위기 상황이 요구하는 새로운 접근
세계는 효과적인 항생제가 부족해지고 있으며, 그 결과는 이미 인명 피해로 나타나고 있습니다. 항미생물 내성은 박테리아 및 기타 병원체가 이들을 죽이도록 설계된 약물에 대한 저항력을 진화시킬 수 있는 능력으로, 매년 약 127만 명의 목숨을 빼앗고 전 세계적으로 약 500만 명의 사망에 기여합니다. 새로운 항생제 약물의 개발 파이프라인은 수십 년 전과 비교하면 극히 일부로 축소되었으며, 제약 회사들은 연구 투자를 더 수익성 있는 치료 영역으로 전환했습니다. 이러한 증가하는 위기 속으로 펜실베이니아 대학교의 과학자인 세사르 데 라 푸엔테가 등장했습니다. 그는 항생제가 어디에서 나오는지, 그리고 어떻게 발견되는지에 대한 근본적인 재검토를 주도하고 있습니다.
데 라 푸엔테의 접근 방식은 약물 발견에 있어 패러다임의 전환을 나타냅니다. 토양 샘플과 미생물 배양에서 항미생물 활성을 스크리닝하는 전통적인 경로를 따르는 대신, 이는 20세기 중반의 황금기 이후로 수확량이 감소했습니다. 그는 인공지능을 사용하여 어떤 인간 연구자도 수동으로 분석할 수 없는 방대한 생물 데이터베이스를 탐색하기 시작했습니다. 그 결과는 놀라웠으며, 아무도 주목하지 않았던 장소에 숨겨진 잠재적 항생제 화합물을 드러냈습니다.
멸종한 생물의 게놈 채굴
데 라 푸엔테의 가장 인상적인 연구 방향 중 하나는 멸종한 생물의 게놈에서 항미생물 펩타이드를 찾는 것입니다. 항생제 활성과 관련된 구조적 특징을 인식하도록 훈련된 기계 학습 알고리즘을 사용하여, 그의 팀은 네안데르탈인, 데니소바인, 그리고 다른 고대 인류의 재구성된 유전 서열을 분석했습니다. AI는 실험실에서 합성했을 때 현대의 약물 내성 박테리아에 대해 진정한 항미생물 활성을 보여주는 펩타이드를 확인했습니다.
이 개념은 우아하면서도 도발적입니다. 이들 고대 생물은 수십만 년의 자연 선택을 통해 항미생물 방어를 진화시켰지만, 관련된 특정 펩타이드는 종이 멸종했을 때 과학에서 손실되었습니다. AI를 사용하여 재구성된 게놈에서 이들 화합물을 확인함으로써, 데 라 푸엔테는 사실상 영원히 손실되었다고 생각되는 약학 저장소를 부활시키고 있습니다. 이는 분자 고고학의 한 형태로, 계산 도구를 사용하여 먼 과거에서 의학적 가치를 추출하는 것입니다.
이 접근 방식은 호미닌에 국한되지 않습니다. 데 라 푸엔테의 팀은 검은 털 매머드, 고대 해양 생물, 그리고 다른 멸종한 종들의 게놈으로 검색을 확장했으며, 각각은 작용 메커니즘이 새로운 항미생물 화합물을 개발했을 가능성이 있는 고유한 진화 계통을 나타냅니다. 소스의 다양성은 전략적 이점이며, 박테리아는 결코 마주친 적 없는 화합물에 대해 미리 존재하는 내성을 가질 가능성이 낮습니다.
약국으로서의 인체
평행한 연구 라인에서, 데 라 푸엔테는 AI의 관심을 내향으로 돌려, 인체가 생산하는 단백질과 펩타이드를 검사했습니다. 인간 프로테옴은 구조적 지지에서 면역 방어에 이르기까지 광범위한 생물학적 기능을 하는 수천 개의 단백질을 포함합니다. 기계 학습 모델로 이들 단백질을 분석함으로써, 그의 팀은 항미생물 특성을 나타내지만 잠재적 약물 후보로 결코 인식되지 않았던 단편을 확인했습니다.
