인공지능(artificial intelligence, AI)은 인간의 학습능력과 추론능력, 지각능력, 언어능력을 모방하고 실현한 인공물, 대개는 컴퓨터 프로그램을 뜻합니다. 오늘날 인공지능에 기반한 여러 컴퓨팅 기술은 신약 후보물질을 탐색하고 개발하는 단계에 적용되어 신약개발에 소요되는 비용과 시간을 줄이고 신약개발의 성공률을 높이는 데 활용됩니다.

임상시험은 약물의 안전성과 효능을 평가하기 위해 반드시 거쳐야만 하는 개발 과정으로, 의사와 환자가 최적의 진료를 결정하는 데 꼭 필요한 정보를 제공합니다. 오늘날 디지털 의료기술이 발전하면서 임상시험의 구체적인 수행 방식과 데이터 수집 방식도 바뀌기 시작했습니다. 특히 신체착용기기(wearable devices)와 스마트폰을 통해 일상에서 방대한 양의 의료데이터를 수집할 수 있게 되었습니다.

또한 환자에게 참여가 가능한 임상시험을 선별하고 추천해 주는 플랫폼을 개발하려는 시도도 늘어나는 중입니다. 임상시험 대상자 모집은 여전히 오랜 시간과 막대한 비용이 소모되는 비효율적인 단계입니다. 환자를 모집하는 의사나 임상연구 코디네이터는 방대한 양의 환자 기록과 관련 정보를 들여다 본 후 일일이 선정기준 평가를 수행합니다. 우리는 선정기준에 부합하는 환자를 찾고 모집할 때 인공지능의 학습 알고리즘을 사용할 수 있으리라 생각합니다. 인공지능을 활용하여 고되고 복잡한 환자 모집 절차를 간소화할 수 있습니다.

마찬가지로 임상 지식과 정보가 부족한 환자는 의사의 도움을 받지 않고는 본인에게 적합한 임상시험을 찾지 못합니다. 인공지능을 활용하여 임상시험 추천 플랫폼을 개발한다면 진단명 ∙ 병기 ∙ 환자 상태 ∙ 중증도 ∙ 위치 ∙ 개인의 선호를 고려한 임상시험을 추천하는 일이 가능합니다. 또한 챗봇(chatbot)과 음성 기반 인공지능 기술도 융합할 수 있습니다.

CCADD는 임상시험 선정기준 평가(eligibility assessment)와 환자 모집과 같은 임상시험의 운영은 물론 신약개발 전반에 인공지능 기술을 적용하고자 합니다. 인공지능 기술을 이용하여 환자를 선별한다면 환자 모집은 더욱 효율적으로 진행될 것입니다. 개별 환자의 연령 ∙ 성별 ∙ 질병 단계 ∙ 과거 이력 및 임상 조건을 다양한 기계학습(machine learning) 알고리즘으로 분석하면 환자가 선정기준에 부합하는지 보다 빠르고 정확하게 평가할 수 있습니다. 뿐만 아니라 딥러닝(deep learning)을 활용해 전자의무기록(electronic medical records, EMR)에 자연어로 저장된 임상 정보를 분석한다면 보다 실행 가능한 방식으로 임상시험 선정기준을 만족하는지 판단할 수 있습니다.

CCADD는 의약품 및 질병 레지스트리 ∙ 정부의 공개 데이터베이스 ∙ 병원의 전자의무기록(EMR) 자료를 효율적이고 원할하게 통합하는 정책 문제를 연구하고 있습니다. 이 연구는 국가임상시험지원재단(Korea National Enterprise for Clinical Trials, KoNECT)의 후원을 받아 실시했습니다.

본 연구에서 CCADD는 국내에서 임상시험의 계획과 수행에 활용 가능한 자료를 조사하고, 자원 통합을 가로막는 법 · 사회 · 문화적 장벽을 조사했습니다. 세부 연구주제는 아래와 같습니다.

