[디지털비즈온 김맹근 기자] 새로운 생물의학 R&D 가치사슬의 가장 흥미로운 개발을 고려할 때, 우리는 다섯 가지 요소를 식별했다. 질병 이해, 치료적 저체질 생성, 치료적 모달리티 혁신, 실리코 및 체외 검증 방법, 임상적 및 현실적 근거 피드백이다. 이러한 요소는 진보의 정도를 나타낸다. 일부는 잘 확립되어 있고, 다른 일부는 아직 널리 채택되거나 완전히 검증되지 않았으며, 어떤 것이 가장 큰 영향을 미칠지는 아직 명확하지 않다. 그럼에도 불구하고, 이들의 집단적 힘은 논란의 여지가 없다.

질병에 대한 이해

질병을 치료하기 위한 더 많은 그리고 더 나은 치료법을 개발하고 예방하는 데 있어 더 빠른 진행을 방해하는 주요 요인은 근본적으로 건강과 질병의 모든 다양한 징후를 이해하는 메커니즘에 대한 제한된 이해한다. 20년 전 인간 게놈 지도 작성은 인류 생물학에서 많은 새로운 연구의 길을 열어주는 중요한 진전이었다. 하지만, 유전자는 건강과 질병의 광범위한 퍼즐의 일부일 뿐이고, 그 것만으로는 대부분의 질병과 씨름할 수 있는 완전한 그림을 제공하지 않는다.

오늘날 중요한 진보에는 AI가 분석할 수 있는 방대한 양의 시험관내 데이터 생성을 위한 세포 도색, 인구 전체의 다량체 측정(특히 전사체학 및 프로테오믹스), 익명의 전자 건강 기록과 같은 새로운 실험 접근법이 포함된다. 이를 통해 의료 업계는 공존, 질병 진행 및 개인 간의 차이를 고려하여 인간의 건강 상태와 질병 상태를 보다 정확하게 시뮬레이션하고 정의할 수 있다.

치료적 저혈증 발생

질병에 대한 보다 총체적이고 데이터 중심적인 이해는 치료 가설의 체계적이고 확장 가능한 생성을 위한 길을 열어준다. 오늘날 과학자들은 돌파구를 찾기 위해 특정 질병이나 바이오마커와 관련된 개별 세포 유형이나 경로를 탐색하는 경향이 있다. 세 가지 전선에서 진행 중인 진전은 바뀔 것이다. 이를 통해 질병과 관련된 이전에는 알려지지 않았던 생물학적 상호의존성을 발견하기 위한 데이터의 신속한 탐색과 가설의 신속한 생성을 촉진한다.

더 많은 데이터에 대한 접근성 향상은 더 많은 양의 질병 데이터와 더 다양한 질병 데이터가 있을 뿐만 아니라 종종 이러한 데이터에 대한 접근도 용이한다. 이는 오픈 액세스 데이터베이스의 출현에 힘입은 바가 크다. 예를 들어 게놈 데이터, 생체 분자의 구조 및 기능 데이터, 스크리닝 데이터는 모두 오픈 액세스 데이터베이스에서 사용할 수 있다. 이러한 데이터는 주의 깊게 사용한다면 과학자들이 기존의 약물을 기존의 목표물용으로 바꾸고 새로운 약을 설계하기 위한 가설을 테스트하는 데 도움이 될 수 있다.

기술 지원자 저렴하고 풍부한 컴퓨팅 능력, 양자 컴퓨팅의 등장, 머신 러닝 방법은 바이오의학에서 점점 복잡해지는 분석 작업을 해결하는 데 도움이 되는 도구 중 하나입니다.

in silico 가설 생성 자동화는 실리코 내 가설 생성을 자동화하면 질병과 경로 간뿐만 아니라 질병과 유전자, 영양 및 행동과 같은 다수의 다른 요인 간의 이전에는 확인되지 않은 상관 관계를 높은 처리량 탐색할 수 있다. 그것은 또한 가설을 왜곡하고 과학의 더 확립된 분야에서 사용되는 가설을 개선하는 데 도움을 줄 수 있다.

