이중 단계 생성형 AI 기반 항체 설계 기술 DualGPT-AB 개발

주장치료용 항체 개발의 핵심은 항원 결합 특이성, 점도, 제거율, 면역원성 등 여러 속성을 동시에 최적화하는 작업입니다. 기존 방식은 이러한 속성 간의 균형을 맞추는 과정에서 많은 시간과 자원을 소모합니다.

팩트연구진은 이러한 한계를 극복하고자 이중 단계 조건부 생성형 사전 학습 트랜스포머인 듀얼 지피티-에이비(DualGPT-AB) 프레임워크를 제안했습니다. 이 모델은 원하는 속성을 학습 가능한 임베딩으로 표현하여 항체 서열과 속성 간의 관계를 정밀하게 모델링합니다.

팩트듀얼 지피티-에이비는 강화 학습 전략을 통합하여 항체 서열 탐색을 촉진하고 최적화 효율을 높입니다. 이 기술은 항체 중쇄 상보성 결정 영역 3(CDRH3) 서열을 효과적으로 생성합니다.

팩트설계된 후보 라이브러리에서 무작위로 추출한 100개의 항체 중 8개가 우수한 HER2 결합 친화도를 보였습니다. 이는 인공지능이 복잡한 생물학적 결합 문제를 해결할 수 있음을 증명합니다.

팩트습식 실험실 검증 결과, 해당 모델이 설계한 항체는 HER2 양성 암 치료제인 허셉틴보다 향상된 종양 살상 능력을 나타냈습니다. 이는 인공지능 기반 신약 개발의 실질적인 효용성을 보여줍니다.

주장듀얼 지피티-에이비는 인공지능 주도의 치료용 항체 개발을 가속화할 유망한 접근 방식입니다. 복잡한 다중 속성 최적화 문제를 해결하여 신약 개발 비용과 시간을 획기적으로 줄입니다.

교차검증이번 연구는 계산적 실험과 실험실 검증을 병행했으나, 실제 임상 환경에서의 안전성과 대량 생산 가능성에 대해서는 추가 연구가 필요합니다. 또한 모델 학습 데이터의 편향이 결과에 미칠 수 있는 영향도 고려해야 합니다.

팩트연구에 사용된 데이터셋은 제노도(Zenodo)를 통해 공개되어 있으며, 디지털 객체 식별자(DOI) 10.5281/zenodo.18733343으로 접근할 수 있습니다. 투명한 데이터 공개는 신약 개발 분야의 연구 재현성을 높입니다.

팩트듀얼 지피티-에이비의 소스 코드는 깃허브(GitHub) 저장소(23AIBox/DualGPT-AB)에서 확인할 수 있습니다. 연구자들은 해당 코드를 통해 항체 설계 알고리즘을 직접 테스트하고 개선할 수 있습니다.

출처네이처 컴퓨테이셔널 사이언스(Nature Computational Science)에 게재된 논문과 제노도 데이터셋(https://doi.org/10.5281/zenodo.18733343)을 교차 검증했습니다.