인간은 오래 전부터 노화 과정에 큰 흥미를 보여 왔으며 노화 과정을 이해하고 방지하기 위한 노력을 기울여 왔습니다. 예를 들어, 고대 중국 의술에서는 건강과 장수에 도움을 주기 위해 한방 치료와 침술를 고안했습니다. 식이 제한으로 생쥐와 쥐의 수명을 늘릴 수 있다는 사실이 밝혀진 1930년대에 주요 이정표에 도달했습니다. 20세기의 획기적인 추가 연구에서는 유전학 및 세포 노화와 같은 요인의 역할을 탐구했습니다.

CAS는 노화 생리학 및 노화 방지 전략과 관련된 500,000건이 넘는 과학 논문(주로 학술 간행물과 특허)을 확인했습니다. 이러한 논문은 지난 10년 동안 적극적인 연구가 진행되면서 꾸준히 증가해 왔습니다(그림 1).

노화 방지 연구 추세가 둔화되고 있다는 징후는 보이지 않고 있습니다. 세계보건기구(WHO)에서는 2050년까지 전 세계 60세 이상 인구가 20억 명을 초과할 것으로 예상하고 있습니다. 고령 인구가 증가하는 이 인구 통계학적 변화로 인해 노화 관련 질환을 해결하고 건강한 노화를 촉진하기 위한 노화 방지 연구에 대한 관심과 투자가 폭발적으로 증가했습니다. 국제 연합(UN) 총회에서는 건강 수명을 늘리고 고령자의 삶의 질을 개선할 수 있는 방안을 찾기 위한 글로벌 협력 촉진 프로그램인 UN 건강한 노화 10년(2021–2030)을 공표했습니다.

노화는 다양한 만성 질환의 주요 요인이며 전반적인 건강과 웰빙에 초점을 맞춰 "성공적인 노화"를 촉진하는 데 관심이 커지고 있습니다. 이 자료에서는 노화 과정을 들여다 보면서 성공적인 노화와 수명을 늘린다는 목표로 다양한 노화 방지 방안을 살펴봅니다. 이러한 노화 방지 치료 전략 중 성공적인 노화를 촉진하는 데 있어 가장 전망이 밝은 것은 무엇일까요?

노화: 단순한 피부의 변화가 아닙니다

"노화 방지(anti-aging)"라는 용어는 종종 주름살이나 피부 처짐과 같은 눈에 띄는 피부 노화를 떠오르게 하는 경향이 있습니다. 사회적, 심리적 영향으로 인해 피부 노화에 대한 연구가 광범위하게 진행되고 있습니다. 신체의 가장 큰 기관인 피부는 환경 요인으로부터 신체를 보호하는 중요한 역할을 합니다. 나이가 들면서 이러한 기능을 이행하는 피부 능력이 떨어져 전반적인 건강에 영향을 미칠 수 있습니다. 피부 노화는 자연적인 과정이지만 피부 노화를 늦추고 피부 건강을 유지하는 조치를 취할 수 있습니다. L'Oreal, Amorepacific 등의 기업을 포함한 화장품 및 스킨케어 업계는 이 분야에 상당한 관심을 보이면서 수많은 특허를 보유하고 있습니다. 이러한 제품은 히알루론산이나 비타민 E와 같이 피부 표층에 영향을 주는 성분을 함유하고 있습니다.

노화 과정은 실제로 피부 표면에서 확인되는 것보다 훨씬 더 복잡합니다. 노화는 원활한 신체 기능을 유지하기 위해 스스로를 방어하고 유지, 복원하는 살아 있는 유기체의 본질적인 능력의 점진적인 기능 저하라고 폭넓게 정의할 수 있습니다. 뇌는 노화가 미치는 영향에 특히 민감해 크기와 혈관 구조 및 인지 능력이 변하게 됩니다. 따라서 나이가 들면서 알츠하이머병과 같은 특정 신경 장애가 발생할 위험이 높아집니다.

노화는 또한 신체 전체에 영향을 미치는 생리학적 건강의 점진적인 손실을 유발해 기능 저하와 취약성 증가로 이어집니다. 암, 당뇨병 및 심혈관 질환과 같은 심각한 질병의 직접적인 원인이 노화만은 아니지만 이러한 질병 원인 등 다양한 건강 이상에 중요한 위험 요인으로 작용합니다. 결과적으로 이와 같은 연관성이 인정받으면서 노화 연구가 급속도로 증가하게 되었습니다.

노화의 징표

노화는 기본적으로 시간이 지남에 따라 손상이 누적되는 것을 뜻하며 노화의 징표라고 알려진 특유의 생리적 변화가 나타납니다. 2013년, 미래 연구의 골조가 될 분자 및 세포 측면의 노화 징표 아홉 가지를 정의했습니다. 이러한 징표에는 유전체 불안정성, 텔로미어 소모, 후생유전적 변이, 단백질 항상성 손실, 이상 조절된 영양소 감지, 미토콘드리아 기능부전, 세포 노화, 줄기 세포 고갈, 세포간 연락 변경 등이 있습니다(그림 2).

