챕터 17 선수지식: 컴퓨터 지원 신약 개발과 임상시험에 들어가기 전 알아야 할 것

29 분 소요

1. 17챕터는 무엇을 하려는 장인가요?

17챕터는 앞선 생명정보학 지식이 실제 치료법 개발로 어떻게 이어지는지 보여주는 장입니다.

지금까지 배운 유전체학, 전사체학, 단백체학, 암 유전체학, AI 분석은 모두 질병을 이해하기 위한 도구였습니다. 하지만 질병을 이해하는 것만으로 환자를 치료할 수는 없습니다. 결국 치료에 쓸 수 있는 약물, 항체, 세포치료제, 진단 방법, 임상적 의사결정으로 이어져야 합니다.

신약 개발은 매우 긴 과정입니다. 어떤 질병에서 어떤 단백질이나 경로가 문제인지 찾고, 그 표적을 조절할 수 있는 후보 물질을 찾고, 세포와 동물에서 확인하고, 사람에게 안전하고 효과적인지 여러 단계의 임상시험으로 검증해야 합니다.

신약 개발의 큰 흐름

17장의 큰 질문은 다음과 같습니다.

컴퓨터와 AI는 신약 개발의 어떤 단계를 더 빠르고 정확하게 도울 수 있을까요? 그리고 사람에게 실제로 쓰려면 어떤 임상 검증이 필요할까요?

이 장은 크게 두 부분으로 볼 수 있습니다. 앞부분은 컴퓨터 기반 신약 설계, 즉 CADD를 다룹니다. 뒷부분은 임상시험과 연구 설계를 다룹니다. 하나는 “약 후보를 어떻게 찾을까?”에 가깝고, 다른 하나는 “그 약이 사람에게 정말 도움이 되는지 어떻게 증명할까?”에 가깝습니다.

2. 약은 대개 “몸 안의 특정 표적을 건드리는 분자”입니다

약을 이해하려면 먼저 표적(target)이라는 개념을 알아야 합니다. 표적은 약물이 작용하려는 생물학적 대상입니다. 보통 단백질인 경우가 많습니다. 예를 들어 어떤 효소가 너무 활발해서 병이 생긴다면, 그 효소를 억제하는 약물을 만들 수 있습니다. 어떤 수용체가 비정상적으로 신호를 보내 암세포가 자란다면, 그 수용체를 막는 약을 만들 수 있습니다.

비유하면 몸속 세포는 복잡한 공장이고, 단백질들은 기계나 스위치입니다. 병은 어떤 스위치가 계속 켜져 있거나, 중요한 브레이크가 고장 난 상태일 수 있습니다. 약은 그 스위치를 끄거나, 브레이크를 다시 작동시키거나, 잘못된 신호를 막는 분자라고 볼 수 있습니다.

하지만 표적을 고르는 것은 어렵습니다. 어떤 단백질이 질병과 관련되어 보인다고 해서 무조건 좋은 약물 표적은 아닙니다. 그 단백질을 건드렸을 때 병이 좋아지는지, 다른 중요한 기능이 망가지지는 않는지, 실제로 약물이 붙을 수 있는 구조가 있는지 확인해야 합니다.

앞선 장에서 배운 GWAS, 암 유전체학, 전사체 분석, 단백체학은 표적 발견에 활용될 수 있습니다. 예를 들어 특정 질병 환자에서 반복적으로 변이가 생기는 유전자, 암세포에서 과하게 발현되는 단백질, 치료 반응과 관련된 경로가 약물 표적 후보가 될 수 있습니다.

3. 전통적인 신약 개발은 “찾고, 고르고, 고치고, 검증하는” 긴 과정입니다

신약 개발은 단순히 좋은 물질 하나를 발견하는 일이 아닙니다. 처음 발견한 후보 물질은 대개 그대로 약이 되지 못합니다. 효과가 약하거나, 독성이 있거나, 몸에 잘 흡수되지 않거나, 너무 빨리 분해되거나, 원하지 않는 다른 단백질에도 붙을 수 있습니다.

그래서 신약 개발은 대략 다음 흐름을 가집니다.

