IDBS 블로그신약 개발 가속화. 샘플을 테스트하는 여성. 디지털 배경.

IDBS 블로그 | 2024년 1월 31일

신약 발견 및 개발을 가속화하기 위한 세 가지 팁

신약 개발 가속화. 샘플을 테스트하는 여성. 디지털 배경.

다니엘 타바스, IDBS 수석 데이터 과학자

2022년에 1조 5천 5백억 달러에 가까운 기술을 투자한 업계가 어떻게 2022년에1 새로운 치료법을 발견하기 위해 제약 연구소는 여전히 낡고 수동적인 프로세스와 사일로화되고 정리되지 않은 데이터에 크게 의존하고 있으며, 이러한 치료법을 개발 및 상용화를 위해 노력하고 있습니다.

현명한 연구자들은 다음과 같은 잠재력을 실현하기 시작했습니다. 머신 러닝 (ML), 인공 지능(AI), 디지털 트윈 및 기타 고급 분석을 통해 약물 수명 주기에 따라 데이터 접근성을 높이고 약물 발견 및 개발을 가속화할 수 있습니다.2 하지만 이러한 시스템은 그 기반이 되는 데이터만큼만 우수할 수 있습니다. 맥킨지 앤 컴퍼니에 따르면 의사 결정이 개선되면 의약품 출시 기간을 500일 단축하고 25% 더 저렴하게 출시할 수 있다고 합니다.3

코로나19 치료제가 시장에 출시되는 속도는 제약 업계에 개발 일정이 실제로 단축될 수 있음을 보여주었습니다. 개발 속도는 치료법이 발견에서 개발 및 상용화에 이르는 속도를 정의하는 데 사용되는 새로운 용어입니다.1 맥킨지는 "후보물질 지정부터 임상시험용 신약까지 신약 개발을 가속화할 수 있는 특별한 기회를 제공한다"고 말합니다.3 그리고 디지털 기술과 고급 분석을 통해 이러한 가속화된 타임라인을 달성할 수 있습니다.1,3

의 최근 버전에서 실험실 관리자,2 IDBS의 데이터 과학 및 분석 담당 이사인 알베르토 파스쿠알 박사는 다음과 같이 제안합니다. 디지털 분석 시스템 는 발견을 가속화하는 데 도움이 될 수 있으며, 실험실 관리자가 다음 세 가지 요소를 고려할 수 있습니다. 디지털 트랜스포메이션 신약 발견 및 개발 가속화를 향한 여정.

1. 데이터에 정직하게 임하여 신약 개발을 가속화하세요.

디지털 기술을 고려하기 전에 데이터가 어떤 모습인지, 어떻게 관리되는지, 컨텍스트화할 수 있는지를 제대로 이해하는 것이 중요합니다. 파스쿠알은 데이터를 활용하고 의미 있게 분석 및 사용하기 전에 필요한 프로세스인 데이터 정리에 95% 이상의 시간을 소비하고 있는 선도적인 CDMO를 예로 들었습니다. 이러한 데이터 정리 작업은 종종 종이 기반 시스템의 표준화 부족으로 인해 인사이트와 발견을 위한 경로가 느려지기 때문일 수 있습니다. 그러나 디지털 트랜스포메이션을 시작한 연구소에서도 데이터가 생각만큼 깨끗하지 않다는 것을 발견할 수 있습니다. 실제로 데이터 아키텍처는 성공적인 의사 결정이나 규제 요건을 충족하는 데 필요한 컨텍스트가 부족할 수 있습니다.

