하이퍼랩 블로그 - AI

30년 전 개발된 MSA 기술이 AlphaFold와 결합하면서 단백질 구조 예측의 정확도를 크게 향상시키고 있습니다. 한때 대중의 관심 밖에 있던 전통적 기법인 MSA, 과연 어떤 기술이고 무엇 때문에 주목받고 있을까요?

Molecular docking은 신약 개발에서 리간드와 수용체 간의 결합 구조를 예측하는 핵심 기술입니다. 그러나 Thoroughness, scoring function, flexible residue 설정과 같은 환경 구성에 따라 결과가 달라질 수 있다는 사실, 알고 계셨나요? 도킹의 한계를 극복하고 이를 연구에 어떻게 활용할 수 있을지 함께 알아보시죠!

히츠 AI 연구팀의 배성한 연구원이 제2회 AI 신약개발 경진대회에서 우수상을 받았습니다. 이번 대회에서 MolCLR 모델과 Hyper Lab의 binding affinity 예측값을 활용하며 데이터 부족과 불균형 문제를 극복할 수 있었습니다.

NeurIPS 2024에서는 AI를 활용한 신약 개발 연구가 주목받았으며, SubGDiff, GFlowNet, Uni-Mol2, MutaPLM 등이 발표되었습니다. 이러한 연구들은 화합물 설계와 단백질 분석에서 혁신적인 성과를 보여주었습니다. 이번 NeurIPS 2024에서는 또 어떤 새로운 연구들이 있을지 살펴보겠습니다.

초대형 화합물 라이브러리는 DEL 기술과 AI를 활용해 신약 개발의 효율성을 높이며, 화학적 다양성과 히트 화합물 발견 가능성을 확장합니다.

2024년 노벨 물리학상과 화학상은 John Hopfield와 Geoffrey Hinton의 신경망 연구가 AI 혁신의 기초임을 기리며 수여되었습니다. Hopfield Network와 RBM은 각각 연상 기억과 비지도 학습 원리를 모델링해 딥러닝의 발전을 이끌었습니다. 이번 수상은 AI가 과학과 산업에 미치는 강력한 영향을 다시 한번 입증한 계기가 되었습니다. AI와 물리학이 이렇게 깊이 연결될 수 있었던 이유는 무엇일까요?

이번 글에서는 AI agent인 Chat-GPT의 작동 방식을 알려드리고, AI 신약 개발 어시스턴트 Nova가 신약 개발 질문에 답변하는 과정을 설명합니다. 또한, AI agent의 빠른 발전이 신약 개발 연구에 미칠 영향에 대해 다룹니다.

역가상 스크리닝은 신약 개발과 약물 재창출 분야에서 매우 중요한 도구로 자리 잡고 있습니다. 특정 화합물에 결합 가능성이 높은 단백질을 대규모 데이터베이스에서 찾아내는 신약 개발 방법으로써, 모양 기반 스크리닝, 약리학적 모델 스크리닝, 역도킹 등 다양한 기법을 활용해 예상치 못한 단백질 표적과의 상호작용을 밝히는 데 매우 용이한 접근 방법이라 할 수 있습니다.

거대 오픈 소스는 기술이 발전하고 기업이 영리 활동하는 걸 어떻게 도와줄 수 있는 걸까요? 아니, 후자의 경우 애초에 가능은 한 걸까요? 이번 글은 오픈 소스에 대해 다룹니다.

Georgia Institute of technology의 Ryan Kern과 하이퍼랩 인터뷰를 진행했습니다. PDB ID만 넣어도 리간드를 그릴 수 있고, docking 뿐만 아니라 여러가지 물성 값을 스프레드 형식으로 볼 수 있어서 사용하기 매우 편하다고 답하였습니다.