토론토대 연구진, 머신러닝으로 장기 지속형 주사제 제형 설계 가속화

고분자 장기 지속형 주사제 제형 설계를 머신러닝으로 단축할 수 있는 오픈소스 프로젝트다. 토론토대학교 연구팀이 서방형 방출 곡선을 예측하는 모델과 데이터셋을 공개해, 기존 연구실에서 반복되던 긴 시행착오를 대폭 줄일 수 있도록 했다.

무엇을 할 수 있나

장기 지속형 주사제는 약물이 체내에서 오랜 시간에 걸쳐 서서히 방출되도록 설계된 제형으로, 만성 질환 환자의 복약 편의성을 크게 높여준다.

문제는 적정 방출 속도를 맞추는 과정이다. 기존에는 수많은 고분자 미립구 샘플을 일일이 합성하고 시험하는 반복적인 시행착오를 거쳐야만 했다.

이 도구는 머신러닝 예측을 통해 이러한 병목을 해결한다. 연구팀이 난소암 치료제 제형에 적용해 검증한 결과, 과거에는 여러 차례 수정 실험을 거쳐야 도달할 수 있었던 목표 서방 방출 프로파일을 모델의 설계 지침을 받아 단 한 번의 실험만으로 확보했다.

어떻게 작동하나

연구팀은 기존에 발표된 고분자 미립구 연구 논문들에서 데이터를 수집해 장기 지속형 주사제 전용 데이터셋을 구축했다.

이후 다중 선형 회귀, 랜덤 포레스트, 신경망, LightGBM 등 11가지 머신러닝 모델을 훈련하고 성능을 평가했다.

비교 결과 트리 기반 모델, 그중에서도 LightGBM이 가장 높은 예측 정확도를 기록했다.

연구진은 LightGBM 모델이 학습한 패턴을 역분석해 새로운 제형을 만들기 위한 구체적인 설계 기준을 도출했고, 이를 기반으로 난소암 약물 제형을 제작해 예측과 일치하는 방출 속도를 검증해냈다.

연구에 사용된 코드와 데이터셋은 오픈소스 플랫폼인 Zenodo에 모두 공개되어 있어 누구나 내려받아 활용할 수 있다.

왜 중요한가

약물 전달 시스템이나 제형을 연구하는 개발자 및 연구진에게는 즉시 검토해볼 만한 가치가 있는 도구다. 자체 인프라를 바닥부터 구축하지 않고도 머신러닝 기반 방출 예측 파이프라인을 시험해볼 수 있다.

특히 무리하게 거대 신경망을 쓰지 않고 데이터가 제한적인 제형 환경에서 검증력과 해석력이 뛰어난 LightGBM을 선택한 점은 매우 실용적이고 영리한 판단으로 보인다.

다만 제약 분야의 고질적인 데이터 폐쇄성은 여전히 큰 걸림돌이다. 연구진이 언급했듯 제제학 연구 데이터는 공개 공유가 드물어 양질의 오픈 데이터셋이 턱없이 부족하다. 업계 전반의 데이터 개방이 동반되지 않는다면 모델의 확장성은 제한될 수밖에 없다.