- 국내 병원 EMR 데이터 통합 현황

- 공중보건 데이터와 병원 EMR 데이터 통합에 적용 가능한 기술

- 외국의 임상연구 시스템 메타데이터 모델 사례

- 통합형 임상연구 시스템을 위한 코디네이터 센터의 역할과 책임

후성유전학은 유전자의 염기서열이 변화하지 않는 상태에서 유전자 발현이 바뀌어 나타나는 변화를 연구합니다. 가장 큰 주목을 받는 후성유전학적 변화는 DNA 메틸화와 히스톤 변형인데, 두 가지 모두 DNA 염기서열을 바꾸지 않은 상태에서 유전자 발현에 영향을 미칩니다. 약물후성유전학/약물후성유전체학 연구는 후성유전학적 변화가 약동 · 약력학 변화와 약물의 반응 양상에 미치는 영향을 연구합니다. 사람의 후성유전학적 패턴은 노화나 격렬한 운동, 약물 복용 양상에 따라 변할 수 있습니다.

CCADD는 약물이 초래하는 후생유전학적 변화에 주목하고 있으며, 약물 간 후성유전학적 상호작용을 파악함으로써 약물상호작용이 야기하는 유해반응의 발생을 최소화하면서 효과를 보장할 수 있는 최적의 후성유전학적 특성을 발견하고자 합니다. 구체적으로는 기계학습을 활용하여 DNA 메틸화에 취약한 영역을 확인하는데, 약물 대사 효소를 발현하는 유전자에서 메틸화 양상이 다른 영역을 파악하는 중입니다.

인간의 약동학적 특성을 가장 잘 대변하는 모델은 단연 인간입니다. 전임상시험 결과만으로 인간의 약동 · 약력학적 특징을 예측하기란 쉽지 않습니다. 1998년 미국 국립암연구소 소장이었던 Richard Klausner 박사는 “암 연구의 역사는 쥐의 암을 치료하는 역사였다. 인간에게는 통하지 않았다.” 라고 말했습니다. 그 이후 20년이라는 시간이 흘렀음에도 불구하고, 오늘날 신약개발 연구자는 여전히 같은 문제로 고심하고 있습니다.

Microtracing/microdosing 연구는 기존의 의약품 개발 관행을 혁신할 수 있는 획기적인 신약개발 기술입니다. 일반적으로 microtracing/microdosing 시험에서는 100 마이크로그램 (생물의약품의 경우 30 nmoles) 미만의 미량의 약을 사람에게 투여합니다. 이 정도 용량은 약리학적 활성 용량의 1/100 정도이기 때문에, 전임상 독성시험을 다 실시하지 않더라도 초기 임상 개발단계에서 인체에 바로 투여할 수 있습니다.

이처럼 미량의 약물을 추적하기 위해 서로 표지한 약물을 환자에게 투여하고 가속질량분석기(accelerator mass spectrometer, AMS)를 이용해 약물 농도를 분석합니다. Microtracing/microdosing 임상시험을 활용하면 약동학적 프로파일 · 질량 수지 mass balance, 대사체 metabolite 프로파일링 및 절대적 생체이용률(absolute-bioavailability)을 더욱 값싸고 빠르게 측정할 수 있습니다.

이형기 교수는 2012년부터 정부의 지원을 받아 국내에 microtracing/microdosing 기술을 처음으로 도입했고, 지금까지 연구책임자로서 3 건의 임상시험을 성공적으로 끝마쳤습니다. 이형기 교수는 해당 기술이 성공적으로 국내에 정착하도록 노력해왔으며, 2014년 국내에서 처음으로 microtracing/microdosing 임상시험계획승인(investigational new drug, IND)을 받아 임상시험을 실시했습니다. 이 임상시험의 결과는 Clinical Pharmacology & Therapeutics에 게재됐습니다. 최근에는 10억원의 연구비를 지원 받아 생물의약품을 대상으로 microtracing/microdosing 임상시험을 실시하려고 준비 중입니다.