췌장암 혁신 치료를 위한 AI 기반 방사성의약품 타겟 발굴 용역(5천만원)

AI를 통한 췌장암 혁신치료를 위한 AI 기반 방사성의약품 타겟 발굴 이미지 생성

 

췌장암 혁신 치료를 위한 AI 기반 방사성의약품 타겟 발굴 용역 제안요청서

Ⅰ. 개요

1. 과업명

췌장암 혁신 치료를 위한 AI 기반 방사성의약품 타겟 발굴 연구 용역

2. 과업목적 

AI 기반 시스템 생물학 기술을 활용해 췌장암 방사성의약품의 설계 초기 단계에서 새롭고 적합한 표적 분자 및 신호 경로를 도출하여 타겟 특이적 치료를 구현을 통해 환자 맞춤형 치료법을 개발하고자 함.

3. 과업기간

❍ 착수일로부터 5개월(150일) 이내

4. 과업비용

50,000,000원 (부가가치세 포함)

5. 계약방법

낙찰자 결정방법 : 협상에 의한 계약체결기준(기획재정부 계약 예규)

Ⅱ. 과업내용

1. 과업배경

•  첨단바이오 기술과 디지털 혁신의 융합은 새로운 의료 산업 기회를 창출하고 있음. 췌장암은 치료가 가장 어려운 질환 중 하나로, 초기 비특이적 증상과 빠른 진행 속도로 인해 대부분 진단 시 이미 진행성 상태에 이르러 치료 옵션이 제한적임. 현재의 진단 도구 및 치료법의 효과 한계로 인해 췌장암 치료의 혁신적 접근이 절실함.
•  최근 방사성의약품은 차세대 첨단 신약으로 각광받고 있으며, 암 치료를 포함한 다양한 의료 분야에서 활용 가능성이 높게 평가되고 있음. 방사성의약품은 고정밀 치료가 가능하며, 병용 치료 시 기존 화학요법 및 면역요법의 한계를 극복할 수 있는 잠재력을 가지고 있음. 이러한 특성으로 인해 방사성의약품은 글로벌 헬스케어 시장에서 중요한 역할을 차지하고 있으며, 췌장암과 같은 난치성 질환의 새로운 치료법으로 주목받고 있음.

2. 과업목적

❍ AI 기반 시스템 생물학 기술을 활용해 췌장암의 병리 기전을 규명하고 새로운 치료 타겟 후보군을 제공

3. 과업수행 내용 및 범위

❍ 과업수행의 내용 및 범위는 아래의 표와 같다.

No.	대상	업무
1	AI 기반 시스템 생물학 도구를 활용하여 치료 바이오마커를 식별함	· 공개 데이터베이스에서 단일세포 RNA 시퀀싱 데이터를 수집하고 이를 통합적으로 분석함 · 이 과정에서 AI 알고리즘을 통해 유전자 발현 패턴을 정밀 분석하고 · 정상 조직과 종양 조직 간의 차이를 식별하여 치료 타겟 발굴에 필요한 데이터를 제공함.
2	췌장암의 진행과 관련된 주요 신호전달경로와 유전자를 발견하기 위한 인과관계 네트워크 모델링기반의 디지털트윈을 개발함	· 디지털트윈으로부터 종양 미세환경내의 특이적인 분자 상호작용을 식별하고 이로부터 질병질행 모델(Disease Progression Model)을 개발함 · 또한 암세포의 암화과정(Tumorigenesis)에서 나타나는 생물학적 동역학을 정밀히 규명하고 암세포의 진화궤적을 시각화함.
3	연구 결과를 바탕으로 치료 전략 수립에 필요한 분석 결과를 제공함	· 동적 시뮬레이션 및 질병 진행 모델을 활용하여 치료제 후보의 효과를 예측 · 우선순위화된 타겟 리스트를 생성함으로써 성공 가능성이 높은 치료제 설계에 필요한 중요한 시작점을 마련함.

