# Drug Discovery: 개요와 흐름 Drug Discovery는 질병의 근본 원인을 표적으로 삼아 효과적이고 안전한 약물을 찾아내는 전 과정이다. 이 과정은 기초 연구에서 시작해 타깃(target) 발굴, 화합물(hits) 발견, 리드(lead) 최적화, 후보물질(candidates) 선정, 전임상(preclinical) 및 임상 개발 단계로 이어진다. 약물 개발 파이프라인은 과학적 도전뿐 아니라 규제, 제조, 경제성의 제약을 함께 고려한다. --- ## 정의 및 차이 - 약물 발견(Drug Discovery): 질병의 기전과 표적에 대한 이해를 바탕으로 새로운 화합물 또는 물질을 찾아내고 이를 후보물질로 성장시키는 창작적이고 탐색적인 단계. - 약물 개발(Drug Development): 발견된 후보물질을 임상 시험과 제조, 품질 관리, 규제 승인을 거쳐 상업적 약으로 만드는 연속 과정. 약물 발견은 다학제적 활동으로, 생물학, 화학, 약리학, 컴퓨테이싱 등 다양한 분야의 통합이 필요하다. 최근에는 인공지능(AI), 머신러닝(ML), 데이터 과학의 도구가 탐색 효율성을 크게 높이고 있다. --- ## 파이프라인의 주요 흐름 1. 타깃 발굴(Target Identification) 및 검증(Target Validation) 2. 히트(Hit) 발견 및 선별(Hit Finding / Hit-to-Lead) 3. 리드(Lead) 발견 및 최적화(Optimization) 4. 후보물질(Candidate) 선정 및 선발 5. 전임상(Preclinical) 연구 및 안전성 평가 6. 규제 준비 및 임상시험(Clinical Development)으로의 이행 각 단계는 피드백 루프를 포함하며, 실패를 줄이기 위해 지속적인 데이터 평가와 결정 문서화가 중요하다. --- ## 주요 접근 방법 - Target-based Drug Discovery (TDD) - 특정 생물학적 표적(단백질, 수용체, 효소 등)을 중심으로 약물을 설계하고 선별하는 접근법. - 구조정보(SBDD)와 기능 정보를 활용한다. - Phenotypic Drug Discovery (PDD) - 표적에 대한 초기 지식 없이도 세포 또는 생물체의 표현형 변화를 보는 방식으로 약물 후보를 찾는다. - High-Throughput Screening (HTS) - 대량의 화합물을 빠르게 스크리닝하여 활성 휴먼 모듈을 찾는 방법. - Fragment-Based Drug Discovery (FBDD) - 저분자 조각(fragment)을 조합해 고활성 후보를 구성하는 전략. - Structure-Based Drug Design (SBDD) - 표적의 3차원 구조 정보를 이용해 컴퓨터 설계 및 최적화를 수행. - In Silico Screening 및 Computational Chemistry - 가상 스크리닝, 분자 도킹, 약물유사성 탐색, QSAR 등 컴퓨터 기반 예측 기법. - 어댑티브/세로형(Tailored) Lead Optimization - SAR(Structure-Activity Relationship)과 PD/PK 목표를 반영해 화합물을 점진적으로 개선. - AI 및 Generative Modeling - 딥러닝 기반의 분자 생성, 예측 모델링, 자동화된 합성 경로 탐색 등을 활용. --- ## 타깃 발굴(Target Identification) 및 검증(Target Validation) - 목표 정의: 질병의 병리학에서 중요한 역할을 하는 분자 또는 경로를 식별. - 관찰적 근거: 유전자/단백질의 변이, 발현 차이, 생리적 기능과 질병 연관성 확인. - Druggability 평가: 표적이 약물로 조절 가능한지, 선택성 및 안전성 측면에서 매력적인지 판단. - 검증 방법: CRISPR 기반 유전자 조작, RNAi, 다중 오믹스 데이터 통합, 동물모델 및 조직샘플 활용. - 위험 관리: 표적의 보편성 여부, 대체 경로의 존재성, 오래 지속된 타깃의 효과 여부 등 고려. --- ## 히트 발견 및 히트 투 리드(Hit-to-Lead) - 히트의 정의: 화합물이 표적에 대해 초기 활성을 보이는 화합물군. - 선별과 우선순위화: potency, selectivity, ADME 특성, 독성 위험, 합성 용이성 등을 종합 평가. - 히트 유효성 확인: 확인된 히트의 재현성, 작용 기전(메커니즘) 파악. - 초기 최적화 방향: 물리화학적 