치료-모달리티 혁신

보다 나은 질병 이해와 과학 기술의 발전은 질병이나 환자에 특화된 코드와 같은 치료법으로 이어질 수 있다. 예를 들어 CRISPR-Cas9, mRNA 및 RNAi를 포함한 여러 새로운 양식 플랫폼이 유전자 코드를 대상으로 합니다. 이러한 유형의 치료제는 생물학적 문제를 생물학적 모델이나 약물 후보로 빠르게 변환하여 초기화를 가속화할 수 있다는 추가적인 이점을 가지고 있다.

mRNA의 선형 코드 같은 배열 때문에, 예를 들어 표적 항체나 작은 분자 억제제를 식별하고 합성하는 것보다 암에 미치는 영향을 테스트하기 위해 설계하고 합성하는 것이 더 쉽다. 공학적 세포(면역 및 재생 치료법 등), 다기능적 형태(항체 약물 결합체 및 단백질 분해 표적 키메라 등) 및 합성 미생물(내장 마이크로바이옴의 균형을 재조정하는 것 등)은 많은 다른 새로운 형태 목록 중 하나이다. 모달리티 혁신은 생물 공학에만 국한되지 않습니다. 예를 들어, 개선된 계산 방식은 보다 정밀하게 설계된 작은 분자로 이어질 수 있다.

한편, 재료 과학 및 합성 생물학과 같은 분야의 발전은 (예를 들어 더 나은 전달, 더 많은 내구성 또는 더 적은 면역 발생을 통해) 기존 양식을 더욱 개선하거나 새로운 양식을 개발하는 데 도움이 될 것이다. 그리고 머지않은 미래에는 오늘날 의사들은 표준 치료법에 대한 환자의 반응이 좋지 않을 때에만 종종 탐구하는 개인화된 중재법의 조합을 설계, 개발 및 테스트할 수 있을 것이다. 이러한 조합(아마도 AI 지원 수술에 이어 처방된 약물, 디지털 치료 및 마이크로바이옴 이식, 그리고 상태를 모니터링하기 위해 웨어러블 기기에 연결된 앱 등)은 이들 간의 시너지를 극대화할 수 있도록 신중하게 설계될 것이다.

실리코 및 시험관내 유효성 검사 방법

오늘날 과학자들은 환자의 유전자 구성을 복제하거나 질병의 세포 환경을 나타내는 빠르고 높은 처리량의 셀 온 칩 또는 장기 온 칩 테스트 모델을 생성할 수 있다. 마찬가지로, 유기체는 인간 장기의 3차원 환경을 재현하고, 잠재적으로 동물 모델을 사용하여 달성한 것보다 더 정확한 결과를 이끌어낸다. 동물 모델은 종 간의 모든 생물학적 차이를 고려하지 않습니다. 그리고 기관의 넓은 환경을 고려하지 않는 표준화된 세포주보다 더 정확한 결과를 이끌어낸다.

과학자들이 체외 모델을 통해 질병에 대해 더 많이 알수록, 그것을 반영하는 실리콘 모델을 설계하는 것이 더 쉬워진다. 과학자들이 실리콘 모델을 훈련할 수 있는 충분한 데이터를 가지고 곧 분자 특성(독성, 흡수, 분포, 대사, 배설 등)뿐만 아니라 면역원성과 약물-마이크로바이옴 상호작용도 예측할 수 있는 시대가 올 것이다. 시간이 지남에 따라 약물 후보자의 임상 전 필터링은 동물 또는 체외 모델이 아닌 실리코에서 점점 더 많이 수행될 수 있으며, 이는 처리량을 높이고 치료 개발과 관련된 위험을 낮출 수 있다.

임상 및 실제 근거 피드백

테크놀로지는 대량의 데이터의 생성과 수집을 용이하게 한다. 약물 후보자의 임상시험을 통해 축적된 질병에 대한 데이터가 많을수록, 보다 집중적이고 정확한 미래 가설 생성과 검증이 이루어질 가능성이 높다. 전자 건강 기록 및 기타 실제 데이터에서 캡처된 데이터(예: 데이터를 24시간 365일 생성할 수 있는 바이오마커와 웨어러블의 광범위한 측정)도 마찬가지이다. 예를 들어, 이러한 측정은 보다 강력한 환자 특성화로 이어질 수 있으며, 이는 보다 미묘한 질병 모델로 이어질 수 있다. 자연어 처리와 같은 계산 방법이 성숙함에 따라 새로운 데이터뿐만 아니라 문헌에서 구조화되지 않은 환자 데이터를 추출할 수 있다.