4. 기술적 요구사항

(1) 췌장암에 대한 다중오믹스 데이터 분석기술

(2) 췌장암과 관련한 가상세포 모델링 기술을 활용하여 세포신호전달경로를 분석하고, 이를 활용하여 주요 췌장암 환자군 분류 및 바이오마커 발굴하는 기술

(3) 상세한 시뮬레이션 분석을 통한 약물타겟과 세포신호전달경로간의 관계(기전 및 약리작용)를 분석하는 기술

(4) in silico 시뮬레이션을 활용하여 신규 치료타겟의 생물학적 적합성과 임상적 가능성을 검증하며, 이로부터 우선순위 스코어를 포함하는 타겟목록을 도출하는 기술

5. 과제의 성과물 제출

(1) 시뮬레이션이 가능한 모델 및 분석 알고리즘

(2) 치료타겟 리스트 (우선순위 스코어 포함)

(3) 시뮬레이션 분석결과

(4) 분석결과 보고서

---

우선 제안서를 작성하기에 앞서 기술적 요구사항인 다중오믹스 데이터 분석기술에 대해 알아 보겠습니다.

1. 다중오믹스(Multi-omics)란?

다중오믹스는 유전체(Genomics), 전사체(Transcriptomics), 단백체(Proteomics), 대사체(Metabolomics) 등의 다양한 생물학적 데이터를 통합하여 분석하는 접근 방식이다. 이를 통해 개별 오믹스 수준에서 얻을 수 없는 더 깊이 있는 생물학적 통찰을 제공한다.

2. 주요 다중오믹스 분석 기법

✅ 데이터 정규화 및 전처리

• 각 오믹스 데이터의 단위와 특성이 다르기 때문에 표준화(normalization) 및 정규화(scaling)가 필요함.
• 결측치 처리, 배치 효과 제거(batch effect correction) 등도 수행.

✅ 차원 축소 및 특징 선택

• PCA(주성분 분석), t-SNE, UMAP 등을 활용하여 고차원 데이터를 저차원으로 변환.
• 머신러닝 기반 특징 선택(feature selection) 기법을 적용하여 중요한 바이오마커 탐색.

✅ 통합 분석 방법

• 연결 기반 분석(Network-based analysis): 유전자-단백질-대사체 간의 네트워크를 구축하여 상호작용을 분석.
• 기계 학습 및 딥러닝: 랜덤 포레스트, SVM, 신경망 모델 등을 사용하여 질병 예측 및 분류.
• Bayesian 및 다변량 통계 기법: 다중오믹스 데이터를 결합하여 특정 생물학적 현상을 모델링.

✅ 경로 분석 및 시스템 생물학

• KEGG, Reactome 등의 데이터베이스를 활용하여 생물학적 경로(Pathway) 및 네트워크 분석 수행.
• 전사체-단백체-대사체 간 조절 메커니즘을 밝혀 질병의 원인을 탐색.

3. 다중오믹스 데이터 분석의 활용 사례

1️⃣ 정밀의료(Precision Medicine)

• 암, 신경퇴행성 질환 등의 환자 맞춤형 치료법 개발.
• 약물 반응 예측 및 개인 맞춤형 치료 전략 수립.

2️⃣ 신약 개발(Drug Discovery)

• 후보 물질 발굴 및 독성 예측을 위한 시스템 생물학 접근법 활용.
• 바이오마커 탐색 및 검증을 통한 표적 치료제 개발.

3️⃣ 질병 진단 및 예측

• 다중오믹스 데이터를 활용한 조기 진단 및 예후 예측 모델 개발.
• 복합적인 질병 기전 연구를 통한 바이오마커 기반 진단 키트 개발.

4. 다중오믹스 분석 도구 및 플랫폼

• 통합 분석 툴: Multi-Omics Factor Analysis (MOFA), iCluster, MINT
• 네트워크 분석: Cytoscape, STRING, OmicsNet
• 기계 학습 기반: TensorFlow, scikit-learn, XGBoost
• 데이터베이스: TCGA, GTEx, HMDB, MetaboAnalyst

다중오믹스 데이터 분석은 단일 오믹스 접근법보다 더 정교하고 심층적인 생물학적 통찰을 제공하여 정밀의료, 신약 개발, 질병 연구 등에서 중요한 역할을 합니다.

---

In Silico 시뮬레이션이란?

📌 개념
In silico 시뮬레이션은 컴퓨터를 활용하여 생물학적, 화학적, 약리학적 현상을 모의 실험(시뮬레이션)하는 방법을 의미한다.

• "In vivo" (생체 내 실험), "In vitro" (시험관 내 실험)와 대비되는 개념으로, "In silico"는 컴퓨터 기반 분석을 뜻함.
• 생명과학, 신약 개발, 유전체 연구 등에서 실험 비용 절감과 시간 단축을 위해 사용됨.

