도서 소개

인공지능이 제약바이오산업의 패러다임을 어떻게 바꾸고 있는지를 설명하는 입문서다. 전통적으로 신약 개발에는 10년 이상의 시간과 막대한 비용, 수많은 실패가 뒤따르지만, AI는 방대한 데이터를 분석해 후보물질을 발굴하고 단백질 구조와 약물 작용을 예측하며 임상 성공률을 높이는 혁신 도구로 주목받고 있다.

이 책은 신약개발의 기본 개념과 단백질·질병·약물의 상호작용, 약물 탐색·최적화·임상시험 과정까지 차근차근 짚는다. 또한 딥러닝 원리와 CNN·RNN·GNN 같은 신경망 구조, 생성형 AI를 통한 신약 설계까지 연결해 독자가 전체 흐름을 입체적으로 이해하도록 돕는다. 학생, 연구자, 산업 종사자 모두에게 기초와 실무를 아우르는 길잡이가 되며, AI 기반 제약바이오 혁신의 출발점이 되는 책이다.

  출판사 리뷰

인공지능이 여는 신약개발의 미래
복잡한 과정, 이제는 데이터와 AI로 길을 찾는다

신약개발은 인류 보건의학의 최전선에 서 있는 핵심 분야이지만, 동시에 가장 도전적인 영역이다. 새로운 약 하나가 세상에 나오기까지는 평균 10년 이상의 시간과 수조 원의 비용이 소요되며, 최종 성공 확률은 10%도 채 되지 않는다. 이러한 비효율성은 오랫동안 제약 산업의 고질적인 문제로 지적되어 왔다. ‘이룸의 법칙(Eroom’s Law)’이라 불리는 현상, 즉 ‘과학기술은 발전하지만 신약개발 효율성은 오히려 떨어지는 역설적 상황’은 오늘날도 여전히 유효하다.
이러한 난제를 돌파하기 위한 해법으로 떠오른 것이 바로 인공지능(AI)이다. AI는 방대한 생물학·화학 데이터를 분석해 약물 후보물질을 선별하고, 단백질과 화합물 간 상호작용을 정밀하게 예측하며, 임상 설계의 성공 가능성을 높이는 데 기여한다. 《AI 신약개발 첫걸음》은 이처럼 신약개발의 패러다임을 바꾸고 있는 AI 기술을 종합적으로 소개하는 입문 교재다.
저자는 먼저 신약개발의 기본 개념과 약물이 작용하는 기전을 짚어주고, 이어서 단백질 구조 예측, 가상 스크리닝, 리간드 설계 등 핵심 과정을 친절하게 설명한다. 이어 AI가 어떤 방식으로 이 전통적 과정을 단축하고, 비용을 줄이며, 성공 확률을 높이는지를 실제 연구 흐름과 함께 보여준다.

AI가 제약 산업의 판을 바꾼다
생명과학과 데이터 과학이 만나는 첫 교차점

이 책의 가장 큰 강점은 “입문서답게 쉽고 체계적”이라는 점이다. 생명과학·의약학 전공자가 아니어도, AI에 익숙하지 않아도, 독자들은 단계적으로 내용을 따라가며 신약개발과 AI의 만남을 이해할 수 있다. 1장에서는 신약개발의 낮은 성공률과 높은 비용 문제를 소개하며 이를 해결할 혁신으로 AI를 제시한다. 2장에서는 딥러닝의 기본 구조와 역전파와 경사하강법 등 핵심 원리를 살펴 생명과학과 AI의 접점을 마련한다. 3장에서는 정규화·드롭아웃 같은 기법으로 과적합을 방지해 모델 신뢰성을 높이는 방법을 설명한다. 4장에서는 CNN, RNN, GNN 등 최신 신경망 구조의 특성과 신약개발 데이터 처리 방식을 다룬다. 5장에서는 생성형 AI가 신약설계에서 어떤 변화를 일으키는지를 탐구하며 AlphaFold를 통한 분자 설계와 단백질 구조 예측의 혁신을 소개한다. 6장에서는 후보물질 탐색, 독성 예측, ADME-T 분석 등 신약개발 전주기에 걸친 AI 응용을 다룬다. 7장에서는 멀티모달 AI, 자율 실험실, 양자컴퓨팅 등 미래 전망을 제시하며 AI가 신약개발 패러다임을 바꾸는 동력임을 강조한다.
《AI 신약개발 첫걸음》은 단순한 기술 해설을 넘어, 신약개발이라는 실제 산업 현장에서 AI가 어떻게 적용될 수 있는지를 구체적으로 제시한다. 따라서 제약·바이오 연구자뿐 아니라, 대학원생, AI 연구자, 투자자에게도 반드시 필요한 길잡이가 될 것이다.

