AI 기반 약물 설계의 새 지평: DeepSeek을 통한 고체 제형 개발

Lin 등(2025)의 연구는 LLM과 프롬프트 엔지니어링 기술을 활용한 DeepSeek 시스템을 통해 약물 설계 및 개발 과정의 효율성을 획기적으로 높였습니다. 다양한 전략을 비교 분석하고 실제 사례를 통해 검증하여 높은 정확도를 달성하였으며, 향후 제약 산업의 혁신을 위한 중요한 발걸음을 내디뎠습니다.

들어가며:

제약 개발은 오랜 시간과 비용이 소요되는 복잡한 과정입니다. Lin 등 (2025)의 연구는 이러한 어려움을 극복하기 위해 대규모 언어 모델(LLM)과 프롬프트 엔지니어링 기술을 활용한 혁신적인 접근 방식을 제시합니다. 'DeepSeek'이라 명명된 이 시스템은 약물 설계 및 개발 과정 전반을 가속화하는 데 목표를 두고 있습니다.

LLM 기반 약물 설계의 핵심:

DeepSeek은 LLM을 활용하여 과학 문헌에서 지식을 추출하고, 매개변수를 설계하며, 실험 데이터를 수집하고 해석하는 등 연구 전반을 지원합니다. 기존의 경험적 지식에 의존하던 방식에서 벗어나, 성능과 구조적 매개변수 간의 연결을 강화하는 ‘간소화된 사고’를 가능하게 합니다. 연구진은 제로샷, 퓨샷, 사고연쇄(Chain-of-Thought) 등 다양한 프롬프트 엔지니어링 전략을 비교 분석하여 최적의 성능을 도출하고자 하였습니다.

주요 결과 및 성과:

DeepSeek 모델은 특정 약물의 용출 프로파일을 예측하고 제안하며, 입도 분포(PSD), 종횡비, 비표면적과 같은 기본적인 물리적 특성을 역설계할 수 있습니다. 실제 사례를 통해 검증된 결과는 다음과 같습니다:

• 제로샷: MSE 23.61, R² 0.97
• 제로샷-CoT: MSE 114.89, R² 0.90
• 퓨샷: MSE 57.0, R² 0.92
• 퓨샷-CoT: MSE 22.56, R² 0.97
• RAG 포함: MSE 10.56, R² 0.99

이는 LLM 기반 프롬프트 엔지니어링 기술의 높은 정확성과 신뢰성을 보여줍니다. 특히, RAG(Retrieval Augmented Generation)를 적용한 경우 가장 높은 정확도(R² 0.99)를 달성했습니다.

결론 및 미래 전망:

DeepSeek은 LLM을 활용하여 제약 개발의 체계적인 프레임워크를 구축하는 데 중요한 진전을 이루었습니다. 약물 제형 설계, 공정 제어 및 의사결정 과정에 AI를 효과적으로 통합하는 길을 제시함으로써, 향후 제약 산업의 혁신을 가속화할 것으로 기대됩니다. 하지만 연구진은 아직 해결해야 할 과제와 미래 연구 방향에 대해서도 논의하며, 지속적인 연구개발의 필요성을 강조했습니다. 이는 AI 기반 약물 설계 분야의 발전에 있어 중요한 이정표가 될 것입니다.