질병 메커니즘을 이해합니다.
약물이 겨냥할 표적을 찾습니다.
표적에 영향을 줄 후보 물질을 찾습니다.
후보 물질의 효과와 독성을 세포 수준에서 봅니다.
동물 모델에서 더 확인합니다.
사람을 대상으로 임상시험을 진행합니다.
규제기관의 승인을 받고 시판 후에도 감시합니다.

처음 찾은 후보 물질을 hit라고 부르는 경우가 있습니다. Hit는 “어느 정도 가능성이 보이는 물질”입니다. 이 hit를 더 좋게 다듬은 후보를 lead라고 부르기도 합니다. Lead optimization, 즉 리드 최적화는 이 물질을 더 효과적이고 안전하고 약다운 성질을 갖도록 바꾸는 과정입니다.

비유하면 처음 찾은 hit는 원석입니다. 반짝이긴 하지만 바로 보석으로 팔 수는 없습니다. 깎고 다듬고 내구성을 확인해야 합니다. 리드 최적화는 이 원석을 실제 사용할 수 있는 보석으로 가공하는 과정과 비슷합니다.

4. CADD는 컴퓨터로 약 후보를 먼저 걸러보는 방법입니다

CADD는 Computer-Aided Drug Design의 약자입니다. 한국어로는 컴퓨터 지원 신약 설계라고 합니다. 핵심은 실험실에서 모든 후보 물질을 다 시험하기 전에, 컴퓨터로 가능성이 높은 후보를 먼저 추리는 것입니다.

화합물 후보는 어마어마하게 많습니다. 모든 물질을 실제로 합성하고 실험하는 것은 비용과 시간이 너무 많이 듭니다. 그래서 컴퓨터를 이용해 “이 물질은 표적 단백질에 잘 붙을 것 같다”, “이 물질은 독성이 클 것 같다”, “이 물질은 몸에 잘 흡수되지 않을 것 같다” 같은 예측을 먼저 합니다.

컴퓨터 기반 신약 설계 흐름

CADD는 실험을 대체하는 것이 아니라 실험의 방향을 줄여주는 역할을 합니다. 수백만 개 후보 중에서 몇백 개, 몇십 개로 좁혀주면 실험 비용과 시간을 크게 줄일 수 있습니다. 하지만 컴퓨터 예측은 어디까지나 예측입니다. 실제 생물학적 환경은 훨씬 복잡하므로 실험 검증이 반드시 필요합니다.

CADD를 이해할 때는 두 가지 접근을 구분하면 좋습니다.

접근	쉬운 설명
구조 기반 신약 설계	표적 단백질의 3차원 구조를 보고 약물이 잘 붙는지 예측합니다.
리간드 기반 신약 설계	이미 알려진 약물/화합물들의 특징을 보고 비슷한 후보를 찾습니다.

구조 기반 방식은 단백질의 모양 정보가 중요합니다. 13장과 16장에서 다룬 단백질 구조, AlphaFold, PDB 같은 개념과 연결됩니다. 리간드 기반 방식은 이미 효과가 알려진 물질들의 공통 특징을 학습해 새 후보를 찾는 방식입니다.

5. 분자 도킹은 “자물쇠와 열쇠가 얼마나 잘 맞는지 보는 계산”입니다

분자 도킹(molecular docking)은 CADD에서 매우 중요한 개념입니다. 단백질 표적에 약물 후보가 어떻게 붙을지 컴퓨터로 예측하는 방법입니다.

자주 쓰는 비유는 자물쇠와 열쇠입니다. 표적 단백질에는 약물이 들어갈 수 있는 결합 부위가 있습니다. 약물 후보는 그곳에 들어가려는 열쇠와 같습니다. 분자 도킹은 이 열쇠가 자물쇠에 잘 들어맞는지, 얼마나 안정적으로 붙을지 계산합니다.

분자 도킹의 감각

물론 실제 단백질은 딱딱한 자물쇠가 아닙니다. 단백질은 움직이고 흔들립니다. 물 분자도 있고, 세포 안 환경도 복잡합니다. 그래서 도킹 점수가 좋다고 해서 반드시 좋은 약이 되는 것은 아닙니다. 도킹은 후보를 줄이는 필터 중 하나입니다.

도킹을 읽을 때는 다음 질문을 떠올리면 됩니다.