저는 이 책을 통해 독자 여러분이 두 가지 핵심 목표를 달성하기를 바랐습니다. 첫째는 신약개발 과정에 대한 이해이며, 둘째는 AI 기술이 왜, 어떻게 신약개발을 혁신할 수 있는지 그 잠재력을 체험하는 것입니다. [...] 중반부(4-5장)에서는 본격적으로 AI 모델을 신약개발 문제에 적용하는 방법을 탐구합니다. 분자 구조를 표현하는 SMILES부터 3차원 구조까지, 다양한 데이터 형태를 대표적인 딥러닝 모델로 어떻게 다루는지 배웁니다. 이를 통해 약물의 특성을 예측하고, 방대한 데이터 베이스 속에서 유효물질을 효율적으로 찾아내는 ‘가상탐색’의 원리와 실제를 익히게 될 것입니다.

후반부(6-7장)에서는 AI 신약개발의 꽃이라 할 수 있는 ‘생성 모델 기반 신약 설계’로 나아갑니다. 비교적 단순한 생성 모델을 이용해 세상에 없던 새로운 분자를 직접 설계하고, 원하는 특성을 갖도록 최적화하는 과정을 배우며 이 분야의 최전선을 경험하게 될 것입니다. 마지막으로 AI와 로봇의 결합을 통해 소위 설계-합성-테스트-분석 사이클을 자동화함으로써 신약개발을 더욱 가속화하는 자율실험실 비전을 소개합니다.

-‘머리말’에서

이룸의 법칙(Eroom’s Law)은 과학기술의 발전에도 불구하고, 신약개발의 효율성은 오히려 지속적으로 감소하고 있는 현상을 설명하는 개념입니다. 이 용어는 무어의 법칙(Moore’s Law)의 철자를 거꾸로 배열한 데서 유래하였으며, 기술이 발전함에 따라 처리 성능도 두 배로 향상된다고 예측한 것과는 달리, 신약개발에서는 10억 달러당 승인되는 신약의 수가 약 9년마다 절반으로 감소하고 있음을 의미합니다.

이러한 효율성 감소의 원인 중 하나로는 1960년대 탈리도마이드(thalidomide) 사건 이후 약물 규제의 대폭 강화가 있습니다. 해당 사건은 임신부가 복용한 진정제가 태아의 기형을 초래한 사례로, 이후 FDA를 비롯한 규제 기관은 약물 허가 과정에서 철저한 임상 근거와 안전성 검증을 요구하게 되었습니다. 이로 인해 신약개발은 더 많은 시간과 비용을 필요로 하게 되었습니다.

-Chapter 1. <신약개발의 기본 개념>에서

AI 신약개발에서 딥러닝 모델은 일반적으로 약물-표적 예측, 약물 활성 예측, 독성 예측 등 다양한 생물학적 데이터를 분석하고 예측하는 데 사용됩니다. 이러한 예측 작업은 복잡한 비선형 관계를 내포하며, 약물의 화학적 특성과 이에 따른 생물학적 반응 간의 관계를 모델링해야 합니다. [...] AI 신약개발과 같은 고차원 문제에서 신경망의 깊이를 늘리는 것은 복잡한 생물학적 및 화학적 상호작용을 모델링하는 데 필수적입니다. 깊은 신경망을 통해 약물과 생물학적 표적 간의 복잡한 관계를 더 정확하게 예측할 수 있으며, 이는 신약 발견의 성공 가능성을 높이는 데 큰 기여를 합니다.

