CECILIA KLEIN
발굴 및 중계과학 컨설팅 서비스 이사대우
클래리베이트
약물 재창출
약물을 발굴하고 파이프라인을 개발하는 과정에는 수많은 비용과 시간이 소요됩니다. 초기 약물 발굴에서 신약이 출시될 때 까지는 일반적으로 약17년의 시간과 20억달러 이상이 비용이 소모됩니다. 게다가, 약물 후보군에서만 그치는 경우도 많은데, 발굴된 후보물질 중 10%만이 최종적으로 시장에서 승인을 받으며 대부분의 후보물질들은 임상 1상 또는 2상에서 신약개발에 실패하게 됩니다.
약물용도 변경 또는 약물 재창출의 목표는 기존 의약품(이미 시판되었거나 인체 안전성 평가를 통과한 의약품)이 원래 치료하고자 했던 적응증 이외의 다른 적응증의 치료에도 사용될 수 있는지를 알아보는 것입니다.
약물 재창출은 다양한 시각에서 살펴볼 수 있습니다:
- 질병 중심 접근법은 특정 질환에 초점을 맞추고 여러 질환에 걸쳐 유사한 기초 생체분자 메커니즘을 연구해 적합한 약물 타겟을 찾는 것을 목표로 합니다.
- 타겟 중심 접근법은 알려진 약물 표적(적응증 확대 또는 적응증 재지정)에 대한 새로운 치료적 용도를 찾는 것에 중점을 둡니다. 이런 관심 타겟은 안전하다고 간주될 수도 있지만, 원래 연구된 적응증에서 효과를 입증하지 못한 경우가 많았습니다.
클래리베이트의 약물발굴 및 중개과학(DTS) 컨설팅 팀은 인실리코 기법을 활용해 우선적으로 선택된 약물 타겟이나 재창출할 적응증을 선정합니다.
클래리베이트의 인공지능 기반 솔루션은 최신 질병 시그니처와 생물학적 네트워크 컬렉션을 활용해 자산의 작용기전을 여러 적응증에 대해 체계적으로 스크리닝 합니다. 이는 잠재적인 적응증을 철저하고 객관적으로 탐색할 수 있도록 지원하며, 주관적 편견으로 인해 특정 적응증이 우선 시 되는 것을 방지합니다. 최근 개최된 웨비나 및 블로그 게시물을 통해서도 약물 재창출의 방법, 도전과제 및 전망에 대해 다룬 바가 있습니다.
약물재창출 전략은 특히 희귀병에 관련성이 높은데, 이런 질환들은 생물학적 특이성이 잘 파악되지 않았고, 환자 수가 적으며 엄격한 규제를 받기 때문에 해결해야 할 과제들이 상당히 많기 때문입니다.
항암분야도 약물 재창출 접근법과 관련성이 높은 분야입니다. 체계적인 스크리닝과 고급 계산법을 통해 신약, 타겟 또는 치료 효과를 높일 수 있는 약물 조합을 식별할 수 있기 때문입니다. 이는 특히, 치료 옵션이 제한된 희귀 암에서 약물 저항성을 극복하는데 매우 중요합니다.
항암제 개발에 있어 적응증 우선순위 설정
항암제 연구 및 개발에 상당한 투자가 이루어지고 있음에도 불구하고, 임상시험에서의 성공률은 여전히 낮은 것이 현실입니다. 항암을 위한 화합물은 어려운 과정을 겪게 되는데, 단 3.4%의 약물만이 규제 당국의 승인을 받게 됩니다. 따라서, 특정 약물로 가장 큰 혜택을 얻을 가능성이 높은 암 유형의 우선순위를 지정하는 것이 승인가능성을 높이는 데 중요합니다.
클래리베이트는 광범위한 OMIC데이터 및 분석 기술에 대해 풍부한 경험을 가진 다학제로 구성된 과학자 팀을 자랑합니다. 클래리베이트는 전문지식은 2014년 이래 머신러닝을 활용한 탄탄한 기반을 바탕으로, 바이오 인포매틱스, 데이터 관리 워크플로, 시스템 생물학 및 통계모델링을 포괄합니다. 다양한 기술을 기반으로 클래리베이트는 다양한 데이터 소스를 원활하게 통합해 고객에게 약물의 적응증에 대한 우선순위를 효과적으로 정할 수 있도록 지원하는 견고한 인사이트를 제공합니다.
저희의 작업은 일반적으로 약물의 작용기전(MoA)을 밝히는 것에서 시작합니다. 이를 위해 분자 상호작용, 경로 및 질병 바이오마커에 대한 수동 주석이 포함된 MetaBaseTM 와 같은 Cortellis 솔루션의 정보를 활용합니다. 약물 반응에 관여하는 단백질, 유전자 및 경로를 이해하기 위해서는 Computational Biology Methods for Drug Discovery (CBDD) 컨소시엄에 구현된 네트워크 기반 알고리즘을 활용합니다.
