제약회사 연구원의 블로그

최근 몇 년 사이, 분석 연구 분야에도 점차 머신러닝(Machine Learning) 기술이 침투하고 있다. 단순한 수치 계산을 넘어, 반복 실험에서 얻어지는 데이터를 기반으로 예측 모델을 구축하고, 정량 분석 결과를 사전에 추정하거나 품질관리를 자동화하려는 시도들이 활발하게 이어지고 있다. 특히 LC-MS/MS 기반의 약물 정량 분석과 같이, 수많은 변수와 복잡한 상관관계가 얽힌 데이터에서는 머신러닝 기법이 유용한 도구가 될 수 있다.그러나 머신러닝 모델의 성능을 보장하려면 단순히 알고리즘을 적용하는 것만으로는 부족하다. 모델이 훈련 데이터에만 적합되고, 새로운 상황에서는 제대로 작동하지 않는 과적합(overfitting) 문제를 피하기 위해서는, 반드시 적절한 검증 방식이 병행되어야 한다. 이때 핵심..

– 미국 CMS 및 유럽 HTA 데이터를 활용한 실증 기반 시뮬레이션 접근 –1. 왜 약가 예측이 필요한가?신약 하나가 시장에 출시되기까지 평균 10~15년의 개발 기간과 수천억 원의 비용이 소요됩니다. 개발된 의약품이 시장에 진입한 후, 얼마에 팔 수 있는가, 즉 약가는 제약사, 정부, 보험자, 그리고 환자 모두에게 중요한 변수입니다.그러나 약가 결정은 단순히 제조 원가나 경쟁 제품 가격에 따라 정해지는 것이 아닙니다. 효과성, 안전성, 혁신성, 대상 질환의 중증도, 경쟁 상황, 보건당국의 정책, 비용효과성 분석 등 다양한 요소가 복합적으로 작용합니다. 이런 복잡한 구조를 모델링하고, 인공지능 기술을 활용해 약가를 예측하거나 시뮬레이션하는 시도가 최근 늘어나고 있습니다.2. 주요 데이터 출처: CMS와..

체내 분포·대사 데이터 해석부터 OECD 기준 적용, 통계 검정까지1. 서론: 신약 개발의 초석, 비임상시험의 중요성신약 개발의 초기 단계에서 가장 중요한 것은 후보 물질의 안전성과 체내 작용 특성(ADME; Absorption, Distribution, Metabolism, Excretion)을 파악하는 비임상시험입니다. 특히 독성시험(Toxicity study)은 사람에게 투여되기 전 단계에서 약물의 유해성을 예측하고, 적절한 임상 용량 설정의 근거를 제공합니다. 최근에는 비임상 데이터의 정량 분석과 통계적 해석 기술이 고도화되면서, 데이터 기반 의사결정의 중요성이 더욱 강조되고 있습니다.2. 체내 분포 및 대사 분석: ADME 데이터의 정량적 접근(1) 약물의 체내 운명 추적: PK/PD 기반 모델..