그는 실험실 관리자에게 다음과 같이 배포할 것을 권장합니다. 인공지능 툴킷4 데이터 품질 평가와 자산 활용을 위한 솔루션입니다. 생명과학 산업이 계속해서 디지털 방식으로 변모함에 따라 F.A.I.R.은 데이터의 검색, 액세스, 상호 운용 및 재사용을 보장하기 위해 노력하고 있습니다. 특히 아카이브에 있는 데이터를 보다 효과적으로 관리하고 협업하면 개발 역량을 강화하고 신약 개발과 혁신을 가속화할 수 있습니다.5

실험실의 경우, 이는 기기를 연결하고 데이터를 표준화하며 약품의 수명 주기 동안 해당 데이터를 중앙에 저장하는 것으로 해석될 수 있습니다.2 파스쿠알에 따르면 CDMO는 신약 개발 초기 단계에서는 약물 분자에 대한 데이터 교환이 간단할 수 있지만, 신약이 임상시험계획(IND) 단계로 진행됨에 따라 수집되는 데이터가 방대해지고 규제 기관에 제출할 완전한 정보 서류를 만들어야 합니다. 바로 이 단계에서 다음과 같은 디지털 백본이 필요합니다. IDBS Polar,6 는 개발 수명 주기 동안 의약품의 진행 상황을 안전하게 관리하고 모든 프로세스 및 운영 활동에서 데이터를 수집, 구조화, 정리하여 초기 제품 및 프로세스 통찰력을 가속화할 수 있습니다. IDBS Polar 플랫폼은 정확한 프로세스 실행을 촉진하고 장비 및 기기 데이터를 캡처하여 선별된 프로세스 중심 데이터 백본을 생성합니다.

2. 과학자가 디지털 트랜스포메이션 여정을 주도하도록 지원

제약 업계의 디지털 혁신에 대한 전 세계 지출은 2030년까지 1조 5,000억 달러에 달할 것으로 예상됩니다.7 테스트 시간을 501% 절약하고 개발 속도를 201% 향상시킬 수 있기 때문에 데이터 분석에 대한 빅 제약사의 투자는 2030년까지 1조 5,000억 달러로 증가할 것으로 예상됩니다.8 파스쿠알은 신약 개발을 가속화할 수 있는 기회에도 불구하고 실험실 과학자들은 기술이 실제 실험실 자체보다 실험실 외부의 이해관계자에게 더 많은 혜택을 주는 경우가 많기 때문에 여전히 회의적이라고 말합니다.

또한 이전의 디지털 도입은 단순히 기록 보관 목적으로 정보를 캡처하고 저장하는 것이 목표였기 때문에 IT 프로젝트가 되는 경향이 있었습니다. 오늘날에는 새로운 분석 및 통계적 방법을 사용하여 과학적 문제를 해결하기 위한 데이터 구조화라는 훨씬 더 광범위한 목표가 있습니다. 파스쿠알은 이를 위해서는 생명과학 연구자들이 처음부터 참여해야 한다고 말합니다. "신약은 프로세스 데이터와 데이터에 의해 정의되며, 벤치 과학자에게 적합한 도구는 필수입니다."라고 그는 말합니다.

대규모 바이오 제약 조직은 데이터 분석을 관리하기 위해 IT에 의존하는 경우가 많고, 소규모 조직은 기본적인 IT 지원 외에 데이터 과학이나 분석 기능조차 없는 경우가 많습니다. 두 경우 모두 과학자들은 분석 이니셔티브의 혜택을 누리지 못하는 경향이 있습니다. 미래 지향적인 생명 과학 조직은 데이터 이니셔티브를 담당하는 사람이 벤치 과학자에게 책임을 지도록 할 것입니다. 파스쿠알은 대기업의 경우, 디지털 전환 여정에 R&D를 포함하는 IT 그룹을 포함시킬 수 있다고 제안합니다. 소규모 조직에서는 IT와 과학자로 구성된 교차 기능 팀을 구성할 수 있습니다.

한 유명 CDMO에 따르면, 팀이 새로운 IT 솔루션을 구매하도록 하는 것은 회사 전체가 얻을 수 있는 이점을 인식하는 것이라고 합니다.9 그리고 이 회사의 제약 과학자들의 초기 의견은 IDBS의 제품을 성공적으로 구현하는 데 결정적인 역할을 했습니다. 그 결과, 이 회사의 지식 관리 시스템 프로젝트 팀장은 "현업에 있는 사람들이 정말 좋아한다"는 사실을 알게 되었습니다. 9과학자 만족도는 디지털 도구의 성공에 필수적입니다.