표적 단백질의 구조를 알고 있나요?
약물 후보가 어느 자리에 붙는다고 예측하나요?
결합 점수는 얼마나 좋은가요?
그 결합이 생물학적으로 의미 있는 기능 변화를 만들까요?
실제 실험에서도 같은 결과가 나오나요?

이 질문들을 통해 도킹 결과를 과신하지 않고 해석할 수 있습니다.

6. ADMET은 “약이 몸 안에서 살아남을 수 있는지 보는 검사”입니다

어떤 물질이 시험관 안에서 표적 단백질에 잘 붙는다고 해서 좋은 약이 되는 것은 아닙니다. 사람 몸 안에서는 더 많은 조건을 통과해야 합니다. 약은 몸에 흡수되어야 하고, 필요한 위치까지 이동해야 하고, 너무 빨리 분해되면 안 되고, 적절히 배설되어야 하며, 독성이 크면 안 됩니다.

이런 성질을 묶어서 ADMET이라고 합니다.

ADMET은 약 후보의 현실성 검사입니다

ADMET은 다음을 뜻합니다.

글자	의미	쉬운 설명
A	Absorption, 흡수	약이 몸 안으로 잘 들어오는가입니다.
D	Distribution, 분포	약이 필요한 조직까지 잘 가는가입니다.
M	Metabolism, 대사	몸 안에서 어떻게 변하는가입니다.
E	Excretion, 배설	몸 밖으로 어떻게 빠져나가는가입니다.
T	Toxicity, 독성	몸에 해롭지 않은가입니다.

예를 들어 어떤 물질이 암 단백질을 아주 잘 억제한다고 해도, 먹었을 때 장에서 흡수되지 않으면 약으로 쓰기 어렵습니다. 간에서 너무 빨리 분해되어 사라져도 문제입니다. 심장에 독성을 일으키면 더 큰 문제입니다.

그래서 신약 개발에서는 효능뿐 아니라 약다운 성질, 즉 drug-likeness도 중요합니다. 컴퓨터 모델과 AI는 ADMET 예측에도 활용됩니다. 후보 물질을 초기에 걸러내면 실패 가능성이 큰 물질에 시간을 덜 쓰게 됩니다.

7. 현대적 치료제는 작은 화합물만 있는 것이 아닙니다

전통적인 약물이라고 하면 알약이나 주사제 속 작은 화합물(small molecule)을 떠올리기 쉽습니다. 하지만 현대 신약 개발에는 훨씬 다양한 형태의 치료제가 등장합니다.

항체 치료제는 특정 표적에 매우 선택적으로 붙는 항체를 이용합니다. 항체-약물 접합체(ADC)는 항체에 강한 약물을 붙여 암세포 같은 표적 세포에 선택적으로 전달하려는 전략입니다. CAR-T 세포 치료는 환자의 면역세포를 유전적으로 조작해 암세포를 더 잘 공격하게 만드는 치료법입니다. PROTAC은 질병 관련 단백질을 단순히 억제하는 것이 아니라 세포 안에서 분해되도록 유도하는 기술입니다. 면역 체크포인트 억제제는 암세포가 면역 시스템을 피하는 장치를 막아 면역세포가 암을 공격하게 돕습니다.

이런 치료제들은 모두 생명정보학과 연결됩니다. 어떤 환자가 어떤 표적을 가지고 있는지, 어떤 암이 어떤 면역 환경을 갖는지, 어떤 단백질을 분해해야 하는지, 어떤 유전자 변이가 치료 반응과 관련되는지 분석해야 하기 때문입니다.

따라서 17장을 읽을 때는 “신약 개발 = 화학물질 하나 찾기”라고만 생각하지 않는 것이 좋습니다. 현대 신약 개발은 유전체, 단백질, 면역, 세포치료, AI, 임상 데이터가 함께 움직이는 분야입니다.

8. AI 기반 신약 발견은 “표적, 물질, 반응을 예측하는 도구”입니다

AI는 신약 개발의 여러 단계에 들어갈 수 있습니다. 질병 데이터에서 새로운 표적을 찾을 수 있고, 단백질 구조를 예측할 수 있고, 화합물의 활성을 예측할 수 있고, 독성을 예측할 수 있고, 새로운 분자를 생성할 수도 있습니다.

