[reinvent 2024] 확장 가능한 신약 개발 애플리케이션의 구축

들어가며

이번 세션의 주목할 내용으로는 다음과 같습니다.

• AI를 활용한 항체 개발 과정
• Amazon SageMaker를 활용한 신약 개발 워크플로우
• AWS의 오픈 소스 도구와 확장 가능성
  
  

이 세션을 통해 신약 개발 프로세스에 AI와 클라우드 기술이 어떻게 기여하는지 살펴보겠습니다.

신약 개발에서 항체의 역할

이번 세션에서는 항체가 면역요법에서 어떻게 활용되는지 설명하며, 특히 Keytruda와 같은 면역요법 약물이 암 치료에 큰 효과를 보였다는 사례를 공유했습니다. 항체 설계는 과거에는 주로 실험적 접근에 의존했지만, 최근 AI를 활용해 항체의 구조를 예측하고 최적화하는 방향으로 발전하고 있습니다. 이를 통해 신약 개발의 속도를 높이고 비용을 절감할 수 있습니다.

AI 기반 항체 최적화

이 과정에서 Amazon SageMaker는 데이터를 정규화하고 모델을 학습시키는 데 사용됩니다. 또한, 실험실 데이터를 활용해 모델을 미세 조정(Fine-tuning)하여 예측의 정확도를 높입니다. 이를 통해 항체의 안정성과 제조 가능성을 고려한 최적화된 후보군을 신속히 도출할 수 있습니다.

AI와 실험의 조화

AWS의 AI 기반 워크플로우는 실험 데이터를 활용해 모델의 예측력을 개선합니다. 예를 들어, 특정 항체의 결합 친화성을 실험 결과와 비교해 모델을 보정 함으로써 예측 정확도를 향상시킬 수 있습니다. 이는 실험 자원의 낭비를 줄이고, 중요한 연구 자원과 시간을 다른 영역에 할당할 수 있게 합니다.

Amazon SageMaker를 활용한 워크플로우

특히 GPU 최적화 인스턴스를 활용해 대규모 데이터 처리와 복잡한 모델 학습 작업을 빠르게 수행할 수 있습니다. 세션에서는 SageMaker Studio를 통해 항체 변형체 생성, 특성 예측, 최적화 과정을 단계적으로 진행하는 데모를 소개했습니다. 이 접근법은 모델 학습과 실험 과정을 긴밀히 연결하여 효율성을 극대화합니다.

오픈 소스와 확장 가능성

세션에서는 AWS GitHub 레포지토리를 통해 제공되는 오픈 소스 예제를 소개했습니다. 이를 활용하면 AWS의 클라우드 인프라를 기반으로 대규모 병렬 작업을 수행하고, 신약 개발의 효율성을 높일 수 있습니다.

AI를 활용한 신약 설계 혁신

AWS는 이러한 AI 모델을 SageMaker에 통합해 연구자가 쉽게 활용할 수 있도록 지원합니다. 이를 통해 단백질 구조 예측뿐만 아니라, 결합 친화성과 안정성 같은 중요한 속성을 함께 고려한 설계를 할 수 있습니다.

스케일러블 신약 개발 워크플로우

세션에서는 HealthOmics를 활용한 확장 가능한 신약 개발 사례를 소개하며, 연구자가 AWS의 클라우드 인프라를 통해 효율적이고 확장 가능한 워크플로우를 구축할 수 있음을 강조했습니다.

AI와 신약 개발의 미래

세션에서는 미래 신약 개발의 비전을 공유하며, AI와 클라우드 기술이 기여할 수 있는 무궁무진한 가능성을 보여주었습니다.

결론