문제를 더 복잡하게 만드는 것은 다양한 노화 징표가 서로 연결되어 있으며 서로에게 영향을 미칠 수 있다는 점입니다(그림 3). 실제로 이러한 징표는 너무 복잡하게 뒤얽혀 있어 일부 연구원들은 노화를 각각 다른 생물학적 규모의 네 개의 계층에서 작동하는 과정으로 간주해야 한다고 제안합니다. 하지만 노화를 고려할 때, 이러한 다른 징표들 간의 관계를 이해하면 노화 관련 질환의 효과적인방지 또는 치료 방안을 개발하는 데 도움이 될 수 있습니다.  

노화 방지 치료 전략을 가장 촉진하는 요소는 무엇일까요?

노화 징표를 표적으로 다양한 노화 방지 전략을 탐구했으며, 그중 많은 전략이 다중 징표를 표적으로 진행되었습니다(그림 4). 여기서는 다중 징표 방지 전략 다섯 가지와 가장 잠재력이 있는 방안을 결정하기 위해 각 접근법에 대한 현재 근거를 간략히 소개합니다.

신체 활동은 모든 노화 징표와 관련해서 세포 수준에서 상당한 노화 방지 효과를 보이는 것으로 나타났습니다. 노화 징후 방지 방안으로 신체 활동 활용에 대한 연구가 잘 확립되어 있고 임상 시험에서도 긍정적인 결과를 보이고 있습니다. 현재 진행 중인 주목할 만한 임상 시험에서는 신체 활동이 알츠하이머병, 불안정 보행, 인지 기능 및 외상 후 스트레스 장애에 미치는 영향을 살펴보고 있습니다(표 1).

식단 조절을 통한 노화 방지 전략

최근, 식이 제한과 간헐적인 단식 등 두 가지의 식단 조절이 장수의 중요한 요소인 기본적인 대사 및 세포 신호 전달 경로에 영향을 미쳐 건강한 신경계 수명을 효과적으로 늘려주는 것으로 보고되었습니다. 이 접근법이 동물 모델에서 성공적이라는 것이 입증되었지만, 식이 제한은 확고한 투지와 자기 통제가 요구되기 때문에 인간에게 적용하기는 어려운 전략입니다. 그 대안으로 ‘식이 제한 모방 물질’을 사용해서 비슷한 효과를 얻는 전략이 꼽히고 있습니다. 신체 활동처럼 식이 제한은 많은 연구가 이루어진 노화 방지 치료 전략으로, 현재에도 여러 건의 임상 시험이 진행되고 있습니다(표 2).  

대사 조정을 통한 노화 방지 전략

mTOR(mammalian Target Of Rapamycin) 신호 전달 경로는 세포 성장과 확산을 늘리는 주요 세포 과정과 영양분 감지를 연관짓는 세포 대사의 중요한 요인으로 알려져 있습니다. 노쇠부터 노화 관련 근감소증까지 다양한 증상을 살펴보는 노화 방지 임상 시험에서 라파마이신과 같은 제제를 사용한 mTOR 억제가 폭넓게 연구되었습니다(표 3). 

노화 세포 표적 치료를 통한 노화 방지 전략

노화 세포 표적 치료에는 노화 및 노화 관련 병리학과 관련된 조건인 세포 노화를 표적으로 한 잠재적인 치료제 및 접근법 개발이 포함됩니다. 연구원들은 여러 노화 세포 표적 치료 전략을 연구하고 있습니다. 특히 흥미로운 약리학 전략은 다양한 노화 관련 장애를 유발하는 노화된 세포를 선택적으로 제거할 수 있는 작은 분자, 즉 세놀리틱스를 사용하는 것입니다. 이 방식으로 노화 세포를 표적으로 하는 것은 이미 임상 시험에서 평가 중에 있습니다(표 4).

세포 리프로그래밍을 통한 노화 방지 전략

세포 수준에서 시간을 되돌리는 것이 가능할까요? 세포 리프로그래밍은 최종 분화된 성숙 세포를 유도 만능 줄기 세포로 변환해 세포 수준에서 시간을 되돌리는 것을 목표로 합니다. 이 방식으로 세포를 리프로그래밍하면 미토콘드리아 기능 장애, 텔로미어 소모, 후성 유전체 변화, 유전체 불안정성, 노쇠 등의 다양한 노화 징표를 효과적으로 개선할 수 있습니다. 연구가 여전히 초기 단계에 있기는 하지만 이 접근법은 임상 전 모델에서 가능성을 보여 주었습니다.

급증하고 있는 고령 인구 문제에 대처하기 위해, 노화 방지 연구를 통해 나이가 들어가는 방식을 변화시켜 전반적인 웰빙을 향상시키고 더 건강하고 더 활기찬 글로벌 커뮤니티를 만들어 나갈 것입니다.

흥미롭고 역동적인 노화 방지 연구에 대해 자세히 알아보려면 여기에서 최근 CAS 학술지를 확인해 보십시오.

오늘날의 정보화 시대에서 포괄적인 특허 검색은 연구원, 법무 팀, 사업체에게 있어 굉장히 중요합니다. 관련 문서를 적시에 비용 효율적인 방식으로 찾지 못하면 심각한 결과를 초래할 수 있습니다. 그러나 정밀한 검색은 매우 어렵고 많은 시간이 소요되는 작업으로, 특히 자원이 한정되어 있는 경우 더욱 어렵게 느껴집니다. 다행스럽게도 지식재산권(IP) 검색을 위해 설계된 고급 도구와 기술을 활용하면 이러한 부담을 줄이고 효율성을 개선할 수 있습니다. 이 자료에서는 도구와 전략을 활용하여 포괄적인 검색 결과와 보다 뛰어난 특허 관련 통찰력을 빠르게 확보할 수 있는 팁을 소개합니다.