클래리베이트의 팀에는OMICS 데이터 분석 전문가가 있습니다. (예, 단백질체학, 전사체학, 단일 세포). 저희는 이종 데이터 소스(다중 암 데이터베이스 및 임상 데이터)를 통합해 표적 발현과 암 하위 유형, 질병단계 및 기타 임상 매개변수 간의 연관성을 평가해 표적 활동을 조절해 보다 많은 이점을 얻을 수 있는 암 유형의 순위목록을 생성할 수 있습니다.
머신러닝 기술은 적응증 우선순위를 정하는데 있어 강력한 도구가 될 수 있습니다:
- 머신 러닝 알고리즘은 약물-질병의 쌍 또는 질병 OMIC데이터와 같은 관찰된 특징을 기반으로 대규모 데이터 세트를 분석해 패턴과 관계를 식별할 수 있습니다.
- 사용가능한 데이터의 양이 많을 경우, 딥 러닝은 높은 수준의 추상화를 모델링해 훨씬 더 심오한 인사이트를 제공할 수 있습니다.
- 행렬 분해는 약물- 질병 상호작용 행렬을 낮은 차원의 행렬로 분해해, 특정 질병에 대한 약물의 잠재적 효과를 예측하는 데 사용될 수 있습니다.
이런 기술을 통해 방대한 생의학 데이터를 선별하고, 약물-표적 상호작용을 예측해 궁극적으로 유망한 약물 재창출의 기회를 찾을 수 있습니다. 투명성을 높이기 위해 자산과 질병 생물학을 연결하는 설명가능한 매커니즘을 활용합니다. 또한 세부 질병 주석을 통해 유연한 필터링 전략을 가능케 합니다. 이 접근 방식은 적응증 우선순위 지정 워크플로의 명확성과 적응력을 모두 향상시킵니다.
또한, 이런 계산방법을 사용해 약물의 시너지 효과를 예측할 수 있는 데, 이는 두가지 이상의 약물이 상호작용해 개별효과의 합보다 더 큰 치료 효과를 내는 것입니다. 이를 위해 다음과 같은 다양한 유형의 데이터를 활용할 수 있습니다:
- OMIC 데이터: 시스템 생물학적 접근법을 사용해 보완 경로를 표적으로 하는 약물 간의 시너지 효과를 예측할 수 있습니다.
- AstraZeneca 가 공유하는DREAM 챌린지 데이터 세트와 같은 처리량이 많은 세포주 실험: 머신러닝 및 딥러닝은 이런 실험에서 패턴을 학습하고 아직 테스트되지 않은 조합을 예측할 수 있습니다.
- 지식 그래프는 인공지능 및 시맨틱 웹기술에서 사용되는 강력한 데이터 구조입니다. 지식 그래프는 알려진 약물-약물 또는 약물-표적 상호 작용과 같은 현실 세계 개체와 그들 간의 관계 네트워크를 모델링 합니다.
효과적인 약물 조합을 찾는 것은 종양의 이질적인 특성으로 인해 항암제 개발에 있어 매우 중요합니다. 일부 세포는 특정 약물에 민감한 반면 다른 세포는 내성을 보이는 등… 치료에 대한 차별적인 반응을 보일 수 있기 때문입니다. 약물 조합은 종양의 여러 취약점을 표적으로 삼아 치료의 전반적인 효과를 높일 수 있습니다. 또한, 약물조합을 사용하면 약물 내성 발생을 예방하거나 지연시키는 데 도움이 될 수 있습니다.
Real World Data (RWD) 통합
최근에는 Real World Data (RWD) 를 약물개발에 통합하는 것에 대한 관심이 높아지고 있습니다. RWD는 임상 시험 이외의 출처(EHR, 청구 및 청구 데이터, 등록기관, 설문 조사 등…)에서 얻은 데이터를 의미합니다.
항암분야에서 RWD의 활용은 새로운 개념이 아닙니다. 사실 2015년부터 연구자들은 RWD를 활용해 연구를 향상시켰습니다. 예를 들어, Xu 등은 2015년 기사에서 EHR을 분석하기 위해 자연어 처리(NLP)를 사용했습니다. 이들은 당뇨병 관리 약물인 메트로포르민이 암환자의 사망률을 낮출 수 있다고 예측했습니다.
RWD는 체계적인 적응증 우선순위 지정 전략을 수립하는 데 있어 귀중한 인사이트를 제공할 수 있습니다. 역학 데이터는 예측된 용도 변경력이 높은 적응증 중 유병률이 높은 적응증의 우선순위를 정하는 데 큰 가치가 있습니다. 역학 우선 순위는 다음과 같은 몇 가지 기준에 따라 결정할 수 있습니다:
- 전 세계 또는 관심 지역의 인구 규모(발생률/유병률)
- 발병률/유병률 예측: 인구 고령화와 생활습관 변화로 인해 유방암이나 전립선암 등 일부 암종은 유병률이 증가할 것으로 예측되는 반면, 간암이나 자궁경부암은 바이러스 감염을 유발하는 치료가 개선되어 유병률이 감소할 것으로 예측됩니다.