---

🔬 In Silico 시뮬레이션의 주요 응용 분야

1️⃣ 신약 개발 및 약물 설계 (Drug Discovery & Development)

• 약물-표적 상호작용 예측: 분자 도킹(molecular docking) 기법을 활용하여 약물이 특정 단백질과 어떻게 결합하는지 예측.
• 가상 스크리닝(Virtual Screening): 수천~수백만 개의 화합물을 컴퓨터 모델로 분석하여 유망한 후보 물질을 선별.
• 약물 독성 예측(Toxicity Prediction): 동물 실험 전에 약물의 부작용을 사전에 분석하여 안전성을 평가.

2️⃣ 유전체 분석 및 정밀의료(Genomics & Precision Medicine)

• 유전자 변이 분석: 특정 유전자 돌연변이가 질병과 관련이 있는지 예측.
• 환자 맞춤형 치료 모델: AI 기반 시뮬레이션을 통해 환자 개개인의 유전체 정보를 바탕으로 최적의 치료법 추천.

3️⃣ 단백질 구조 및 네트워크 분석 (Proteomics & Systems Biology)

• 단백질 접힘(Folding) 및 상호작용 분석: 단백질이 3D 구조를 형성하는 과정과 상호작용을 예측.
• 세포 네트워크 모델링: 생물학적 네트워크(예: 단백질-단백질 상호작용, 신호전달 경로)를 분석하여 질병 원인 규명.

4️⃣ 대사 경로 및 질병 모델링 (Metabolic Pathways & Disease Modeling)

• 대사체 분석: 특정 질병 상태에서 신진대사 변화를 예측하여 질병 조기 진단 및 치료 전략 수립.
• 암, 알츠하이머 등 질병 시뮬레이션: 특정 돌연변이, 유전자 조절 네트워크 변화 등이 질병 진행에 미치는 영향 분석.

---

🛠️ In Silico 시뮬레이션에서 사용되는 기술

✅ 분자 도킹 (Molecular Docking)

• 대표 도구: AutoDock, Schrödinger Glide, GOLD
• 설명: 화합물이 단백질 수용체에 어떻게 결합하는지 시뮬레이션하여 약물-표적 상호작용을 예측.

✅ 분자동역학 시뮬레이션 (Molecular Dynamics, MD)

• 대표 도구: GROMACS, AMBER, CHARMM
• 설명: 분자의 운동을 물리 법칙(뉴턴 역학 등)을 적용해 시간에 따라 시뮬레이션.

✅ 기계 학습 및 AI 기반 모델링

• 대표 도구: DeepChem, AlphaFold, TensorFlow, PyTorch
• 설명: 인공지능을 활용하여 단백질 구조 예측, 신약 후보 물질 분석, 유전체 데이터 해석.

✅ 네트워크 및 경로 분석

• 대표 도구: Cytoscape, KEGG, BioGRID
• 설명: 단백질-단백질 상호작용, 신호 전달 네트워크 분석을 통한 질병 메커니즘 연구.

---

🔎 In Silico 시뮬레이션의 장점과 한계

📌 장점
✅ 비용 절감: 실험실에서 수행하는 실험 비용 및 시간 절약
✅ 고속 분석: 대량의 화합물이나 유전체 데이터를 빠르게 분석 가능
✅ 실험 대체: 동물 실험을 줄이고, 안전성 평가를 미리 수행 가능

📌 한계
⚠ 생물학적 복잡성 반영 부족: 모델이 실제 생물학적 환경을 완벽하게 재현하기 어려움
⚠ 실험 검증 필요: In silico 결과를 실제 In vitro 또는 In vivo 실험으로 검증해야 함
⚠ 고성능 컴퓨팅 필요: 정밀한 시뮬레이션을 수행하려면 강력한 HPC(고성능 컴퓨팅) 자원이 필요

---

📢 결론

In silico 시뮬레이션은 신약 개발, 유전체 연구, 단백질 분석 등 다양한 생명과학 분야에서 혁신적인 변화를 가져오고 있다. 하지만 생물학적 실험과 병행하여 검증하는 것이 중요하다.

이상으로 동남권원자력의학원이 지난 3월 4일 입찰공고 낸  "췌장암 혁신 치료를 위한 AI 기반 방사성의약품 타겟 발굴 용역" 에 대해 알아 보았습니다!