• 팁 1: 전문가가 엄선한 포괄적인 데이터베이스를 사용합니다. 
• 팁 2: AI 도구와 정밀 검색 기술을 사용하여 검색 전략을 확대합니다. 
• 팁 3: 특허 패밀리 검색을 최적화합니다. 
• 팁 4: 새로운 특허가 출원되거나 기존의 특허가 변경되었을 때를 위한 알림을 설정합니다. 
• 팁 5: IP와 특정 분야에 대한 전문 지식을 보유한 파트너와 협력합니다. 

팁 1: 전문가가 엄선한 포괄적인 데이터베이스를 사용합니다

일반적으로 IP 연구원들은 다수의 데이터베이스에서 검색을 실행하여 검색 결과의 포괄성과 캡처의 관련성을 확인합니다. 주제, 문서 범위, 색인 방식의 차이에 따라 반환되는 결과가 달라집니다. 다수의 데이터베이스에서 실행되는 강력한 검색 전략을 활용하면 검색 결과의 포괄성을 높이고 도출된 결과를 보다 잘 파악하고 쿼리를 구체화하는 데 도움이 되므로, 핵심 문서의 누락 없이 필요한 정보를 확보할 수 있습니다.

CAS의 지원 방식

CAS는 CAS STNext^®를 통해 단 하나의 플랫폼에서 검색사들을 전 세계 주요 발행인 및 데이터베이스의 포괄적인 컨텐츠 컬렉션과 연결시켜 줍니다.

CAS STNext는 권위 있는 과학자가 엄선한 CAS의 화학 컨텐츠, 종합적인 특허 정보 및 전문 컬렉션, 화학, 생물의학, 제약, 지적재산권, 공학 분야에 대한 130개가 넘는 프리미어 글로벌 데이터베이스를 결합해 놓았습니다.

검색자는 부가 가치 데이터베이스, 전체 텍스트 데이터베이스, 특정 주제 또는 기능 중심의 클러스터를 활용하여 고유한 요구 사항을 충족시켜 주는 포괄적인 검색 전략을 구축할 수 있습니다.

또한 CAS STNext 사용자는 CAS에서 엄선한 데이터베이스에 액세스하여 정밀한 검색을 수행할 수 있습니다. 예를 들어 화학 관련 IP를 찾고 있는 경우, 특정 분자에 초점을 맞춰 검색을 진행할 수 있습니다. 그런데 이때 마쿠쉬 구조 청구항에 숨겨진 물질도 고려하고 계십니까? IP를 검색할 때에는 구조적으로 유사한 여러 재료를 간결하게 설명하기 위해 사용하는 일종의 일반적인 약칭에 해당하는 마쿠쉬 구조를 고려 및 이해해야 합니다.

일반적인 화학 구조 검색을 수행하면 수천 가지의 물질이 나오지만, 검색 기준에 정확하게 부합하는 물질은 극소수입니다. 특정한 화학 물질 관련 데이터베이스에서 광범위하고 일반적인 검색을 수행하면 화학 물질이 동일한 대상만 반환되어 마쿠쉬 구조와 관련된 필수 청구항을 식별하지 못합니다. CAS STNext에서 제공하는 도구를 사용하면 130만 개가 넘는 마쿠쉬 구조를 검색할 수 있어 불필요한 검색을 다시 수행할 필요가 없습니다.

팁 2: AI 도구와 정밀 검색 기술을 사용하여 특허 검색 범위를 확대합니다

EPO의 연구 결과 따르면 포괄적인 특허 검색의 경우 179개의 데이터베이스에서 13억 개의 기술 기록을 사용하며, 매월 약 6억 개의 문서가 특허 검색 결과에 나타납니다. 따라서 정밀하게 최신 특허를 검색할 수 있는 솔루션이 필요합니다. 이때 고급 검색 플랫폼을 활용할 수 있지만 데이터베이스 기능이 제한적입니다. 포괄적인 검색을 수행하는 유일한 방법은 바로 검색에 많은 시간을 들이는 것입니다.

여기서 AI 알고리즘을 활용하면 놓쳤을 수도 있는 관련 결과를 가져오는 등 검색 전략의 범위를 늘려 효율성을 개선할 수 있습니다.

CAS의 지원 방식 
CAS의 CAS STNext는 독점적인 AI 강화 선행 기술 검색 기술을 제공합니다. 특허를 받은 이 독점 유사성 엔진은 지정된 초기 특허 문서 전에 발표된 관련 특허 및 비특허 문헌 참고 자료 목록을 조합하므로, 기존 검색에서 발견하지 못했을 수 있는 특허 관련 통찰력을 제공합니다.

CAS가 제공하는 AI 보조 기능의 실제 활용 사례를 소개해 드리겠습니다.    CAS는 브라질 국립 산업재산권 협회(INPI)와의 파트너십을 통해 10개의 AI 기반 알고리즘 집합을 개발하였으며, 이러한 알고리즘으로 매우 정확하고 잘 정돈된 선행 기술 검색 결과 목록을 제공했습니다. 브라질 INPI는 AI 기반 알고리즘을 검색 워크플로에 통합하여 특허 검색의 효율성을 개선할 수 있었습니다:

처리된 국내 출원 사례 중 77%에서 검색 시간이 단축되었습니다; 
이 처리 사례 중 29%는 AI 증강 검색 결과를 벗어나 따로 검색을 할 필요가 없었습니다. 

