AI 화학자가 의약 화학 반응 개선에 성공

OpenAI는 과학 분야에서 AI가 강력한 파트너가 될 수 있다는 믿음 아래 연구를 진행하고 있습니다. AI는 과학자들이 더 많은 아이디어를 탐구하고, 멀리 떨어진 개념을 연결하며, 더 나은 실험을 설계하고, 인류에 이로운 발견을 가속화하는 데 도움을 줄 수 있습니다. 우리는 이미 수학, 이론 물리학, 생물학 분야에서 AI 모델이 새로운 결과를 도출하는 데 기여한 초기 사례들을 공유한 바 있습니다. 이번 프로젝트는 의약 화학 분야로 확장되어, Molecule.one과 협력하여 GPT-5.4를 Maria라는 에이전트 화학 AI와 연결했습니다. 이 시스템은 실험을 설계하고 실행하며, 실험 데이터를 분석하고 후속 실험을 제안하는 과정을 통해 중요한 반응 클래스 중 하나를 개선하는 목표를 가지고 있었습니다.

Chan–Lam 결합 반응의 개선

가장 유망한 제안인 OAI-M1-03은 Chan–Lam 결합의 어려운 버전에 초점을 맞췄습니다. 이 반응은 탄소-질소 결합을 형성하는 데 사용됩니다. GPT-5.4는 독립적으로 주요 설폰아미드를 도전적인 고가의 기질 클래스로 식별하고, TEMPO와 같은 부드러운 산화제가 반응을 개선할 수 있다고 제안했습니다. Maria Lab에서 두 번의 실험 주기를 통해 이 아이디어는 상당한 개선을 이루었습니다. 최적화된 조건 하에서, 실험된 보로닉산의 88%와 설폰아미드의 83%에서 수율이 개선되었습니다. 평균 수율은 16.6%에서 25.2%로 증가했으며, 30% 이상의 수율을 보이는 반응의 비율은 15.6%에서 37.5%로 증가했습니다. 인간 화학자들은 대표적인 반응을 벤치 스케일에서 반복하여, 14개의 기질 쌍 중 11개에서 수율이 증가한 것을 확인했습니다.

의약 화학에서의 중요성

유기 화학은 모든 소분자 의약품뿐만 아니라 농업, 전자, 재료 과학 제품의 기초를 이룹니다. 반응이 많은 다양한 시작 물질에서 동일한 종류의 화학 결합을 신뢰성 있게 만들 수 있을 때 특히 유용합니다. Chan–Lam 결합은 의약 화학에서 유용한데, 이는 의약품에서 흔히 발견되는 탄소-질소 결합을 형성하기 때문입니다. 그러나 이 반응은 모든 분자 클래스에서 동일하게 잘 작동하지 않습니다. 특히, 보로닉산과의 주 설폰아미드 결합은 역사적으로 낮은 수율을 보여왔습니다. 이 반응을 더 신뢰성 있게 만드는 것은 의약 화학자들에게 잠재적으로 유용한 분자를 생산하고 탐색할 수 있는 더 넓고 실용적인 방법을 제공할 수 있습니다.

GPT‑5.4와 Maria AI 및 실험실 연결

이 시스템은 상호 보완적인 기능을 결합했습니다. Maria AI와 함께 작업하는 과학자들이 작성한 프롬프트를 사용하여 GPT‑5.4는 수천 개의 연구 제안을 생성하고 순위를 매겼습니다. 인간 화학자들은 시스템에 따라 가장 높은 순위를 차지한 제안 중 소수만 검토하고 실험실 테스트를 위해 네 개를 선택했습니다. Maria AI는 선택된 고수준 계획을 세부 실험실 지침으로 번역하고, 수천 개의 고처리량 실험을 실행하며, 원시 데이터를 분석하여 GPT‑5.4에 구조화된 결과를 반환했습니다.

발견된 결과

OAI-M1-03은 주 설폰아미드 Chan-Lam 결합에 유용한 첨가제로 TEMPO를 식별했습니다. 최적화된 조건 하에서, 반응은 평균 수율이 증가하고 더 많은 기질 조합이 실용적으로 유용한 수율에 도달하는 두 가지 방식으로 개선되었습니다. Maria는 두 번의 실험 주기 동안 총 10,080개의 반응을 수행했습니다. 이는 하루에 세 개의 반응을 수행하는 화학자가 10년 동안 수행할 수 있는 양보다 많습니다. 이 규모는 화학 결과가 몇 가지 예에서만 테스트될 때 오해를 불러일으킬 수 있기 때문에 중요했습니다. 반응은 하나의 시작 물질 쌍에서 유망해 보일 수 있지만, 더 넓은 분자 세트에서는 실패할 수 있습니다. 수천 개의 반응은 TEMPO를 테스트된 10개의 산화제 중에서 식별하고, 다양한 조합에서 효과가 반복되는 것을 확인하며, 그 한계를 찾을 수 있게 했습니다.

한계와 준비

이 연구는 모델이 유기 화학에서 유용한 기여를 할 수 있음을 보여줍니다. 그러나 AI가 독립적으로 화학 연구 프로그램을 처음부터 끝까지 운영할 수 있음을 보여주지는 않습니다. 인간의 판단은 여전히 필수적이었으며, 워크플로우는 전문화된 고처리량 인프라에 의존했습니다. 이 방법이 다른 결합 반응, 다른 기질 클래스 또는 제조 조건에 일반화될 것이라는 것을 입증하지도 않았습니다.

화학 능력은 신중한 처리가 필요합니다. 같은 도구가 의학과 재료 과학을 지원할 수 있는 동시에 악용될 수도 있기 때문입니다. 우리는 이 작업을 합법적인 의약 화학 문제로 범위를 제한했습니다. 실험은 독소, 화학 무기, 해로운 화합물 설계 요청을 포함하지 않았습니다. 이 결과는 시스템이 그러한 해로운 응용 프로그램에 도움이 될 수 있다는 증거로 읽혀서는 안 됩니다.

다음 단계

즉각적인 다음 단계는 과학적입니다. 더 넓은 범위의 시작 물질을 테스트하고, 첨가제가 반응을 개선하는 이유를 조사하며, 효과가 작동하고 실패하는 지도를 작성하고, 독립적인 복제를 지원하는 것입니다. 이러한 연구들은 이 방법이 얼마나 널리 적용될 수 있는지, 실용적인 의약 화학 워크플로우에서 얼마나 유용한지를 결정할 것입니다. 우리의 장기 목표는 AI 시스템을 신뢰할 수 있는 과학적 파트너로 만드는 것입니다. 이 결과는 그 방향으로 나아가는 초기 사례 중 하나입니다.

파이랩 정리