특히, 단백질-리간드 상호작용 예측 모델을 활용하여 신규 therapeutic target과 후보물질을 고속 필터링하고, 유망 후보군만을 선별하여 후속 과정으로 빠르게 돌입할 수 있도록 합니다.

이를 통해 기존 대비 80% 이상의 실험 비용 및 시간 절감이 가능해졌습니다.

이는 항원이 가질 수 있는 수학적으로 가능한 모든 linear 및 conformational discontinuous epitope 후보를 선별하고, 최적의 합성 펩타이드 라이브러리를 설계합니다.

설계된 펩타이드는 초고밀도 peptide microarray에 적용되어 실제 항체가 결합하는 epitopes을 실험으로 검증합니다.

학습된 deep learning 모델은 새로운 병리 이미지를 생성할 수도 있으며, 이는 진단 보조 시스템의 테스트 데이터셋 구축 및 특정 질병 등의 케이스에 대한 예측 강화에 활용됩니다.

또한, 이미지 내 특정 단백질 발현 패턴을 예측하는 멀티모달 학습이 병행되어, 조직 슬라이드 기반 바이오마커 예측도 가능하게 되었습니다.

진온바이오텍은 QAOA를 이렇게 활용합니다:

– 수백만 가지의 small molecules 또는 peptides 후보 중, 특정 타깃 단백질에 가장 높은 친화도(affinity)를 갖는 구조 선택
– 약물 독성, 용해도, BBB 통과율 등 다변수 제약조건을 통합한 화학 구조 최적화 문제 해결

이 알고리즘을 통해 고전적인 AI 시뮬레이션보다 더욱 빠른 속도로 정밀한 약물 디자인(drug design) 을 구현할 수 있습니다.

진온바이오텍은 VQE를 활용하여 단백질-리간드 복합체의 결합 자유 에너지(Binding Free Energy)를 추정하고, 저에너지 결합 자세(conformation)를 고속 탐색합니다.
특히, 기존 분자동역학(MD) 시뮬레이션 대비 수백 배 이상 빠른 속도로 양자 역학적 상호작용을 정밀하게 탐색할 수 있습니다.

• 단백질의 3차원 구조 예측,
• 항체-항원 상호작용 패턴 분석,
• 에피토프 후보의 면역원성 예측

등을 퀀텀레벨에서 모델링합니다.

이는 기존 AI의 학습 속도와 공간 복잡도 문제를 획기적으로 개선할 수 있으며, 현재 biological complexity를 다루는 새로운 접근방식으로 자리잡고 있습니다.