팁 3: 특허 패밀리 검색을 최적화합니다

특허 패밀리와 관련이 있는 특허는 신청한 관할권과 지리적 위치가 다를 수 있지만 우선권 출원(기본 특허)에 의해 함께 연결되는데, 가장 먼저 특허를 출원한 날짜가 해당 특허 패밀리에 일괄적으로 적용되어 관련 특허의 청구항 및 명세에 대한 토대 역할을 합니다.

특허 소유자, 특허 신청자, 잠재적 실시권자는 특허 패밀리 내 관련 특허의 적용 범위를 파악하여 라이센스 요청, 특허 유효성 확인, 장기 R&D 이니셔티브 자원 할당과 관련해 정보에 입각한 결정을 내릴 수 있습니다. 그러나 특허 패밀리를 전체적으로 검색하는 작업은 굉장히 까다롭고 많은 시간이 걸리는 작업입니다. 다중 관할권 출원, 데이터베이스별 색인 불일치, 언어 장벽, 혁신의 과학적 정교함으로 인해 작업의 난이도가 높아지게 됩니다.

심지어 청구항의 변화도 이러한 작업을 더 복잡하게 만듭니다. 일반적으로 특허를 출원할 때 처음 명시했던 초기 청구항 집합이 해당 특허 패밀리 내 모든 관련 특허에 동일하게 적용됩니다. 그러나 출원인과 특허청이 소통하는 심사 진행 과정에서 심사관의 이의 제기 또는 선행 기술을 극복하기 위해 청구항이 수정되거나 권리 범위가 감소할 수 있습니다. 그 결과 동일한 특허 패밀리에 속하는 관련 특허들의 청구항이 심사 후에는 제각기 달라질 수 있습니다.

이러한 문제를 극복하기 위해, 특허 검색사들은 키워드, 분류, 인용 검색을 포함하는 검색 기법 조합을 흔히 사용합니다. 그뿐만 아니라 검색사들은 특허 검색에 활용할 수 있는 다양한 데이터베이스와 검색 도구, 그리고 여러 관할권의 특허 관련 법과 규정에 대해 잘 알고 있어야 합니다. 또한 특허 검색사들은 특정 패밀리 내 모든 관련 특허를 파악하기 위해 특허 변리사 및 기술 전문가와 협력할 수도 있습니다.

CAS의 지원 방식

CAS STNext는 전 세계 주요 특허 패밀리 데이터베이스에서 신뢰할 수 있는 데이터를 제공하며 포괄적인 검색이 가능하도록 다음과 같은 여러 기능을 지원합니다.

• 다중 파일 검색 기능.
• 간단한 명령을 사용하여 균등 특허 및 관련 특허를 포함한 추가적인 특허 패밀리 기록 검색.
• 손쉽게 탐색할 수 있는 특허 출원 범위 내 청구항 간 관계 관련 개요.

CAS STNext 특허 검색에 대해 자세히 알아보십시오.

팁 4: 새로운 특허가 출원되거나 기존의 특허가 변경되었을 때를 위한 알림을 설정합니다

미국 특허청에 따르면 2020년 한 해에만 미국에서 646,244건의 특허가 신청되었습니다. 특허 검색사들은 투자 시장의 성장이나 새로운 경쟁업체와의 거래에 대한 필요성을 포착해 혁신적인 발전 사항을 놓치지 않도록 새롭게 발표된 특허 문서들에 대해 잘 알고 있어야 합니다.

검색 기준에 부합하는 새로운 항목이 추가되었을 때 알림을 제공하는 기능을 갖춘 고급 검색 도구를 활용하면 특허 동향에 대한 최신 정보를 얻고 반복적인 검색 과정을 단축하는 데 도움이 됩니다.

CAS의 지원 방식 
STN IP Protection Suite^TM의 솔루션은 저장된 쿼리와 일치하는 관련 결과를 발견했을 때 사용자에게 알려 주는 맞춤형 알림 기능을 제공합니다.

또한 STN IP Protection Suite에 속하는 FIZ PatMon은 다음과 같은 활동에 대해 알림을 받을 수 있는 기능을 제공하여 특허 모니터링을 더 효율적으로 만들어 줍니다.

• 전체 특허 심사 과정 전반에서 진행되는 특허 출원.
• 특허 유효성의 변화.
• 현지 또는 국외 경쟁사 특허의 부상.
• 관련 특허에 대한 이의 제기 및 취하.
• 특정 국가의 특허 승인.

이러한 기능을 사용하면 한 조직 내 모든 사람이 보다 쉽게 검색 기준을 충족하는 맞춤화된 알림을 받을 수 있으며, 많은 시간이 소요되는 수동 특허 확인 과정의 필요성이 줄어듭니다.

