AI를 활용한 Drug Repurposing은 의약품을 환자에게 전달하기 위한 새롭고 신속한 접근법으로 부상하고 있습니다.
본 조사에서는 AI를 활용한 약물 재창출의 출현을 분석하고, 채택을 촉진하는 요인과 저해하는 요인을 살펴봅니다. 기존 신약개발의 한계로 인해 시간, 속도, 비용 측면에서 많은 이점을 제공하는 AI 기반 약물 재사용에 대한 관심이 증가하고 있으며, AI 기반 약물 재사용은 희귀질환, 종양, 대사성 질환, 자가면역질환, 신경퇴행성 질환 등 다양한 적응증에서 검토되고 있습니다.
이 보고서는 머신러닝, 딥러닝, 생성형 AI 등 다양한 AI 기술에 초점을 맞추고, 이들이 어떻게 AI를 활용한 약물 재창출을 가능케 하는지에 대해 살펴봅니다. 또한, AI 기반 의약품 재이용에 참여하는 주요 참여자들의 AI 접근 방식, 중점 질환 분야, 향후 전망에 대해서도 살펴봅니다. 이 보고서는 AI 기반 의약품 재이용의 성장을 가속하고 억제하는 주요 요인을 살펴보고, 주요 참여자 및 이해관계자들이 활용할 수 있는 이 분야의 변화에서 비롯된 성장 기회를 파악합니다.
본 조사에서 답변을 얻을 수 있는 주요 질문
AI를 활용한 드래그 리퍼패싱 개요
코로나19 발생 이후 약물 재사용에 대한 관심이 높아지고 있습니다. 신약 개발은 표적 발굴, 리드 화합물 발굴, 임상시험, 승인 등 여러 단계를 거쳐야 하는 시간이 오래 걸리는 과정입니다. 의약품이 시장에 출시되기까지 17년이 걸리고 20억 달러가 소요될 수 있으며, 임상시험의 어느 단계에서든 실패할 수 있습니다. 약물 재창출(Drug Repurposing)은 이미 승인된 의약품의 새로운 치료 용도를 찾아내는 것입니다. 이 접근법은 승인 기간을 단축하고 실패율을 낮추며, 승인된 의약품의 안전성 데이터와 약리학적 프로파일을 사용하여 개발 기간과 비용을 절감할 수 있습니다.
의약품 재사용은 이미 승인된 의약품의 새로운 치료 용도를 찾기 위한 매력적이고 성공적인 전략으로 부상하고 있습니다. 개발 기간이 짧기 때문에 제약사와 환자 모두에게 매력적인 접근 방식입니다. 재사용된 의약품의 거의 30%가 최종적으로 환자의 손에 들어가며, 이는 기존 프로세스의 성공률인 10%를 크게 상회하는 수치입니다.
의약품 재사용에는 적응증 확대, 다른 치료 영역에서 의약품의 새로운 용도 발굴, 실패하거나 중단된 의약품의 재사용, 병용요법 등 네 가지 용도가 있습니다.
ML, DL, 자연어 처리(NLP), 예측 AI, 예측 모델링, 생성형 AI와 같은 기술은 과학 문헌, 클레임 데이터, 전자 의료 기록(EHR), 생물 정보학 데이터와 같은 다양한 출처의 대량의 데이터를 분석하여 약물 재사용에 혁명을 일으키고 있습니다. 이러한 기술은 수백만 개의 데이터 포인트를 분석하여 분자 수준에서 약물과 단백질의 상호 작용을 식별하고, 기업이 다른 질병 적응증에 사용할 의약품을 식별할 수 있도록 돕습니다. 또한 EHR과 클레임 데이터를 분석하여 사람들이 적응증 외로 사용하는 의약품에 대한 정보를 제공합니다. 따라서 AI는 신약 개발 타겟, 질병 메커니즘, 그리고 기업이 기존 약물로 타겟으로 삼을 수 있는 새로운 질병을 연결하는 데 도움이 될 수 있습니다. 임상시험에서 이미 안전성이 확인된 의약품이 환자에게 도달하는 시간을 단축할 수 있습니다. 이 과정은 다른 치료 옵션이 거의 없거나 전혀 없는 희귀질환에 특히 유용합니다.