예를 들어 그래프 신경망(graph neural network)은 분자를 그래프로 볼 수 있습니다. 원자는 점, 화학 결합은 선으로 표현할 수 있습니다. 그러면 AI는 분자의 구조적 특징을 학습해 “이 분자가 특정 단백질에 잘 붙을 가능성”이나 “독성이 있을 가능성”을 예측할 수 있습니다.

단백질과 화합물을 함께 보는 멀티모달 모델도 있습니다. 단백질 서열, 단백질 구조, 화합물 구조, 실험 결과를 함께 넣어 약물-표적 상호작용을 예측하는 식입니다.

하지만 AI가 만든 후보가 바로 약이 되는 것은 아닙니다. AI는 가능성 있는 방향을 제안할 수 있지만, 실제 약물은 화학적 합성 가능성, 안정성, 특허성, 제조 가능성, 독성, 임상적 효능을 모두 통과해야 합니다.

초보자는 이렇게 이해하면 됩니다.

AI 신약개발은 “컴퓨터가 약을 완성한다”가 아니라 “수많은 가능성 중에서 더 그럴듯한 후보를 빨리 찾게 돕는다”에 가깝습니다.

9. 임상시험은 “사람에게 정말 도움이 되는지 공정하게 확인하는 절차”입니다

전임상 연구에서 좋은 결과가 나와도 사람에게 바로 쓸 수는 없습니다. 세포나 동물에서 좋아 보인 약이 사람에게는 효과가 없거나 위험할 수 있습니다. 그래서 임상시험이 필요합니다.

임상시험은 사람을 대상으로 약물이나 치료법의 안전성과 효능을 확인하는 연구입니다. 여기서 안전성은 해롭지 않은지를 보는 것이고, 효능은 실제로 치료 효과가 있는지를 보는 것입니다.

임상시험 단계의 감각

일반적으로 임상시험은 단계적으로 진행됩니다.

단계	중심 질문	쉬운 설명
전임상	사람에게 가기 전 기본 근거가 있는가	세포와 동물에서 먼저 봅니다.
1상	안전한가	적은 사람에게 안전성과 용량을 봅니다.
2상	효과 신호가 있는가	환자에게 어느 정도 효과가 있는지 봅니다.
3상	정말 효과적이고 안전한가	많은 사람에게 대조군과 비교합니다.
4상	실제 사용 후에도 괜찮은가	시판 후 장기 안전성을 봅니다.

암 치료제처럼 생명을 위협하는 질환에서는 임상 설계가 일반적인 약과 조금 다를 수 있습니다. 건강한 사람에게 강한 항암제를 투여하기 어렵기 때문에, 초기 단계부터 환자를 대상으로 하는 경우가 있습니다. 이런 세부 차이는 원문을 읽으면서 확인하면 됩니다.

10. 근거 수준은 연구 설계에 따라 달라집니다

의학에서는 어떤 주장이 얼마나 믿을 만한지 판단할 때 연구 설계를 봅니다. 단순한 경험담과 잘 설계된 임상시험은 근거 수준이 다릅니다.

예를 들어 “어떤 사람이 이 약을 먹고 나았다”는 이야기는 흥미롭지만, 그 약 때문에 나았는지 확신하기 어렵습니다. 원래 나을 병이었을 수도 있고, 다른 치료를 같이 받았을 수도 있고, 우연일 수도 있습니다.

반면 무작위 대조 임상시험(RCT)은 치료군과 대조군을 공정하게 비교하려는 설계입니다. 무작위로 사람들을 나누고, 가능한 한 다른 조건을 비슷하게 맞추며, 약을 받은 군과 받지 않은 군의 결과를 비교합니다.

체계적 고찰과 메타분석은 여러 연구를 모아 종합적으로 판단합니다. 잘 수행된 메타분석은 높은 수준의 근거가 될 수 있습니다. 하지만 메타분석도 포함된 연구들의 질이 낮으면 한계가 생깁니다.

초보 단계에서는 다음 순서를 기억하면 됩니다.

연구 형태	대략적인 감각
사례 보고	한 명 또는 소수 사례를 자세히 봅니다.
사례-대조 연구	병이 있는 사람과 없는 사람의 과거 차이를 비교합니다.
코호트 연구	사람들을 따라가며 결과가 생기는지 봅니다.
무작위 대조 임상시험	치료군과 대조군을 공정하게 나누어 비교합니다.
체계적 고찰/메타분석	여러 연구를 모아 종합합니다.