이 발견은 심오한 의미를 가집니다. 인간 단백질에서 효과적인 항생제를 유도할 수 있다면, 생체 적합성 측면에서 그리고 부작용 감소 측면에서 이점을 제공할 수 있습니다. 면역계는 감염에 대한 일차 방어선의 일부로 항미생물 펩타이드를 사용합니다. 데 라 푸엔테의 업무는 신체가 이전에 인식된 것보다 훨씬 더 큰 항미생물 화합물의 무기고를 포함할 수 있으며, 치료 약제로 확인되고 개발되기를 기다리고 있음을 시사합니다.
AI가 어떻게 작동하는가
데 라 푸엔테의 연구의 핵심에 있는 기계 학습 시스템은 펩타이드의 아미노산 서열과 그 항미생물 활성 사이의 관계를 학습함으로써 작동합니다. 알려진 항미생물 펩타이드와 그들의 특성의 데이터베이스에서 훈련받아, 모델은 다양한 유형의 병원체에 대해 활성을 예측하는 구조적 특징에 대한 이해를 개발합니다. 그들은 새로운 서열을 스캔할 수 있으며, 고대 게놈, 인간 단백질, 또는 환경 DNA에서 오든, 각 후보가 유용한 항미생물 특성을 가질 확률을 할당합니다.
이 계산 접근 방식의 규모가 그것을 변혁적으로 만드는 것입니다. 전통적인 항생제 스크리닝은 1년에 수천 개의 화합물을 평가할 수 있습니다. 데 라 푸엔테의 AI 시스템은 며칠 안에 수백만 개의 후보 서열을 분석하여 실험실 검사에 대한 수백 개의 유망한 리드를 확인할 수 있습니다. 이 극적인 발견 프로세스의 가속화는 항미생물 내성 위기의 긴급성이 주어진 중요합니다.
유망한 후보가 계산 방식으로 확인되면, 팀은 실험실에서 그들을 합성하고 약물 내성 박테리아의 패널에 대해 그들을 테스트합니다. 적중률은 전통적인 스크리닝 방법과 비교할 때 놀랍도록 높으며, 거대한 데이터셋에서 진정한 항미생물 화합물을 확인하는 AI의 능력을 검증합니다. 실험실에서 활성을 보이는 것들은 동물 모델에서 안전성과 효능을 평가하기 위해 추가 검사를 통해 진행합니다.
발견에서 임상 적용까지
계산 발견을 임상 치료로 번역하는 도전은 여전히 상당합니다. 약물 개발은 길고 비싼 프로세스이며, 제약 회사들을 항생제에서 멀어지게 한 경제적 인센티브는 크게 변하지 않았습니다. 데 라 푸엔테는 새로운 기금 모델의 필요성, 새로운 항생제의 시장을 보장하는 정부 지원 풀 인센티브를 포함하여, 유망한 발견이 실험실에서 죽지 않도록 보장하기 위해 목소리를 높여왔습니다.
이들 도전에도 불구하고, 이 업무는 수십 년 동안 비관주의로 정의된 분야에서 진정한 낙관의 이유를 나타냅니다. AI가 잠재적 항생제 화합물의 우주를 극적으로 확장할 수 있음을 보여줌으로써, 데 라 푸엔테는 다른 연구자들이 지금 통과하고 있는 문을 열었습니다. 세계 각지의 팀들은 유사한 계산 접근 방식을 채택하고 있으며, 마침내 내성 감염의 출현과 그들을 치료할 새로운 약물의 개발 사이의 간격을 좁히기 시작할 수 있는 증가하는 세계적 노력을 만들고 있습니다.
이 시각은 야심적이지만 실제 결과에 기초하고 있습니다. 미래의 항생제는 수천 년 전에 사라진 종의 게놈, 우리 자신의 몸의 단백질, 또는 지구상의 모든 생태계의 미생물 다양성을 목록화하는 방대한 메타게노믹 데이터베이스에서 올 수 있습니다. 인공지능 덕분에, 우리는 이제 그들을 찾을 수 있는 도구를 가지고 있습니다.
이 기사는 MIT Technology Review의 보도를 기반으로 합니다. 원문 기사를 읽으십시오.
