[목차]

안전한 화학제품을 예측하는 시대

 

01 화학제품과 독성

02 혼합물 독성 평가의 한계와 예측 기술

03 AI 기반 독성 예측 연구 동향

04 인실리코 기반 독성 예측 모델

05 단일 물질 독성 예측

06 혼합물 독성 예측

07 혼합물 독성 예측 기술 사례

08 독성 예측 결과의 불확실성

09 화학제품 안전성 평가와 AI 독성 예측

10 AI 독성 예측의 현재와 미래

 

[본문]

화학제품 안전성을 이해할 때 가장 먼저 등장하는 개념이 바로 독성이다. 많은 사람들은 독성을 ‘인체에 해로운 성질’ 정도로 생각한다. 하지만 독성은 특정 물질이 위험한지 아닌지로 단순하게 구분할 수 있는 개념이 아니다. 같은 화학물질이라도 얼마나 많이 노출되는지, 어떤 경로로 노출되는지에 따라 결과는 달라질 수 있다. 어떤 상황에서는 안전하게 사용되지만 다른 조건에서는 건강 문제를 일으킬 수도 있다. 독성학에서 가장 널리 알려진 말 가운데 하나는 파라켈수스(Paracelsus)의 “모든 물질은 독이며 용량이 독을 결정한다”라는 문장이다. 이는 독성이 특정 물질 자체로만 결정되는 것이 아니라 얼마나 노출되는지에 따라 달라질 수 있다는 의미다.

－01_“화학제품과 독성” 중에서

 

AI 기반 독성 예측 기술의 발전은 단순히 예측 정확도를 높이는 수준을 넘어 독성 평가 방식 자체의 변화를 이끌고 있다. 과거에는 실험 이후 독성을 확인하는 방식 중심이었다면 현재는 AI 모델을 활용하여 실험 이전 단계에서 위험 가능성을 사전에 예측하고 우선적으로 관리가 필요한 물질을 선별하려는 흐름이 확대되고 있다. 대규모 독성 데이터와 AI 기술의 결합은 단기간에 많은 화학물질을 분석할 수 있도록 지원하며 제한된 실험 자원을 효율적으로 활용할 수 있도록 해 주고 있다.

－03_“AI 기반 독성 예측 연구 동향” 중에서

 

전통적인 혼합 독성 예측 모델은 혼합물 내 구성 성분의 독성 작용기전과 상가작용 모델을 기반으로 혼합 독성을 예측하는 방식으로 발전해 왔다. 그러나 실제 환경 혼합물은 매우 다양한 화학물질로 구성되어 있으며 구성 성분 간 복합적인 상호작용이 함께 나타나는 경우가 많다. 또한 많은 화학물질은 독성 작용기전 정보가 충분하지 않거나 혼합물 수준의 독성 데이터가 제한적인 경우가 많아 기존 모델만으로 복잡한 혼합 독성을 설명하는데 한계가 존재한다. 이러한 한계를 보완하기 위해 머신러닝 및 딥러닝 기반 AI 기술을 활용한 혼합 독성 예측 기술이 활발하게 개발되고 있다. AI 기반 접근 기술은 단순히 독성값을 합산하는 방식이 아니라 다양한 정보를 함께 학습하여 혼합 독성 패턴을 예측한다.

－06_“혼합물 독성 예측” 중에서

 

화학제품의 안전성 평가에서 중요한 목표 가운데 하나는 인체와 환경에 대한 위해성이 낮은 물질을 사용하는 것이다. 특히 특정 화학물질이 독성 또는 위해성 문제로 인해 사용이 제한되거나 규제 대상이 되는 경우 해당 물질을 대체할 수 있는 새로운 후보 물질을 탐색해야 한다. 그러나 기존 물질과 유사한 기능을 유지하면서도 안전성이 향상된 대체물질을 찾는 과정은 쉽지 않으며 많은 시간과 비용이 필요하다. AI 독성 예측 기술은 대체물질 탐색 과정에서 다양한 후보 물질의 잠재적 독성을 사전에 평가하는 데 활용될 수 있다. 예를 들어 특정 기능을 수행하는 기존 화학물질이 규제 대상이 된 경우 유사한 기능을 가진 후보 물질들을 대상으로 독성 예측을 수행하여 상대적으로 안전성이 높은 물질을 우선 선별할 수 있다. 이를 통해 독성 시험이 필요한 후보 물질의 범위를 줄이고 효율적인 대체물질 탐색이 가능하다.

－09_“화학제품 안전성 평가와 AI 독성 예측” 중에서