팁 5: IP와 특정 업계에 대한 전문 지식을 보유한 파트너와 협력합니다

검색 관련 요구가 발전하면서 IP 검색에 대한 요구를 계속해서 충족하는 것이 큰 부담으로 다가올 수 있습니다. 이러한 영역에서 뒤처진다면 향후 투자 결정과 관련이 있는 경쟁업체의 활동을 인지하지 못하거나 사업 역량에 영향을 미치는 핵심 문서를 놓칠 수 있습니다.

해당 업계의 검색 전문가와 협력하면 필요한 컨텐츠, 가장 효율적인 검색이 가능한 도구, 격차 해소와 목표 달성을 위한 교육 및 전문 지식을 통해 IP 검색 관련 요구를 효율적으로 충족할 수 있습니다.

CAS의 지원 방식
CAS 팀은 IP와 여러 과학 부문에서 깊이 있는 기술적 지식을 보유하고 있습니다

CAS 팀은 다른 곳에서는 얻을 수 없는 정보를 알아낼 수 있는 뛰어난 역량을 갖추고 있습니다.

검색 요구와 관련해 CAS와 협력하면 포괄적이고 상세한 특허 검색이 가능해집니다.

요약

• IP 검색을 수행하고 최신 개발 사항을 숙지하는 것은 투자 또는 새로운 경쟁업체에 대한 의사 결정에 영향을 미칠 수 있기 때문에 조직에 상관없이 굉장히 중요한 일입니다. 특허 검색의 효율성을 높일 수 있는 방법을 소개해 드리겠습니다.
• 전문가가 엄선한 포괄적인 데이터베이스를 사용하여 복잡한 데이터의 이동을 간소화하고 컨텐츠 소스 관련 실수를 방지합니다. 
• AI 기반 검색 지원과 다른 정밀 솔루션을 연결시켜 주는 솔루션을 고려합니다.  AI는 관련 혁신을 인식할 수 있을 뿐만 아니라, 보다 강력한 검색 전략을 구축하는 데 도움이 될 수 있는 추가적인 용어나 세부 정보의 식별도 지원할 수 있습니다. 
• 모든 관할권에서 유사한 특허를 감지하고 전반적인 적용 범위를 파악할 수 있도록 도와 특허 패밀리 검색을 간소화합니다. 
• 조회 내용과 일치하는 새로운 항목이 발견되면 알림을 제공하는 고급 검색 도구로 특허 출원 관련 최신 정보를 확인합니다. 더 이상 지루한 검색을 여러 번 반복할 필요가 없습니다!
• IP 및 특정 업계 전문가와 협력하여 특허 검색 과정을 간소화하고 검색 범위를 확대합니다. 
   

STN IP Protection Suite에 대해 자세히 알아보십시오.

노화 방지 치료법은 줄기 세포 치료, 히알루론산에서 임상 시험 파이프라인의 새로운 의약품까지 다양합니다. 이 새로운 접근법은 식단, 운동, 항산화제와 같이 오랜 시간 검증을 거친 방법과 비교하여 어떤 차이가 있나요? 이 개요서에서 새로운 트렌드, 새로운 연구 및 기회에 대해 알아보고 주요 요약 정보를 공유해 보십시오. 노화 방지 치료법 동향에 대한 세부 분석은 최근 발표된 CAS 학술지(여기)를 참조하십시오..

정밀 특허 검색은 조직이 빠르게 혁신을 실현하면서 IP 권리를 보호하고 건전한 사업적 의사 결정을 내리는 데 있어 굉장히 중요합니다.  

특허 검색을 활용하면,

• 새로운 사업 기회를 파악할 수 있습니다. 동향 분석을 수행하면 해당 분야와 특허가 승인되지 않는 영역의 격차를 파악할 수 있습니다. 이 통찰력을 활용하면 투자를 집중시켜 수익을 극대화하는 데 도움이 됩니다.
• 경쟁 분석 역량을 강화할 수 있습니다. 경쟁업체의 활동을 추적하면 관련 혁신 내용을 조기에 식별하고 목표로 삼을 시장, 지역, 혁신을 결정하는 데 도움이 됩니다. 
• 새로운 위협에 대비할 수 있습니다. IP 자산을 보호하고 경쟁력을 유지하려면 외부 환경을 지속적으로 모니터링하는 것이 필수적입니다. 많은 기업들이 경쟁업체가 보유한 특허와 관련 활동에 대해 잘 알고 있으나, 경쟁업체가 특허를 출원하지 않은 채로 자사의 기존 IP를 침해하는 활동을 진행하고 있는 것과 관련해 혁신의 내용을 조사하는 전략을 완벽하게 구축해 둔 기업은 흔치 않습니다.

오늘날에는 혁신의 속도가 빨라지면서 특허 검색에 대한 요구가 발전하고 있습니다. 경쟁 환경이 날이 갈수록 복잡해짐에 따라 조직은 사업 및 R&D 전략을 위해 포괄적이고 신뢰할 수 있는 IP 통찰력을 반드시 확보해야 합니다.

해당 업계의 검색 전문가와 협력하고 혁신을 지원할 수 있을 정도로 정교한 도구에 투자하면 조직 전반에서 IP 정보를 확보하고 활용할 수 있습니다.

파트너십의 필요성: IP와 R&D의 조화 및 효율성 제고

과학 분야에서 특허와 동향을 정밀하게 검색하는 작업의 경우 혁신의 규모, 속도, 복잡성과 빠르게 발전하는 기술로 인해 많은 시간과 자원이 소모됩니다.  