- 동반질환, 사망률 또는 암재발과 같은 기타 역학 데이터
클래리베이트의 역학데이터는 피어리뷰 저널, 미국 청구 기반 데이터 및 EHR데이터와 질병별 예측 데이터 등… 다양한 출처에서 수집되며 8백개 이상의 질병을 다룹니다. 데이터는 전문적으로 큐레이팅 되며 원본 출처의 모든 인용을 포함합니다.
관심 적응증, 약물개발 단계 및 독성 또는 안전 경고로 인해 중단된 임상시험에 대한 이미 특허를 받은 약물을 기반으로 생의학적 및 역학적 우선순위를 경쟁 우선 순위 지정으로 보완할 수 있습니다. 이 데이터는Cortellis Drug Discovery Intelligencev 또는 OFF-X Preclinical and Clinical Safety Intelligence와 같은 클래리베이트의 데이터베이스에서 가져올 수 있습니다.
신약 개발 프로세스에서 RWD의 사용은 여러 단계에 걸쳐 이루어집니다. 클래리베이트는 여정의 각 단계에서 고객을 지원하는 것을 목표로 합니다. 관심 환자군에 적합한 표적을 찾기 위해 약물의 용도를 변경하거나 새로운 치료 영역으로 확장하려는 경우, 임상시험의 계획 및 실행을 위한 잘 개발된 전략은 의약품의 성공에 매우 중요합니다. 전체 임상시험계획서의 53% 이상이 최적에 미치지 못하는 임상시험 성과로 인해 수정이 필요한 업계에서, 처음부터 올바르게 진행하는 것이 얼마나 중요한지를 클래리베이트는 매우 잘 알고 있습니다.
RWD, 과거 및 현재 임상시험 데이터, 업계 벤치마크, 규제 인텔리전스를 결합해 임상시험 프로토콜 최적화 및 실행을 위한 인사이트와 지침을 제공할 수 있습니다. 클래리베이트 임상시험 프로토콜 최적화 분석의 강점은 전문적이고 세밀하게 선별되어 심층적인 데이터 기반 접근이 가능한 강력한 데이터 세트에서 시작됩니다. 유사한 임상시험의 성공과 실패를 통해 배우고, 임상시험 설계를 세분화하여 궁극적으로 어떤 요소가 핵심적인 역할을 했는지 파악할 수 있습니다. 이러한 데이터를 RWD와 결합해 임상시험 설계 기준이 목표 환자군에 어떤 영향을 미치는지 확인할 수 있습니다. 또한 RWD를 사용하여 환자 여정, 표준 치료, 미충족 수요를 조사하여 임상시험계획서가 승인에 필요한 가치를 증명하는 데 필요한 기준을 충족하는지 확인할 수 있습니다. 마지막으로, RWD는 이전 임상시험 경험과 함께 임상시험에 가장 적합하고 대상 환자군에 대한 의약품 가용성 및 접근성을 기준으로 성공 가능성이 가장 높은 시험기관/시험자를 선택하는 데 사용할 수 있습니다. 궁극적으로 클래리베이트는 격차를 평가하고 특정 요구사항에 맞춘 복잡한 임상시험 설계 기준에 따라 권장 사항을 제공하게 됩니다.
요약하자면, 클래리베이트는 수 천개의 적응증에 대한 체계적인 생의학 스크리닝부터 가장 유망한 적응증 후보에 대한 상세한 상업적 및 환자 영향 평가에 이르기까지 원스톱 종합 컨설팅 서비스를 제공합니다.
클래리베이트의 약물 발굴 및 중개과학 컨설팅 서비스 전문팀은 다양한 데이터 소스(OMIC데이터, 클래리베이트 수동주석이 달린 생의학 데이터베이스 및 RWD)를 통합하고 최첨단 기술을 사용해 귀사의 의약품에 가장 적합한 적응증을 식별할 수 있도록 지원합니다. 또한 방대한 지식과 경험을 바탕으로 최적의 약물 조합을 결정해 효능과 안정성을 극대화하는 데 도움을 드릴 수 있습니다.
클래리베이트 상업전략 컨설팅 서비스는 환자 및 상업적 효과를 극대화하는 일을 지원합니다.
마지막으로 임상 규제 및 컨설팅 팀은 신약 또는 용도 변경된 의약품을 시장에 출시하고자 할 때 실패 위험을 줄이기 위해 임상시험 설계를 최적화하는 데 추가적인 지원 및 지침을 제공할 수 있습니다.
귀사의 의약품의 잠재력을 극대화시키기 위해 다음 단계로 나아가십시오. 컨설팅 페이지를 방문하셔서 클래리베이트가 귀하의 여정을 어떻게 지원할 수 있는지도 자세히 살펴보시기 바랍니다.
