핵심 요약
기존의 항체 개발은 막대한 시간과 비용이 소요되는 실험적 스크리닝에 의존해 왔다. Absci는 생성형 AI를 활용하여 특정 항원에 결합하는 항체를 처음부터 설계하는 데 노보(De Novo) 방식의 가능성을 입증했다. 특히 학습 데이터에 포함되지 않은 표적에 대해서도 결합력을 갖는 항체를 생성하는 제로샷(Zero-shot) 설계를 성공시켰으며 이를 습식 실험(Wet-lab)을 통해 검증했다. 이 기술은 신약 개발 주기를 획기적으로 단축하고 기존 방식으로 치료가 어려웠던 질병에 대한 대안을 제시할 것으로 기대된다.
배경
단백질 구조 및 항체 공학 기초 지식, 생성형 모델(Generative Models)의 기본 원리, 제로샷 학습(Zero-shot Learning) 개념
대상 독자
바이오테크 AI 개발자 및 단백질 공학 연구자
의미 / 영향
이 기술은 신약 개발의 초기 단계를 디지털화하여 비용을 낮추고 성공률을 높인다. 특히 희귀 질환이나 변이 바이러스와 같이 데이터가 부족한 분야에서 AI의 제로샷 설계 능력이 핵심적인 역할을 수행할 것이다.
섹션별 상세
Absci의 생성형 AI 플랫폼은 수십억 개의 항체 후보를 가상으로 생성하고 최적화하는 능력을 갖췄다. 이는 수개월이 걸리던 초기 항체 발견 단계를 단 몇 주로 단축하며 실험실에서의 시행착오를 최소화한다. 모델은 단백질의 서열과 구조적 특징을 동시에 학습하여 실제 생물학적 환경에서 작동 가능한 분자를 설계한다.
특정 항원인 HER2에 대한 결합 데이터 없이도 AI가 유효한 항체 구조를 설계하는 제로샷 데 노보 설계에 성공했다. 이는 AI가 단백질 구조와 결합 원리를 근본적으로 이해하고 있음을 시사하며 새로운 질병 표적에 대한 신속한 대응을 가능하게 한다. 기존의 라이브러리 기반 방식보다 훨씬 넓은 서열 공간을 탐색하여 최적의 결합 부위를 찾아낸다.
AI가 설계한 항체들을 실제로 합성하여 실험한 결과 높은 결합 친화도와 우수한 물리화학적 특성이 확인됐다. 특히 HCDR3 루프의 가변성을 극대화하면서도 안정적인 구조를 유지하는 설계 능력이 입증됐다. 습식 실험 데이터는 다시 AI 모델의 학습에 활용되어 설계 정확도를 지속적으로 개선하는 폐쇄 루프(Closed-loop) 시스템을 형성한다.
LeadOp 모델을 통한 최적화 과정은 결합력뿐만 아니라 면역원성 및 생산성 등 상업화에 필요한 다양한 지표를 동시에 고려한다. 이를 통해 임상 시험 성공 확률을 높이는 고품질의 후보 물질을 도출한다. 단순히 결합력만 높이는 것이 아니라 실제 약물로서의 가치를 갖도록 다중 목표 최적화를 수행하는 것이 핵심이다.
실무 Takeaway
- 생성형 AI는 항체 설계에서 제로샷 능력을 발휘하여 데이터가 부족한 신규 표적에 대해서도 유효한 후보 물질을 생성한다.
- AI 설계와 습식 실험의 긴밀한 루프 구축이 모델의 정확도를 높이고 신약 개발 효율을 극대화하는 핵심 요소이다.
- HCDR3와 같은 핵심 결합 부위의 정밀 설계는 항체의 특이성과 친화도를 결정짓는 가장 중요한 기술적 지표이다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료