기업의 IP 검색 전략에 헛점이 있거나 불완전한 데이터 출처에 의존하면 핵심 투자 및 R&D 관련 의사 결정에 도움이 되는 정보를 놓칠 수 있습니다.

분석가의 전문 분야, 작업 범위 및 검색 도구로 인해 IP 검색의 포괄성과 신뢰성이 제한되는 경우가 굉장히 많습니다. 이러한 제한은 많은 비용이 드는 지연과 R&D 및 IP 전략의 격차가 발생할 수 있습니다. 해당 분야에서 성공을 거둔 전문가와 협력하면 정밀하고 일관적이며 효율적인 IP 검색 활동을 보장하는 데 필요한 정보를 확보할 수 있습니다.

또 다른 과제는 연구원들이 IP 검색과 관련된 경험이나 시간, 접근 권한을 보유하지 않은 R&D 수준에서 직면하게 됩니다. 기회를 극대화하고 IP 이니셔티브를 간소화하려면, R&D 팀원들이 사내 특허 분석가들이 제공하는 통찰력을 얻고 개발 주기 전반에서 IP 통찰력을 활용하는 데 도움이 되는 도구를 확보할 수 있도록 지원해야 합니다.

신뢰할 수 있는 파트너의 지원 방식은 다음과 같습니다.

특허 동향 검색 속도를 높여 줍니다. 화학 및 생명 과학 분야가 계속해서 변화하는 오늘날, 사업 관련 의사 결정에 대한 경쟁 환경의 빈틈을 식별하기 위해서는 속도가 그 무엇보다 중요합니다. 해당 기술, 용어, 업계에 대해 잘 알고 있는 IP 검색 파트너와 협력하면 검색 속도를 높일 수 있습니다.

과학 문헌 및 IP 검색을 위해 설계된 포괄적인 컨텐츠와 워크플로 솔루션을 제공하여 포괄적인 검색을 실행하고 유용한 통찰력을 확보할 수 있도록 지원하는 파트너를 찾으십시오.

R&D 지원을 제공합니다.  파트너가 빈틈, 리스크 영역, 연구 기회 영역에 대한 통찰력을 확보하여 해당 분야의 기회 영역을 식별할 수 있도록 돕습니다. 또한 신뢰할 수 있는 파트너는 보다 효율적으로 검색을 진행하고 이해관계자와 결과 집합을 공유하고 모니터링 프로그램을 설정하여 변화에 뒤처지지 않도록 돕습니다.

작업량을 줄여 줍니다. 화학 및 생명 과학 영역을 비롯한 여러 분야에서 포괄적이면서 효율적으로 검색을 완료하는 일은 굉장히 부담스럽게 느껴질 수 있습니다. 신뢰할 수 있는 파트너는 역량이나 특정 주제에 대한 전문성이 부족할 때 사용자가 가장 필요로 하는 전문 지식을 정확하게 제공합니다. 이러한 파트너는 기존의 특허 검색사들과 협력하여 부담 없이 이니셔티브의 진행 속도를 높일 수 있도록 돕습니다.

협력을 위한 첫 번째 단계: 이상적인 특허 검색 파트너의 정의를 정확하게 파악하기

적합한 파트너와 함께라면, 자신 있게 R&D 작업을 위한 검색을 수행할 수 있습니다.

이상적인 파트너란: 

현재 작업 중인 주제에 대한 전문가로, 보다 깊이 있고 귀중한 통찰력을 제공할 수 있어야 합니다. 

포괄적인 정보 출처와 연결시켜 주어야 합니다. IP 검색의 가치는 정보의 출처와 관련 결과를 정밀하게 활용하는 역량에 따라 크게 달라집니다. 이상적인 파트너는 해당 작업의 중요성을 이해하고, 광범위한 관련 정보 컬렉션을 제공합니다. 

과학적 IP 검색을 염두에 두고 도구를 설계하고 제공합니다. 전문 지식과 컨텐츠의 활용에는 한계가 있습니다. 특허 검색의 효율성을 높이는 데에는 이러한 컨텐츠를 활용할 때 사용하는 기술이 아주 큰 영향을 미칩니다. 이상적인 파트너는 워크플로를 확장시킬 수 있는 IP 검색 도구와 최신 관련 컨텐츠 뿐만 아니라 효율적이고 정밀하게 검색을 수행하고 팀원들 사이에서 통찰력을 공유할 수 있는 기능을 제공합니다.

협력을 위한 두 번째 단계: 파트너십 체결 전에 중요한 질문하기

특정한 파트너와 파트너십을 체결하거나 특정한 특허 검색 도구를 사용하기 전에, 가능한 가장 좋은 결과를 얻을 수 있도록 다음과 같은 질문을 하십시오. 

• 어떠한 특허 및 비특허 정보 출처와 데이터베이스를 활용할 수 있습니까? 과학 및 기술적 영역의 풍부하고 방대한 정보를 지원합니까?  
• 도구와 서비스가 어떤 방식으로 특허 검색 결과를 주요 이해관계자와 공유할 수 있도록 지원합니까?   
• 혁신의 기밀성을 보장하기 위해 어떠한 조치를 취하고 있습니까? 