-Chapter 2. <딥러닝 입문 (Introduction to deep learning)>에서

  작가 소개

지은이 : 김우연
한국제약바이오협회 AI신약연구원

지은이 : 한국제약바이오협회 AI신약융합연구원

  목차

책을 펴내며
머리말
추천의 말

Chapter 1. 신약개발의 기본 개념
1. 질병과 신약개발
1-1. 단백질과 질병 (Protein and disease)
1-2. 약물의 작용 기전 (Mechanism of action)
1-3. 약물 발굴 및 개발 과정 (Drug discovery & development process)
1-4. 생체분석 (Bioassay)
1-5. 약물 개발 효율성 지속적인 저하
2. 컴퓨터 기반 신약개발과 인공지능
2-1. 컴퓨터 기반 신약개발 (Computer-Aided Drug Design; CADD)
2-2. 구조 기반 가상 탐색 과정 (Structure-Based Virtual Screening; SBVS)
2-3. 결합 구조 예측 (Binding pose prediction)
2-4. CADD 방법의 장점과 단점
2-5. AI 기반 신약개발 가속화
2-6. CADD기술의 발전과 생성형 AI의 등장
3. 요약

Chapter 2. 딥러닝 입문 (Introduction to deep learning)
1. 개요
2. 선형 회귀 방법
2-1. 선형 회귀
2-2. 비용함수 (Cost function)
2-3. 경사 하강법
2-4. 볼록 함수 (Convex function)
2-5. 경사 하강법 알고리즘
2-6. 가우시안 노이즈 (Gaussian noise)
2-7. 최대 우도 (Maximum likelihood)
3. 선형 분류 (Linear classification)
3-1. 분류 (Classification)
3-2. 결정 경계 (Decision boundary)
3-3. 로지스틱 회귀 (Logistic regression)
3-4. 로지스틱 함수의 비용함수
3-5. 다중분류와 softmax 함수
4. 딥러닝의 개념 (Concept of deep learning)
4-1. 딥러닝의 개념
4-2. 왜 딥러닝인가?
4-3. 인공 신경망 (Artificial neural network)
4-4. 퍼셉트론 (Perceptron)
4-5. 논리 게이트 (Logic gate)
5. 다층 구조 퍼셉트론
5-1. 다층 구조 퍼셉트론의 개념
5-2. 비선형성과 활성화 함수 (Nonlinearity and activation function)
5-3. 보편 근사 정리 (Universal approximation theorem)
5-4. 왜 더 깊은 인공 신경망이 필요한가?
6. 순전파를 통한 예측
7. 역전파 기반 학습
7-1. 역전파 기본 개념
7-2. 확률적 경사 하강법
7-3. 역전파 과정

Chapter 3. 정규화 방법 (Regularization)
1. 일반화 (Generalization)
1-1. 일반화에 대한 기본 개념
1-2. 과소적합과 과적합 (Underfitting and overfitting)
1-3. 분산과 편향 (Variance and bias)
2. 모델의 용량 (Model capacity)
2-1. 모델 용량과 과소적합/과적합
2-2. 표현 용량 (Representational capacity)
2-3. 적절한 모델 선택 (Optimal model selection)
3. 정규화 기법 (Regularization techniques)
3-1. 데이터 증강 (Data augmentation)
3-2. 교차 검증 (Cross validation)
3-3. L1/L2 정규화
3-4. 드롭아웃 (Dropout)