AI를 활용한 의약품 재이용 프로세스의 속도를 높여 기존 약물의 새로운 치료용도 가능성을 밝힙니다. 이 과정에는 기존 약물에 대한 데이터 부족, 새로운 질병 적응증에 리파싱된 약물을 적용하기 위해 더 많은 연구가 필요하다는 등의 어려움이 있지만, AI는 약물 리파싱 과정의 속도를 크게 높여 환자에게 새로운 치료 옵션을 제공할 수 있습니다. 새로운 치료 옵션을 제공할 수 있습니다.
조사 범위
AI를 활용한 의약품 재이용 세분화
약물 중심 접근법
질병 중심 접근법
AI를 활용한 의약품 재이용 촉진요인
효율화의 필요성
AI 도입 증가
새로운 위협에 대한 대응의 필요성
희귀질환 파이프라인의 가속화
AI를 활용한 의약품 재이용의 성장 저해 요인
제한된 데이터
AI모델의 해석 가능성
규제상의 문제
높은 인프라 비용
AI-based Drug Repurposing is emerging as a new and faster approach to bringing drugs to patients.
This study analyzes the emergence of AI-based drug repurposing and examines the factors driving and hindering adoption. The limitation of traditional drug discovery has led to the growing interest in AI -based drug repurposing, which offers numerous advantages in terms of time, speed, and cost. AI-based drug repurposing has been explored across different disease indications, such as rare diseases, oncology, metabolic diseases, autoimmune diseases, and neurodegenerative diseases.
The study focuses on the different AI-technologies, such as machine learning, deep learning, and generative AI, and how they are enabling AI-based drug repurposing. In addition, the report looks at key participants involved in AI-based drug repurposing, including their AI approaches, disease focus areas, and future outlook. The study examines the key factors driving and restraining the growth of AI-based drug repurposing and identifies the growth opportunities emerging from the changes in this space that key participants and stakeholders can leverage.
Key Questions This Study Answers:
AI-based Drug Repurposing Overview
Interest in drug repurposing has been increasing since the COVID-19 outbreak. Drug discovery is a time-consuming process that requires several stages, including target identification, lead identification, clinical studies, and approval. The process of bringing a drug to market can take 17 years, can cost $2 billion, and can fail at any stage in the clinical study. Drug repurposing, or drug repositioning, identifies novel therapeutic uses for already-approved drugs. This approach shortens the approval time, lowers the failure rate, and uses approved drug safety data and pharmacological profiles, thereby lowering development time and cost.
Drug repurposing has emerged as an appealing and successful strategy for finding novel therapeutic applications for already-approved medications. The shorter timeframe makes the approach attractive for pharmaceutical industries and patients. Almost 30% of repurposed medications eventually reach patients, which is a significant advance over the 10% success rate of conventional processes.
Drug repurposing has the following 4 applications: indication expansion, identification of new uses of drugs in different therapeutic areas, repurposing of failed or discontinued drugs, and combination therapies.
Technologies such as ML, DL, natural language processing (NLP), predictive AI, predictive modeling, and generative AI are revolutionizing drug repurposing by analyzing a large amount of data from different sources, such as scientific literature, claim data, electronic health records (EHRs), and bioinformatics data. These technologies can identify drug–protein interactions at the molecular level by analyzing millions of data points and identifying drugs companies’ use for different disease indications. They analyze EHRs and claim data to provide information on the drugs people use off-label. AI, therefore, helps establish connections between drug targets, disease mechanisms, and novel diseases that companies can target with established drugs. Clinical trials have already confirmed their safety, thus shortening the time these drugs take to reach patients. The process will be especially beneficial for orphan diseases with few or no other treatment options.
AI will speed up the drug repurposing process and uncover the additional potential therapeutic uses of existing drugs. While the process presents challenges, such as a lack of available data for older drugs and the necessity to conduct more studies to apply repurposed drugs for new disease indications, AI could significantly speed up the drug repurposing process, providing patients with novel therapeutic options.
Research Scope
AI-based Drug Repurposing Segmentation
Drug-centric Approach:
Disease-centric Approach
AI-based Drug Repurposing Growth Drivers
Need for efficiency
Increased AI adoption
Need to address emerging threats
Accelerated pipeline for rare diseases
AI-based Drug Repurposing Growth Restraints
Limited data
Interpretability of AI models
Regulatory issues
High infrastructure costs