Absci, 제로샷 생성형 AI를 통한 혁신적인 항체 설계 가속화

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

기존의 항체 신약 개발은 막대한 시간과 비용이 소요되는 시행착오 중심의 과정이었다. Absci는 생성형 AI를 단백질 공학에 접목하여 특정 표적에 결합하는 항체를 De Novo(처음부터) 설계하는 데 성공했다. 특히 학습 데이터에 없는 표적에 대해서도 항체를 생성하는 Zero-shot 능력을 입증하여 개발 기간을 수년에서 수주 단위로 단축했다. 이는 생물학적 제제 개발의 패러다임을 바꾸고 환자들에게 더 빠르게 치료제를 공급할 수 있는 가능성을 열어준다.

배경

Protein Engineering 기초 지식, Generative AI 및 Zero-shot Learning 개념, Antibody 구조(CDR loops 등)에 대한 이해

대상 독자

바이오테크 및 제약 분야 AI 연구자 및 단백질 공학자

의미 / 영향

이 기술은 신약 개발의 초기 단계를 디지털화하여 성공 확률을 높이고 비용을 절감합니다. 특히 제로샷 능력은 데이터가 희귀한 질병 치료제 개발에 있어 게임 체인저가 될 것입니다.

섹션별 상세

Absci는 생성형 AI를 활용하여 항체의 핵심 부위인 CDR-H3 루프를 포함한 전체 가변 영역을 설계하는 기술을 개발했다. CDR-H3는 항체의 다양성과 결합력을 결정하는 가장 중요한 부위이지만 구조적 복잡성으로 인해 설계가 매우 어렵다.

이 시스템은 Zero-shot 방식을 채택하여, AI가 이전에 본 적 없는 새로운 질병 표적에 대해서도 유효한 항체 후보 물질을 생성할 수 있다. 이는 특정 표적에 대한 방대한 실험 데이터 없이도 설계를 시작할 수 있음을 의미한다.

설계된 항체는 실험실에서 실제 결합력과 생물학적 활성이 검증되었으며, 기존 방식보다 훨씬 높은 성공률을 보였다. AI 모델은 수십억 개의 단백질 서열과 구조 데이터를 학습하여 단백질의 물리적, 화학적 특성을 이해한다.

이 기술의 도입으로 항체 발견 및 최적화 단계가 통합되어 전체 신약 개발 타임라인이 획기적으로 단축된다. 전통적인 방식이 수년이 걸렸다면, Absci의 플랫폼은 수주 내에 최적화된 리드 항체를 도출할 수 있다.

실무 Takeaway

생성형 AI를 항체 설계에 적용하면 CDR-H3와 같은 복잡한 단백질 구조를 효율적으로 생성하여 신약 후보 물질 발굴 속도를 극대화할 수 있다.
Zero-shot 학습 기법을 통해 데이터가 부족한 희귀 질병이나 신종 바이러스 표적에 대해서도 신속하게 항체 설계를 시작할 수 있는 유연성을 확보할 수 있다.
AI 기반의 De Novo 설계는 기존 항체 라이브러리 스크리닝의 한계를 넘어 자연계에 존재하지 않는 최적의 결합 구조를 찾아낼 수 있게 한다.

언급된 리소스

문서Absci Research