3. 고급 분석을 통해 심층적이고 실용적인 인사이트를 확보하세요.

디지털 트랜스포메이션 팀에 과학자가 있으면 적절한 목표를 달성할 수 있습니다. 디지털 트랜스포메이션은 조직을 더욱 데이터 중심으로 만들기 위해 프로세스와 운영에 대한 심층적인 인사이트와 '상식적인' 인사이트를 모두 드러냅니다. 에 따르면 심층 인사이트는 생물학적 과정과 약물에 대한 예측 모델링의 형태를 취할 수 있다고 합니다. 예측 모델링은 다양한 분자 및 임상 데이터를 활용하여 약물로 성공적으로 개발될 가능성이 높은 새로운 잠재적 후보 분자를 식별할 수 있습니다.10 이러한 데이터를 부서 사일로에 보관하는 대신 전자적으로 캡처하여 내부적으로는 발견과 임상 개발 간에, 외부적으로는 실시간 및 예측 분석을 위해 임상시험수탁기관(CRO) 또는 CDMO에 쉽게 전달할 수 있습니다.10

상식적인 통찰력도 마찬가지로 가치가 있을 수 있습니다. 파스쿠알은 한 과학자의 상식적인 목표를 이야기합니다: "어떤 분자가 작동하지 않는지, 그래서 그 분자로 시간을 낭비하는 것을 멈추는 것"입니다. 과학자가 디지털 도입 팀의 일원이 아니라면 이 목표는 고려조차 되지 않을 수 있습니다.

실험실 과학자와 협력하여 미래의 목표를 지원하기 위한 데이터 백본을 구현하는 것은 매우 중요합니다. 이를 통해 데이터가 상황에 적절하고 다른 데이터 세트 및 다른 부서와 상호 운용될 수 있도록 보장할 수 있습니다. 다음과 같이 잘 선별된 양질의 데이터 백본은 다음과 같습니다. IDBS Polar,6 데이터의 완전성, 접근성, 재사용 가능성을 보장합니다. IDBS Polar는 시스템, 기기 및 프로세스에서 데이터를 원활하게 캡처하고 모델 기반 인사이트를 촉진하여 신약 발견 및 개발을 가속화합니다.

검색 시간 절반으로 단축

파스쿠알은 이 세 가지 단계가 디지털 혁신으로 가는 길에 필수적이며, 신약 개발의 가속화가 여전히 목표라고 말합니다. 업계 전문가들은 AI와 ML의 발전이 이러한 목표를 현실로 만들 것이라고 믿습니다. 이러한 첨단 기술 도입에 대한 지속적인 연구를 통해 시간을 절약할 수 있는 잠재력이 드러나고 있습니다. 예를 들어 보스턴 컨설팅 그룹(BCG)은 발견 및 전임상 단계에 평균 6년이 소요될 수 있다는 사실을 발견했습니다. BCG는 10년에 걸쳐 20개 AI 집약적 제약회사의 연구 파이프라인을 연구한 결과, 그 중 5개 신약 후보물질이 역대 최단 기간에 임상시험 단계에 도달했다는 사실을 발견했습니다. 또 다른 연구에서 BCG와 연구 자금 지원 기관인 Wellcome은 AI가 전임상 단계까지 신약 개발에서 25~50%의 시간과 비용을 절감할 수 있다는 사실을 발견했습니다.11

그러나 발견부터 상업화 이후까지 지식을 포착하고 전달하는 것은 바이오제약 업계에서 여전히 가장 큰 과제 중 하나입니다. AI/ML이 내장된 IDBS Polar와 같은 고도로 컨텍스트화된 백본을 도입하면 모델링과 시뮬레이션을 통해 인사이트와 엔드투엔드 분석을 제공하여 보다 정확하고 데이터 기반의 의사 결정을 내릴 수 있습니다.12 이 완전하고 맥락화된 데이터는 고급 분석과 결합되어 '성공' 데이터에 대한 편견을 제거함으로써 혁신을 가능하게 하고 신약 발견 및 개발을 가속화합니다.

