잠시만 기다려 주세요. 처리중 입니다.

주식회사 퀀텀인텔리전스

기업개요

회사명	주식회사 퀀텀인텔리전스
대표자	최환호
산업분야	바이오/헬스케어
기술분야	AI
주요제품	신약개발 인공지능 솔루션
홈페이지	https://www.qic.ai/
사업장 소재지	서울

상세정보

회사설립일	2020-06-08	총괄책임자	최환호
회사소개	■퀀텀인텔리전스는 인공지능(AI) 기반 신약개발 플랫폼 스타트업으로써, 2020년에 물리학, 화학, 그리고 의학의 전문 지식을 가진 과학자들과 엔지니어들과 함께 설립하였음. ■당사의 플랫폼인 QUEST는 양자 역학과 기계 학습을 사용하여 잠재적인 약물 후보를 식별하고 최적화할 수 있음. QUEST는 암, 알츠하이머병, 당뇨병을 포함한 다양한 질병에 대한 신약 후보를 식별하는 데 효과적인 것으로 나타났으며 현재 QUEST 플롯폼을 상용화하고 신약개발을 위해 글로벌 제약사들과 협력하고 있음. ■ 또한 양자 시뮬레이션을 통해 리튬 함유 분자를 시뮬레이션하여 오늘날 전기자동차의 리튬전지보다 용량, 지속시간, 가격 면에서 뛰어난 차량 배터리를 개발하기 위한 SaaS를 개발완료하여 POC를 진행 중임. ■ 현재 GPU core 10,000개와 CPU 200개로 구성된 슈퍼컴퓨터를 활용하여 기존 기술의 1,000배 이상 높은 정확도의 SaaS를 일차적으로 상용화하였으며 구글, IBM, 아마존 등에서 양자컴퓨팅 클라우드 서비스를 개시할 경우 양자컴퓨터와 결합하여 더욱 빠르고 정확한 솔루션을 구현할 계획임.
보유 제품 및 서비스	■ QUEST: 신약 물질 탐색 솔루션 1) 당사가 개발한 ‘QUEST’는 물리화학 기반의 3D 양자계산 알고리즘이 적용된 신약 개발 플랫폼으로써 신약 개발에 필요한 결합도 (binding affinity), 흡수/분포/대사/배설 (ADME), 용해도 (solubility)등의 화합물의 특성을 계산하고 예측할 수 있는 모듈들을 탑재하고 있음. 2) Hit 물질 발굴을 위해 타겟 바인딩 포켓의 특성 (quantum ESP, charge distribution, desolvation cost, etc.)과 Small Fragment의 특징들 (quantum ESP, SMILES, charge, solubility, logP, etc.)을 잘 연결할 수 있도록 3D Object Detection 알고리즘 (VoxelNet, PointNet++등의 point-cloud-based/MonoFlex등의 image-based methods), 3D- Convolutional Neural Network (CNN)등의 인공지능 기술들을 적극 활용하여 바인딩 포켓을 분류하고 이를 실제 타겟에 적용하여 Hit 물질 발굴의 정확도를 높임. 3) 양자역학과 AI를 결합한 QUEST 플랫폼을 사용하여 기존 Hit 발굴 플랫폼(100~10 마이크로몰)에 비해 10,000배 이상의 정밀도인 0.137 나노몰 수준의 Hit 발굴에 성공함. ■ 3D-QANN: 차량용 배터리 개발 솔루션 1) 새로운 무기 고체 물질의 발견은 관련 전기화학적 특성을 예측하기 위한 신뢰할 수 있는 계산 도구의 도움으로 가속화될 수 있기 때문에 당사는 물질의 3차원 양자역학적 표현자와 인공신경망 알고리즘을 결합하여 정량적 구조-특성 관계 모델을 개발하였으며, 이를 3D-QANN 모델이라고 함. 각 무기 고체 물질의 슈퍼 셀에서 정전기 전위(ESP)의 3D 분포는 3D-QANN 모델을 유도하는 고유한 수치를 설명하는 역할을 함. 최적화된 예측 모델은 적층 구조를 갖는 리튬 이온 배터리(LIB) 양극재의 방전 에너지 밀도(D) 및 용량 페이딩(Q)을 추정하는 측면에서 검증됨. 3D-QANN 모델은 해당 실험 데이터와 높은 상관 관계로 D 및 Q 값을 모두 예측하는 데 좋은 성능을 나타냄. 이것은 LIB 음극 재료에 대한 수치 설명자로서 양자 역학 ESP 분포의 적합성을 나타냄. 모델 구축의 단순성과 높은 예측 능력으로 인해 3D-QANN 모델은 전기화학적 특성을 추정하고 이에 따라 새로운 재료를 설계하는 데 유용한 계산 도구 역할을 할 수 있음. ■ SuperNatural: 신소재 개발 최적화 솔루션 1) 신약개발 기간을 단축시키기 위해서는 신약 개발과정에서의 막투과성, 결합친화력 등 다양한 물리화학적 기준들을 고려해야 함. 예를 들면, 생물학적 타겟에 대한 효력과 원하지 않는 타겟에 대해서는 선택성이 있어야 하고, 좋은 물리화학적 특성뿐만 아니라 ADMET(흡수, 분포, 대사, 배설, 독성)에도 적합한 특성을 가지고 있어야 함. 이러한 초기 유효물질을 개선하기 위해 단백질 타겟과 정확한 결합포즈를 찾는 것이 중요함. 그러나 편향되지 않은 시뮬레이션은 펩타이드의 flexibility로 인해 천문학적인 계산 시간과 컴퓨팅 자원을 필요로 하며 엄청난 양의 계산으로도 때때로 부정확하고 일관성 없는 결과를 초래함. 2) 이러한 문제점을 극복하기 위해, 당사는 단백질 및 리간드 펩타이드의 형태 공간을 탐색하기 위해 이론적 생물 물리학 및 물리 화학과 병렬 컴퓨팅을 사용하고 복제본 교환, 메타 역학 및 모의 어닐링과 같은 향상된 샘플링 방법을 활용하여 유의미한 성과를 창출할 수 있음. 3) 20개의 천연아미노산으로 이루어진 고리형 펩타이드에 3만여 개의 비천연 아미노산을 치환하여 유효물질의 화학 합성공간을 대량으로 확장하는 기술이 필요하며 두 개의 아미노산만 비천연으로 치환해도 9억 개의 조합이 생성됨. 4) 이를 실험하는 것은 장시간과 고비용이 소요되므로 이를 세밀하게 스크리닝하기 위해서는 양자계산을 통한 정밀한 3차원 전자분포와 이를 비교하여 클러스터링할 수 있는 AI가 필요하기 때문에 3D 양자전하 분포와 3D 정전기 전위 표면은 물론 컨볼루션, 임베딩 및 딥러닝과 같은 신경망 기술을 결합한 플랫폼을 구현하여 신소재 개발 최적화를 제공함.