특성(예: 용해도, pKa), 흡수-분포-대사-배설(PK/PD), 독성 신호의 개선. --- ## 리드 발견 및 최적화(Lead Discovery & Optimization) - 리드의 정의: 표적에 대해 강한 활성을 보이고, 개선의 여지가 남아 있는 초기 화합물. - 의도된 특성(Target Profile): 선택성 증가, 효능 강화, 독성 최소화, 물리화학적 적합성 - SAR 탐색: 구조-활성 관계를 체계적으로 평가하여 변형 방향과 범위를 결정. - 의약화학적 전략: 작용기, 결합 모드, 리간드-표적 상호작용의 최적화. - PK/PD 최적화: 흡수, 분포, 대사, 배설 특성을 조정하면서 목표 노출을 달성. - 독성 예측 및 관리: in vitro 독성 평가, off-target 효과 최소화, 안전성 신호 조기 탐지. --- ## 후보물질 선정(Candidate Selection) 및 선발 - 선발 기준: 강한 활성, 충분한 선택성, 양호한 PK/PD 프로파일, 안전성 여유(Safety Margin), 합성가능성, 제조 공정의 타당성. - 전임상 진입 결정: 임상시험 설계에 필요한 데이터(효능-독성 창, 대상 조직의 노출 등) 기반. - 후보물질의 후보군 관리: 여러 후보의 장단점 비교, 개발 전략에 맞춘 우선순위 결정. --- ## 전임상 연구 및 안전성 평가 - 독성학(Tox) 평가: 세포 독성, 유전독성, 암발생 가능성, 간독성 등 다양한 독성 평가. - DMPK(Drug Metabolism and Pharmacokinetics) 분석: 대사 경로, 대사산물, 생체 내 노출, 상호작용. - 적합성 시험: GLP(좋은 실험실 사용 실제), GMP(우수 제조 관행) 등 규제 기준 충족. - 동물모델 및 비임상 연구: 효능 및 안전성의 초기 예측치를 제공. --- ## 규제, 제조 및 임상으로의 이행 - 규제 경로: 의약품 개발은 각국의 규제기관(예: FDA, EMA, MFDS)의 가이드라인에 따라 전임상 데이터를 기반으로 임상시험 승인 여부를 결정. - 임상 개발의 단계: 1상(안전성·용량), 2상(효능 및 용량-반응 관계), 3상(확증적 효능 및 안전성)으로 진행. - 제형, 생산성, 품질관리(CMC): 제조공정의 일관성 확보 및 품질 보증. - 윤리 및 안전성: 참가자 안전을 최우선으로 하는 연구 설계. --- ## 최근 동향 및 기술 전망 - AI/ML의 도입: 예측 모델링, 분자 생성, 합성 경로 제시, 독성 예측 등 다양한 단계에서 활용. - Generative Chemistry: 조건에 맞춘 새로운 분자 설계 및 스캐폴드 생성. - 다중 오믹스 통합: 유전체, 전사체, 단백질체 데이터를 연계해 새로운 표적 발굴 및 네트워크 기반 이해. - 고도화된 스크리닝 기술: 분자 도킹, 표적-리간드 상호작용의 정밀 분석, 마이크로플루이딕 시스템 사용. - 약물재창출(Drug Repurposing): 이미 승인된 약물을 새로운 질환에 적용하는 전략으로 개발 리스크를 줄이려는 시도. --- ## 도전과제 및 한계 - 높은 실패율과 비용: 초기 탐색에서 임상까지의 실패 확률이 매우 높고 투자 비용이 막대. - 데이터 품질 및 재현성: 실험 조건의 차이가 결과에 큰 영향. - 복잡한 생물학적 표적: 다중 타깃 또는 네트워크 기반 질환의 경우 단일 표적 접근의 한계. - 규제 및 제조 복잡성: 임상 안전성 및 대량생산의 합리적 관리 필요. --- ## 용어집(Glossary) - Target: 표적. 질병의 병리와 관련된 분자 또는 경로. - Hit: 표적에 최초로 활성을 보인 화합물. - Lead: 활성이 확고하고 최적화의 여지가 있는 후보 물질. - Lead Optimization: 리드를 점진적으로 개선하는 과정을 말함. - PK/PD: 약물의 체내 거동(PK)과 효과(Pharmacodynamics). --- ## 참고 문헌 및 자료(선택) - Lipinski의 규칙과 약물설계 원칙 - Structure-Based Drug Design 관련 교재 및 최신 리뷰 - AI 기반 약물발견 관련 최신 논문 및 리뷰 - DMPK 및 독성 평가 가이드라인 문헌 --- ## 관련 문서 --- 관련 문서: [[Target Identification and Validation (Drug discovery)]], [[AI-Driven Drug Discovery: Methods and Applications]]