연구 설계는 “진실에 얼마나 가까이 갈 수 있는가”를 결정합니다. 그래서 17장에서는 신약 자체뿐 아니라 임상시험 방법론도 중요하게 다룹니다.

11. 혼동 요인은 “진짜 원인처럼 보이게 만드는 제3의 변수”입니다

임상 연구에서 가장 조심해야 할 것 중 하나가 혼동 요인(confounder)입니다. 혼동 요인은 치료와 결과 사이의 관계를 헷갈리게 만드는 제3의 변수입니다.

예를 들어 커피를 많이 마시는 사람이 심장병에 더 많이 걸린다는 관찰이 있다고 해보겠습니다. 그러면 커피가 심장병의 원인이라고 바로 말할 수 있을까요? 아닙니다. 커피를 많이 마시는 사람들 중 흡연자가 많다면, 실제 원인은 흡연일 수 있습니다. 이때 흡연은 혼동 요인입니다.

의학 연구에서는 나이, 성별, 기저질환, 생활습관, 이전 치료, 약물 복용, 질병 중증도 등이 혼동 요인이 될 수 있습니다.

임상시험은 이런 혼동 요인을 줄이기 위해 여러 장치를 사용합니다.

임상시험이 편향을 줄이는 장치

무작위 배정은 알려진 요인과 알려지지 않은 요인이 양쪽 군에 비슷하게 섞이도록 돕습니다. 대조군은 비교 기준을 만듭니다. 위약은 환자의 기대감 때문에 생기는 효과를 분리합니다. 맹검은 환자나 의료진이 어떤 치료를 받는지 알고 행동이나 평가가 달라지는 것을 줄입니다.

이 장치를 이해하면 임상시험이 왜 복잡하게 설계되는지 알 수 있습니다. 복잡한 것은 형식 때문이 아니라, 착각을 줄이기 위한 장치입니다.

12. 상대위험도, 오즈비, 백신 효능은 비교를 숫자로 표현한 것입니다

17장에는 통계 지표도 나옵니다. 수식이 나오면 어렵게 느껴질 수 있지만, 기본은 “두 집단을 비교한다”입니다.

상대위험도(RR, relative risk)는 실험군에서 어떤 사건이 일어날 위험이 대조군에 비해 몇 배인지 보는 값입니다. RR이 1이면 차이가 거의 없다는 뜻입니다. RR이 0.5이면 실험군 위험이 대조군의 절반이라는 뜻입니다. RR이 2이면 실험군 위험이 두 배라는 뜻입니다.

오즈비(OR, odds ratio)는 사건이 일어날 오즈의 비율입니다. 오즈는 확률과 비슷하지만 계산 방식이 조금 다릅니다. 사례-대조 연구나 로지스틱 회귀에서 자주 등장합니다. 초보 단계에서는 OR도 “두 집단의 사건 발생 경향을 비교하는 숫자”라고 생각하면 됩니다.

백신 효능(VE, vaccine efficacy)은 백신을 맞은 사람에게서 질병 발생이 얼마나 줄었는지를 나타냅니다. 예를 들어 백신 효능이 90%라는 말은 “백신 접종군의 발생률이 미접종군보다 90% 낮았다”는 식으로 이해하면 됩니다. 단, 이 값은 연구 설계와 대상 집단, 추적 기간, 변이 바이러스 상황 등에 따라 달라질 수 있습니다.

중요한 것은 숫자 하나만 보고 판단하지 않는 것입니다. 표본 수, 신뢰구간, p-value, 연구 설계, 대상 집단, 부작용, 추적 기간을 함께 봐야 합니다. p-value와 통계적 유의성의 기본 감각은 4~6장 선수지식과 10~12장 선수지식을 참고하시면 됩니다.

RR, OR, VE를 숫자로 한 번만 직접 계산해 봅시다

상대위험도 RR은 두 집단의 발생률을 나누는 값입니다.

RR = 실험군 발생률 / 대조군 발생률

예를 들어 대조군 100명 중 20명에게 사건이 생기고, 치료군 100명 중 10명에게 사건이 생겼다고 해보겠습니다.

대조군 발생률 = 20 / 100 = 0.20
치료군 발생률 = 10 / 100 = 0.10
RR = 0.10 / 0.20 = 0.5

RR이 0.5라는 말은 치료군의 위험이 대조군의 절반이라는 뜻입니다.