Chapter 4. 딥러닝 모델 1 (Deep learning models 1)
1. 분자 표현법 (Molecular representation)
1-1. 분자 지문
1-2. SMILES
2. 합성곱 신경망 (Convolution Neural Network; CNN)
2-1. 심층 신경망의 단점
2-2. 합성곱 신경망의 기본 개념
2-3. 합성곱 연산
2-4. 다중 채널 (Multiple Channel)
2-5. 풀링 (Pooling)
2-6. 심층 신경망과 합성곱 신경망의 비교
2-7. 패딩 (Padding)
2-8. 합성곱 신경망
2-9. 3차원 합성곱 신경망과 신약개발 분야에서의 응용
2-10. 3차원 합성곱 신경망 기반 신약개발 연구 사례
3. 순환 신경망 (Recurrent Neural Network; RNN)
3-1. 왜 순환 신경망이 필요한가?
3-2. 순환 신경망 원리
3-3. 순환 신경망 연산
3-4. 순환 신경망의 가중치 공유 방식
3-5. 자기회귀 구조와 확률적 시퀀스 모델링
3-6. 순환 신경망 연산 예시
3-7. 순환 신경망에서의 기울기 소실 문제
3-8. LSTM (Long Short-Term Memory)
3-8. LSTM 구조적 복잡성과 GRU의 등장

Chapter 5. 딥러닝 모델 2 (Deep learning models 2)
1. 귀납적 편향의 개념 및 역할
1-1. 귀납적 편향 (Inductive bias)
1-2. 관계적 추론 (Relational reasoning)
1-3. 완전 연결 신경망과 가중치 공유
1-4. 합성곱 신경망과 순환 신경망에서의 가중치 공유
1-5. 귀납적 편향의 역할
2. 그래프 신경망 (Graph Neural Network; GNN)
2-1. 소셜 네트워크 예제
2-2. 그래프 표현 (Graph representations)
2-3. 분자 표현 (Molecular representation)
2-4. 분자 그래프
2-5. 원자 특징 행렬 (Atom feature matrix)
2-6. 인접 행렬 (Adjacency matrix)
2-7. 그래프 합성곱 신경망 (Graph Convolutional Network; GCN)
2-8. 그래프 합성곱 신경망에서 은닉 상태 업데이트
2-9. 그래프 합성곱 신경망의 일반화된 업데이트 방식
2-10. 합성곱 신경망과 그래프 신경망 비교
2-11. 리드아웃(Readout) 과정
2-12. 리드아웃의 특징 및 구현 방식
2-13. 그래프 합성곱 신경망의 전체 구조
2-14. 귀납적 편향의 요약
2-15. 가상 탐색 적용 사례
2-16. 그래프 합성곱 신경망 모델을 활용한 예제 연구
2-17. 거리 인식 그래프 어텐션 신경망 (Distance-aware Graph Attention Network)
2-18. 거리 인식 그래프 어텐션 신경망의 상호작용 효과
2-19. 상호작용 효과를 반영한 차감
2-20. 데이터셋 구성
2-21. 결합 포즈 예측 결과
2-22. DUD-E 데이터셋 결과
2-23. 일반화 문제

Chapter 6. 생성 AI 기반 약물 설계 (Generative AI for drug design)
1. 생성 AI의 개념
1-1. 생성 AI란 무엇인가?
1-2. 약물 발견에 미치는 영향
2. 지도 학습과 비지도 학습
3. 생성 AI의 핵심 개념
4. 생성 모델의 분류
5. Kullback-Leibler (KL) 발산
6. 오토인코더 (AE)와 변분 오토인코더 (VAE)
6-1. 오토인코더 (AutoEncoder, AE)
6-2. 변분 오토인코더 (Variational AutoEncoder, VAE)
7. 생성적 적대 신경망 (Generative Adversarial Network; GAN)
8. 생성 AI 기반 분자 설계 사례 연구

Chapter 7. 향후 전망
1. 바이오 분야에서 딥러닝의 급격한 발전
2. 멀티모달 AI의 출현
3. 합성 및 실험 자동화 로봇의 등장
4. 자율 약물 설계 (Autonomous drug design)
5. AI 에이전트
6. AI 기반 신약 개발의 약속과 한계

참고문헌
보충자료

  회원리뷰