 최적의 약물 후보를 찾아가는 스크리닝 모델을 구현하려고 합니다.

직접 구축한 AI 신약 스크리닝 모델

위 화면이 뜨지 않거나 느리면 페이지를 새로고침해주세요.

결합자리 크기, 전하, 소수성, 방향족고리, 극성기 등의 물리화학적 특성을 변화시켜 가면

⇢ 이는 약물과 약물타겟 사이의 분자간 결합 특성을 결정하게 되고
⇢ 결과적으로 최적의 결합을 나타내는 분자의 구조가 변하게 됩니다.

AI가 본격적으로 스크리닝에 활용되기 전 까지는, 이러한 과정은 CPU로는 며칠~몇주, HTS(High-Throughput Screening, 고속 대량 스크리닝)로는 100만개에 6개월 이상의 걸리던 작업이었는데요, 우리가 위 모델에서 직접 확인한 것 처럼, AI는 이 과정을 정말 획기적으로 단축시켰습니다.

• 실제로 모델에서 각 특성값을 조정하면, AI가 변화된 조건을 반영해 후보 물질의 적합도(약물타겟 - 후보물질의 결합 친화도)를 즉시 점수화하고 최적의 물질 구조를 탐색하는 과정을 확인할 수 있습니다.