Deep learning techniques attract great attention as a new promising way of reducing time and resources for finding new drug candidates. We address how deep learning techniques can accelerate the process of drug discovery: from hit discovery to lead optimization. In particular, our work focuses on developing deep learning techniques for an accurate prediction of drug-target interaction (DTI) and molecular generative models for designing molecules with desirable molecular properties. As a result, we significantly improved the accuracy of DTI prediction compared to docking and other deep learning techniques. Also, we developed a series of molecular generative models with progressive technical advancement compared to previous models. We believe that our contribution can be the beginning of a long journey toward AI-based drug design.
딥러닝 기술은 신약후보물질 발굴에 소요되는 시간과 자원을 줄 일 수 있는 새로운 방법으로 큰 각광을 받고 있다. 학위과정 동안 hit discovery에서 lead optimization 까지 어떻게 딥러닝 기술이 신약개발과정을 가속화 할 수 있는지에 관해 연구하였다. 특히 딥러닝 기술 기반 분자-타겟 상호작용 (DTI) 예측 기술과 분자생성모델을 활용하여 원하는 물성을 갖는 분자를 생성하는 기술에 대해서 집중적으로 연구하였다. 본 연구를 통해 기존의 도킹 및 다른 딥러닝 기술보다 뛰어난 정확도를 가진 DTI 예측 기술을 개발하였다. 또한 기존 연구들의 단점을 개선하는 일련의 분자생성모델을 개발하였다. 이러한 연구들이 인공지능 기반 신약개발의 시발점이 될 것이라고 믿는다.