IP 검색을 도와줄 이상적인 파트너를 찾고 있다면 고민하지 마십시오. 완벽한 파트너인 CAS가 다양한 기능과 도구로 여러분의 요구를 충족시켜 드립니다. 

CAS를 통한 경쟁력 제고

포괄적인 검색 보장
검색 결과의 신뢰성은 활용할 수 있는 데이터에 따라 크게 달라집니다. STN IP Protection Suite^TM의 소프트웨어인 CAS STNext^Ⓡ는 특허 분석가들에게 강력한 정밀 검색 및 분석 도구와 함께 가장 포괄적인 글로벌 데이터베이스 컬렉션, 과학자가 엄선한 컨텐츠 및 특허 정보를 제공합니다.

CAS STNext를 활용하면 제약, 생명 과학, 화학 공학, 기능성 소재 및 퍼스널 케어 제품을 포함하는 여러 부문에서 IP 검색을 수행하여 신뢰성과 완전성을 높이고 유용한 통찰력을 확보할 수 있습니다.

팀원들의 전문성 확장 과학 및 IP 관련 지식을 보유한 CAS 같은 파트너를 통해 지식 격차를 해소할 수 있으며, 특허 검색을 위한 전략을 세우는 데 도움이 되고 특정 과학 분야에 적합한 특허 검색 도구와 데이터 컬렉션을 개발할 수 있습니다.

또한 STN IP Protection Suite 사용자는 특허 준비와 기소, 소송, 지적재산권 경제적 가치 창출, 경쟁 분석, 제품 및 안전 모니터링, 화이트스페이스 분석 및 기타 특허 프로그램 활동에 대한 검색 전략 관리 경험을 보유한 신뢰할 수 있는 IP 검색 전문가와 소통할 수 있습니다.

특허 검색 및 특허 결과 검토 시간을 단축하고 해당 업계를 위해 설계된 도구와 데이터베이스는 초기 검색에서 의사 결정 단계로 보다 빠르게 이동할 수 있는 컨텐츠, 검색, 워크플로 기능을 포함합니다.

예를 들어 공학 분야의 발명품을 분석할 때, 보통 점성, 전도율, 광도와 같은 속성이 범위별로 표시됩니다. 이 경우 이러한 특허에 대한 정밀 검색이 어려워집니다. STN IP Protection Suite의 CAS STNext^Ⓡ는 값이나 범위를 정확하게 입력할 수 있는 숫자 속성 검색 기능을 제공하며, 필요한 경우 단위를 변환하는 것도 가능합니다. 기술별 고급 검색 기능을 보유한 도구를 활용하면 더 빠르게 관련 정보를 찾을 수 있습니다.

전 세계 특허 동향을 효율적으로 모니터링
소송과 침해 사례는 사전에 방지 및 예측하고, 필요한 경우 효과적으로 해결할 수 있어야 합니다. STN IP Protection Suite에 포함되어 있는 FIZ PatMon을 통해 업계 내 특허의 변화를 추적하여 경쟁업체의 작업 현황을 파악하고 IP 포트폴리오를 보호할 수 있습니다. 포괄적인 모니터링부터 특정 필터까지 광범위하게 지원하는 정교한 알림 옵션을 통해 새로운 특허 신청 내용과 관련 활동을 자세히 관찰할 수 있습니다.

CAS와 협력하면 기업이 중요한 혁신, R&D, 또는 IP 보호 관련 의사 결정을 진행할 때 필요한 정보를 확보할 수 있습니다.

더 자세한 내용을 알고 싶으신가요? 다음과 같은 자료들을 확인해 보십시오.

• 자료: 빈틈 주의: IP 포트폴리오 평가의 일반적인 사각지대 극복하기
• 자료: 빈틈 주의: 특허 승인을 받지 못해 수백만 달러의 손해를 입고 있지는 않으신가요?
• 자료: 빈틈 주의: 특허와 학술지 논문 사이 격차 해소
• 웨비나: IP와 R&D의 결합: 협력 강화를 통한 혁신 주도

NullSet Informatics Solutions 설립자인 Jefferson Parker 박사와의 대화

신약 개발과 관련이 있는 전산 생물학이 꾸준하게 발전하면서, 새로운 과제와 기회가 끊임없이 대두되고 있습니다. 염기서열 분석은 오랫동안 생물정보학의 핵심 요소였습니다. 이 기사에서는 NullSet Informatics Solutions의 설립자이자 생명과학 부문의 데이터 분석 전문가인 Jefferson Parker 박사와 함께 신약 개발을 위한 염기서열 분석과 관련된 새로운 발전 가능성에 대해 알아봅니다.

CAS: 전산 생물학자로서 신약 개발 부문에서 어떤 역할을 해 오셨습니까?

Jefferson: 신약 개발 실험실 지원부터 중개 연구 그룹 지원까지 다양한 역할을 담당했습니다. 최근에는 임상 팀과 함께 운영 및 개발 관련 작업을 진행했고요. 그리고 안전 데이터 분석을 통한 약물 감시 팀 지원과 사업 개발 및 경쟁 인털리전스 관련 작업도 수행했습니다. 웨트 랩 과학자와 소프트웨어 개발자 사이에서 일종의 번역가 역할을 하는 생물정보 분석가로 소프트웨어 엔지니어링 팀의 구성원으로 활동하기도 했습니다.

