제약 제형·약물 후보 예측 및 표적 분자 생성 연구

Pharmaceutical Formulation/Drug Candidate Prediction and Target-Specific Molecular Generation

연구 내용

약물-지질 복합체 형성, 경구용 붕해막/서방형 제형, 표적 단백질에 맞는 소분자 생성을 딥러닝과 생성모델로 예측·생성하는 연구

제형 및 후보 선별 과정에서 소용량·불균형 데이터로 인한 성능 저하를 줄이기 위해 PCA 기반 차원 축소, VAE 및 생성적 적대 신경망을 결합한 예측 모델을 구성합니다. 붕해 시간과 용출 프로파일처럼 상관 구조가 복잡한 목표에 대해 딥러닝 분류·회귀 프레임을 적용하고, 데이터 부족 문제는 WGAN 같은 generative model로 완화하는 방향을 취합니다. 또한 약물-인산지질 복합체 형성 여부를 CNN 기반 표현학습으로 추정하여 in vitro 실험 비용을 절감하는 접근을 수행합니다. 표적 특이 소분자 설계에서는 Transformer 기반 생성 모델에 adapter 기반 미세조정을 적용해 소데이터 환경에서의 생성 품질을 개선합니다.

관련 프로젝트

0건

연구 흐름

2022년에는 amorphous solid dispersion 및 제형 관련 물성 예측에서 데이터 전처리와 불균형 학습 문제를 함께 다루는 모델링을 수행했습니다. 이후 2023년에는 약물-지질 복합체 형성 예측으로 범위를 확장하고, VAE와 PCA, skip connection을 조합해 복잡한 약물-지질 상호작용을 학습하는 방향으로 발전시켰습니다. 2022~2024년에는 경구용 빠른 붕해막과 서방형 매트릭스 정에서의 disintegration time 및 누적 용출 프로파일 예측으로 구체화를 진행했습니다. 최근에는 표적 단백질에 대응하는 분자 생성에서 adapter 기반 fine-tuning을 도입하여 소데이터 조건에서도 타깃 특이성과 생성 타당성을 동시에 고려하는 흐름을 보입니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

OFDF 붕해 시간 예측
SRMT 누적 용출 프로파일 예측
약물-지질 복합체 형성 여부 스크리닝
소분자-표적 특이성 강화
WGAN 기반 데이터 보강
VAE 기반 잠재표현 추정
PCA 기반 전처리 최적화
불균형 데이터 학습 안정화
생성 모델 기반 후보 후보군 확장
제형 설계 의사결정 보조