연구분야

AI 분석을 통해 질병의 복잡성을 정밀하게 해석하고, 더 깊이 있고 실질적인 연구 방향을 설계합니다.

Early Discovery

질병 이해부터 타깃 발굴까지 AI 기반 Early Discovery 워크플로우를 제공합니다.

우리의 Early Discovery 플랫폼은 다중 오믹스와 대규모 임상 데이터를 통합 분석하여 질병의 조절 메커니즘과 유망 타깃 후보를 정량적으로 도출하고, 이를 환자 적용 가능성을 고려한 Translational Research를 수행하는 AI기반 타깃 발굴인프라입니다. 이를 통해 타깃 검증부터 리드 발굴 및 전임상 전략까지 데이터 기반 의사결정을 지원하며, 질병 이해–타깃 발굴–임상 연계를 하나의 워크플로우로 통합한 AI 프레임워크를 통해 신약개발 초기 단계부터 개발 방향성과 성공 가능성을 체계적으로 설계하고 검증할 수 있도록 합니다.

Core Capabilities

AI-driven Drug Target Discovery

다중 오믹스 데이터와 AI 기반 예측 모델을 활용하여 새로운 치료 표적을 발굴하고, 환자 및 임상 데이터와 연계하여 임상 적용 가능성을 고려한 신약 후보를 우선순위화 합니다.

System-level Understanding of Disease Mechanism

대규모 다중 오믹스 데이터를 통합 분석하여 질병의 분자적 메커니즘과 시스템 수준의 변화를 정량적으로 규명하고, 이를 임상 지표 및 환자 서브타입과 연계함으로써 치료 전략 수립을 위한 과학적 근거를 제공합니다.

Neoantigen Discovery for Cancer Vaccine

환자 유래 오믹스 데이터를 기반으로 암세포 특이적 신생항원(Neoantigen)을 발굴하고, 면역 반응 예측과 임상 연계를 통해 암 백신 개발로 확장합니다.

New Therapeutic Modalities

AI 기반 설계를 통해 다양한 신약 모달리티의 Lead를 정밀하게 최적화합니다.

본 AI 플랫폼은 Lead Screening 및 Optimization 단계에서 화학·서열·생물학 데이터를 통합 활용해 다양한 신약 모달리티의 신규 후보를 제안하고 정밀하게 성능을 개선합니다. 생성형 모델과 정량적 평가 알고리즘을 결합해, 기존 실험 중심 접근으로는 탐색이 어려운 설계 공간까지 효율적으로 확장하며, 약효·안전성·합성 가능성 등 주요 개발 지표를 통합적으로 고려한 유망한 Lead 화합물 구조를 신속하게 도출합니다. 이를 통해 후보 발굴 과정의 시행착오와 불확실성을 줄이고, 임상 전환 가능성이 높은 고품질의 Lead 화합물을 효율적으로 확보할 수 있도록 지원합니다.

Core Capabilities

mRNA Sequence Optimization

mRNA의 5'UTR–CDS–3'UTR 영역에 해당하는 방대한 서열 조합 공간에서, 번역 효율, 안정성, 면역 반응 특성이 최적화된 mRNA 서열을 자동으로 탐색하고 설계합니다. 열역학 이론, 탐색 알고리즘, 동적 계획법을 반영한 초기 모델을 넘어, 현재는 공개 데이터와 딥러닝 아키텍처를 활용한 차세대 mRNA 서열 최적화 모델로 고도화 되고 있습니다. 이러한 기술을 바탕으로 CDS와 UTR 영역은 물론 CAP, polyA tail까지 포함하는 mRNA 전 구성 요소의 통합 설계가 가능한 생성 플랫폼을 구축하고 있으며, 이를 통해 mRNA 백신 및 치료제 개발의 속도와 성공 가능성을 유의미하게 향상시키는 것을 목표로 합니다.

mRNA–LNP Co-Design AI

mRNA 치료제의 효과를 좌우하는 LNP의 조성비·물성·전달 효율을 예측·생성형 AI 모델을 통해 정밀하게 최적화합니다. mRNA 서열과 LNP 조성의 상호작용을 동시에 고려하는 co-design 아키텍처를 통해, 조직 특이적 전달 효율이 높고 안정성이 뛰어난 신규 LNP 조합을 제안합니다. 이러한 접근은 반복 실험에 대한 의존을 줄이면서 mRNA–LNP 패키지 전체를 하나의 설계 공간으로 통합해 최적화하는 차세대 AI 기반 전달체 설계를 제공합니다.

Antibody Engineering AI

항체의 서열·구조 정보를 기반으로 결합 친화도, 특이성, 안정성, 발현성 등 핵심 개발적합성(developability) 지표를 통합적으로 평가하는 항체 생성·최적화 모델을 제공합니다. 딥러닝 기반 CDR 설계, 구조 안정성 개선, 면역원성 최소화 알고리즘을 결합해 기존 샘플링 방식 대비 대폭 향상된 효율로 고품질 항체 후보를 도출합니다. 이 플랫폼은 항원–항체 상호작용을 정밀하게 모델링함으로써 차세대 항체 설계의 속도와 정확도를 유의미하게 향상시킵니다.

Small Molecule & New Modality Generation

Diffusion 모델, 강화학습(RL), LLM 기반 생성 모델을 활용해 소분자부터 PROTAC, RNA binder 등 새로운 작용 기전의 모달리티까지 다양한 구조를 신규(de novo) 생성하고 최적화합니다. 본 플랫폼은 활성·독성·물성·합성 가능성을 통합적으로 고려해 기존 방법으로는 탐색이 어려운 설계 공간을 확장하고, 혁신적 구조를 자동으로 제안합니다. 이를 통해 전통적 화학 설계의 한계를 넘어 새로운 기전의 파이프라인을 신속하게 구축할 수 있는 생성형 AI를 제공합니다.