 

이 블로그 게시물이 마음에 드셨다면 Daniel Tabas의 글을 더 읽어보세요..

머신러닝이 바이오제약 라이프사이클을 혁신하는 6가지 방법

 

 

저자 소개

Daniel Tabas - 신약 발견 및 개발 가속화를 위한 세 가지 팁다니엘 타바스는 다음에서 데이터 과학 및 분석 그룹의 선임 데이터 과학자로 일하고 있습니다. IDBS. 그는 데이터 과학을 전문으로 하는 생물정보학 박사 학위를 취득한 컴퓨터 과학자입니다, 분석 및 인공지능 분야의 전문가로, 생물의학/바이오제약 분야에서 폭넓은 경험을 쌓았습니다. 마드리드 콤플루텐세 대학교에서 컴퓨터 과학 학사 학위를 취득한 후 스페인 국립 생명공학 센터에 입사하여 핵심 시설 그룹에서 근무하면서 생물정보학 박사 학위를 취득했습니다. 그 후 PerkinElmer에서 수석 AI 엔지니어로 근무했습니다. 

 

 

참조

  1. Forbes Tech Council. (2023, March 10). Accelerating 신약 개발 to Keep Pace with Drug Discovery. Forbes. Retrieved from [https://www.forbes.com/sites/forbestechcouncil/2023/03/10/accelerating-drug-development-to-keep-pace-with-drug-discovery/?sh=34901405a5da]
  2. Lab Manager. (n.d.). Effective Data Management: Key to Accelerating Drug Discovery and Development. Retrieved from [https://www.labmanager.com/effective-data-management-key-to-accelerating-drug-discovery-and-development-29553]
  3. McKinsey & Company. (n.d.). The pursuit of excellence in new drug development. Retrieved from [https://www.mckinsey.com/industries/life-sciences/our-insights/the-pursuit-of-excellence-in-new-drug-development]
  4. Pistoia Alliance. (n.d.). FAIR Implementation. Retrieved from [https://www.pistoiaalliance.org/projects/current-projects/fair-implementation/]
  5. Drug Discovery Trends. (n.d.). Accelerating R&D with FAIR Data. Retrieved from [https://www.drugdiscoverytrends.com/accelerating-rd-with-fair-data/]
  6. IDBS. (n.d.). IDBS Polar. Retrieved from [https://www.idbs.com/polar/]
  7. ABI Research. (n.d.). Pharma Industry to Spend $45 Billion on Digital Transformation by 2030. Retrieved from [https://www.abiresearch.com/press/pharma-industry-spend-45-billion-digital-transformation-2030/]
  8. Bamboo Agile. (n.d.). Pharma Digital Transformation. Retrieved from [https://bambooagile.eu/insights/pharma-digital-transformation/]
  9. IDBS. (2017, March). IDBS and Lonza Collaborate to Deliver Digital Solutions for Biopharmaceutical Development. Retrieved from [https://www.idbs.com/2017/03/lonza/]
  10. McKinsey & Company. (n.d.). How big data can revolutionize pharmaceutical R&D. Retrieved from [https://www.mckinsey.com/industries/life-sciences/our-insights/how-big-data-can-revolutionize-pharmaceutical-r-and-d]
  11. Nature. (2023). How AI is revolutionizing drug discovery. Nature, 599(7883), 325-327. [https://doi.org/10.1038/d41586-023-03172-6]
  12. IDBS. (2021, June). Transforming Drug Discovery through Artificial Intelligence. Retrieved from [https://www.idbs.com/2021/06/transforming-drug-discovery-through-artificial-intelligence/]
이와 같은 자세한 내용은 블로그 섹션에서 확인하세요.

더 많은 뉴스