오즈비 OR은 2×2 표에서 자주 계산합니다.

구분	사건 있음	사건 없음
노출군	a	b
비노출군	c	d

OR = (a × d) / (b × c)

예를 들어 a=10, b=90, c=20, d=80이면 OR은 (10×80)/(90×20) = 800/1800 ≈ 0.44입니다. 초보 단계에서는 “1보다 작으면 노출군에서 사건 경향이 더 낮다, 1보다 크면 더 높다” 정도로 읽으면 됩니다.

백신 효능 VE는 감염 사례가 얼마나 줄었는지 보는 값입니다.

VE = [1 - (접종군 발생률 / 미접종군 발생률)] × 100%

예를 들어 미접종군 감염률이 10%, 접종군 감염률이 2%라면 VE = [1 - (0.02/0.10)] × 100% = 80%입니다. 즉 접종군에서 질병 발생이 약 80% 줄었다고 해석합니다.

계산할 때 제일 중요한 습관은 “분자와 분모가 무엇인지 먼저 말로 확인하는 것”입니다. 숫자부터 넣으면 치료군과 대조군을 뒤집어 계산하기 쉽습니다.

13. 멘델리안 무작위배정은 “유전적 차이를 자연이 나눠준 실험처럼 활용하는 방법”입니다

멘델리안 무작위배정(Mendelian randomization, MR)은 처음 보면 이름부터 어렵습니다. 하지만 핵심은 꽤 직관적입니다.

사람은 태어날 때 부모로부터 유전적 변이를 물려받습니다. 이 유전적 차이는 보통 생활습관이나 사회적 선택의 결과가 아니라 태어날 때 정해진 것입니다. 그래서 어떤 유전 변이가 특정 노출과 관련되어 있다면, 그 변이를 이용해 노출과 질병 사이의 인과관계를 추정해볼 수 있습니다.

예를 들어 어떤 유전 변이가 혈중 LDL 콜레스테롤을 높이는 경향이 있다고 해보겠습니다. 그 변이를 가진 사람들이 평생 LDL이 높은 경향을 보이고 심혈관질환도 더 많다면, LDL이 심혈관질환에 인과적으로 관련될 가능성을 뒷받침할 수 있습니다.

물론 MR도 완벽한 방법은 아닙니다. 유전 변이가 오직 하나의 경로로만 결과에 영향을 주어야 한다는 가정이 필요합니다. 다른 경로로도 영향을 준다면 해석이 복잡해집니다. 그래도 관찰 연구의 혼동 문제를 보완하는 강력한 도구로 쓰입니다.

14. 17장을 읽기 전 꼭 잡아야 할 핵심 정리

17장은 신약 개발과 임상시험을 한 번에 다루기 때문에 범위가 넓습니다. 하지만 큰 흐름은 명확합니다.

먼저 질병에서 중요한 표적을 찾습니다. 그 표적에 영향을 줄 수 있는 후보 물질을 컴퓨터와 실험으로 찾습니다. 후보 물질이 약으로 쓸 만한 성질을 갖는지 ADMET으로 평가합니다. 세포와 동물에서 확인한 뒤, 사람에게 안전하고 효과적인지 임상시험으로 검증합니다.

핵심 개념	읽을 때 필요한 감각
표적	약물이 겨냥하는 몸속 단백질이나 경로입니다.
Hit/Lead	가능성 있는 후보와 더 다듬은 후보입니다.
CADD	컴퓨터로 약 후보를 먼저 걸러보는 방법입니다.
도킹	약 후보가 표적에 잘 붙는지 예측하는 계산입니다.
ADMET	몸 안에서 약으로 쓸 수 있을지 보는 현실성 검사입니다.
RCT	치료군과 대조군을 공정하게 비교하는 임상시험입니다.
혼동 요인	진짜 원인처럼 보이게 만드는 제3의 변수입니다.

17장을 읽을 때는 “이 기술이 신약 개발의 어느 단계에 쓰이는가?”를 계속 생각하면 좋습니다. 표적 발견인지, 후보 물질 탐색인지, 독성 예측인지, 임상 검증인지 위치를 잡으면 용어가 훨씬 덜 헷갈립니다.