Translational Research

통합 워크플로우를 통해 비임상에서 임상으로의 전환을 가속화합니다.

우리는 Reliable ADMET, Optimized Design, Biomarker Discovery를 하나의 워크플로우로 통합해, 실험 데이터와 AI 분석을 긴밀하게 연계하는 비임상 및 전환 연구(Translational Research) 플랫폼을 구축하고 있습니다. 이 플랫폼은 후보 물질의 약물성, 구조, 환자 바이오마커 정보를 통합적으로 해석해 개발 리스크를 정량적으로 관리하고, 임상 단계로 이어지는 Go/No-Go 의사결정을 빠르고 정밀하게 뒷받침합니다.

Core Capabilities

Reliable ADMET

LLM(대규모 언어모델)과 그래프 기반 모델을 통합한 예측 아키텍처에 Conformal Prediction(신뢰 구간 기반 예측) 기법을 적용하여, 화합물의 흡수(Absorption), 분포(Distribution), 대사(Metabolism), 배설(Excretion), 독성(Toxicity)에 이르는 전반적인 ADMET 프로파일을 신뢰 구간과 함께 제공합니다. 이를 통해 후보 물질 평가 단계에서 예측 불확실성을 정량적으로 관리하고, 보다 정확하고 안정적인 의사결정을 지원합니다.

Molecule Design and Optimization

우리의 분자 설계 플랫폼은 LLM 및 Diffusion 모델 기반 생성형 AI를 활용해 화학 구조의 패턴과 규칙을 학습하고, 치료 효능이 기대되는 신규 분자 구조를 설계하고 최적화합니다. 또한 강화학습(Reinforcement Learning)을 적용해 목표 효능, 약물동태, 안전성 등 설정된 특성을 만족하는 방향으로 분자를 정교하게 개선함으로써, 혁신적 신약 후보물질의 도출을 더울 효율적으로 가속화합니다.

Biomarker Discovery

다중 오믹스 데이터, 임상 정보, 실제 환자 데이터(RWD)를 통합 분석해 질병 진단, 예후 예측, 약물 반응 평가에 활용 가능한 정밀 바이오마커를 체계적으로 발굴합니다. AI 기반 분석을 통해 환자 집단을 세분화하고, 치료 반응을 예측함으로써 환자 맞춤형 치료 전략 수립과 동반 진단(Companion Diagnostics) 개발을 지원하는 정밀의료 기반을 제공합니다.

Reverse Translational Research

환자 데이터 기반 분석으로 임상과 연구를 잇는 기전적 통찰을 도출합니다.

Reverse Translational Research는 임상 현장에서 수집되는 풍부한 환자 데이터를 출발점으로 삼아, 이를 기초 연구 수준에서 재해석함으로써 질병의 원인과 메커니즘을 역으로 추적하는 연구 방식입니다. 목암생명과학연구소는 이러한 접근을 통해 환자 전자의무기록(EMR)과 다양한 임상 데이터를 정밀 분석하고, 실제 환자에서 관찰된 증상과 반응을 바탕으로 새로운 연구 가설을 발굴합니다. 이렇게 얻은 기전적 통찰은 다시 임상 연구와 신약개발 사이의 선순환 구조를 만드는데 기여합니다.

Core Capabilities

EMR & Multi‑Omics Integration을 통한 기전 탐색

질병의 본질적 메커니즘을 밝히기 위해서는 EMR 뿐 아니라 유전체, 전사체, 단백질체, 대사체 등 다양한 오믹스 데이터를 통합 분석하는 것이 필요합니다. 이러한 멀티오믹스 통합 접근은 병리 기전을 규명하고, 바이오마커를 발굴하며 치료 개발을 가속하는 데 유망합니다. 서로 다른 오믹스 층을 결합하면 생물학적 해석과 환자군 분류, 바이오마커 발견이 더욱 정밀해지고, 질병 관련 유전적 변이와 대사 서명을 효율적으로 파악할 수 있습니다. 우리 연구소는 이를 기반으로 희귀질환과 기타 복잡한 질환에서 새로운 기전 단서를 찾고, 조기 진단 및 예후 예측, 치료 전략 개발의 과학적 기반을 마련하고 있습니다.

Multi‑Agent 기반 추론을 통한 진단, 치료와 환자 세분화 지원

최근 의료 AI 분야에서는 방대한 EMR과 오믹스 데이터로부터 정보를 추출하고, 효과적으로 해석하기 위해, 멀티에이전트 시스템이 주목받고 있습니다. 이러한 시스템은 데이터 수집과 정리, 진단 지원, 위험 예측, 치료 권고 등 각기 다른 역할을 담당하는 여러 전문가 에이전트들이 협업하는 구조를 갖추고 있습니다. 목암생명과학연구소에서는 EMR 데이터의 정형화, 멀티오믹스 데이터 분석, 새로운 기전 단서 탐색, 진단, 예후 예측, 치료 전략 도출 등을 지원하는 멀티에이전트 AI 프레임워크를 개발하고 있습니다. 이를 통해 임상 데이터를 체계적으로 관리하고, 연구 가설과 임상 판단을 검증하는 데 활용합니다. 이러한 첨단 기술을 통해 EMR 및 멀티오믹스 기반의 진단과 치료 개발을 한층 신속하고 정밀하게 수행하며, 필요에 따라 환자 세분화(Patient Stratification)에 기반한 맞춤형 전략 수립에도 기여하고 있습니다.