CAS: 신약 개발에서 염기서열 분석이 어떠한 역할을 하는지 설명해 주시겠습니까? 염기서열 분석이 중요한 이유는 무엇입니까?

Jefferson: 염기서열 분석의 경우 개발 단계의 타깃 발굴 스크리닝에 활용할 수 있습니다. 전사체적 관점에서 보면, 경로에 대한 자신의 지식과 관련하여 "가장 가능성이 높은 업스트림 대상은 무엇인가?"라는 질문을 던질 수 있으며, 이는 신약의 타깃이거나 신호 전달 측면에서 해당 타깃에 가까운 대상일 수 있습니다. 특정 타깃을 고려해서 약물을 설계한 경우, 의도에 맞게 진행되고 있는지 확인하는 데 도움이 될 수 있습니다.

또한 환자 선택 생체표지자를 찾는 작업을 시작할 수 있습니다. 발현 또는 DNA 염기서열 수준에서 다양한 돌연변이가 발생하는 특정 유전자 프로필이 존재하는가? 환자가 약물 효능에 대한 민감도를 높이거나 떨어뜨리는 특정 돌연변이를 보유하고 있는가? 제약 업계에서는 이 흥미로운 영역에 대한 연구가 활발히 진행되고 있습니다. 치료 전에 이 약물이 환자에게 효능이 있는지 여부를 판단할 수 있기 때문에, 이러한 연구가 신약 개발의 성공을 좌우할 수 있습니다. 또한 환자의 귀중한 시간을 낭비하지 않게 됩니다. 특히 신속한 치료가 중요한 종양학과 같은 분야에서 효능이 없는 약물을 사용한 여러 차례의 치료와 시행착오로 인한 시간 낭비가 사라지게 됩니다.

이 모든 절차가 염기서열 분석과 관련이 있습니다. 염기서열 분석은 신약 개발 프로세스의 모든 측면에 영향을 미칩니다.

CAS: 염기서열 분석의 가장 큰 과제는 무엇이라고 생각하십니까?

Jefferson: 기술이 매년 발전하고 있기 때문에 실제로 과제들이 빠르게 해소되고 있다고 생각합니다. 기존에 활용하던 아주 작은 쇼트 리드 기술의 경우 통합이 굉장히 까다로웠습니다. 이후 롱 리드 기술이 개발되면서 통합이 전보다는 쉬워졌습니다.

전쟁과 평화라는 책을 문서 파쇄기에 넣는다고 생각해 보십시오. 그러면 책의 페이지가 아주 작은 조각들로 잘게 찢어지는데, 이러한 조각을 다시 모아 한 권의 책으로 만드는 것은 굉장히 어렵습니다. 하지만 페이지 조각이 훨씬 더 크고 길 뿐만 아니라 단어가 아닌 단락 단위로 잘라져 있다면 올바른 순서로 조각들을 다시 조합하는 것이 훨씬 더 쉬워집니다. 이와 마찬가지로 롱 리드 기술이 발전하면서 DNA 조각의 길이가 점점 길어지고 있습니다.

저장의 경우 여전히 문제가 되고 있습니다. 가장 최근에 진행한 작업에서도 염기서열 데이터를 옮겨야 했는데, 가장 빠른 방법은 하드 드라이브에 로드한 후 택배 상자에 넣는 것이었습니다. 인터넷을 통해 수백 기가바이트, 수백 테라바이트의 데이터를 옮기는 대신 상자에 넣어 배송하는 것이 더 빠릅니다. 문제는 로컬 저장소가 아닌, 많은 양의 데이터를 한 곳에서 다른 곳으로 전송하는 것입니다. 요즘에는 컴퓨터의 성능이 충분해서 염기서열 프로젝트를 진행하는 데 문제가 없지만, 해당 시스템으로 데이터를 옮기는 일은 여전히 어려운 과제로 남아 있습니다.

환자에게서 샘플을 채취하는 것 역시 어려운 과제입니다. 샘플 채취는 고통스러운 과정이며 생검은 외과적 수술을 통해 이루어지기 때문에 환자들은 샘플 채취를 여러 번 진행하고 싶어 하지 않습니다. 채취된 샘플은 일반적으로 FFPE(Formalin-Fixed Paraffin-Embedded) 조직이므로 핵산 물질이 어느 정도 분해됩니다. 이와 같이 염기서열 분석을 위해 준비된 샘플 조직을 추출하여 사용하는 방식들이 있지만, 그러한 방식은 항상 염기서열의 품질에 영향을 미칩니다.

또한 이러한 시스템은 매우 고가이기 때문에 소규모 기업에게 있어 해당 기술에 대한 비용 부담이 굉장히 큽니다. 마찬가지로, 과거보다 전산 생물학자의 수가 눈에 띄게 늘어나고 있지만 모든 전산 생물학자가 가장 크고 좋은 환경에서 최고의 수입을 얻고자 하기 때문에 여전히 인력 불균형 현상이 일어나고 있습니다. 전문 인력이 증가하고는 있지만 여전히 그 수는 제한적입니다.

모든 전산 생물학자가 염기서열 분석 작업보다는 뛰어난 차세대 학습 모델을 만들고 싶어한다고 볼 수 있습니다. 이제는 수치 처리와 데이터 분석이 아닌 첨단 AI와 ML에 집중하고 있습니다. 모두가 염기서열 분석이 아닌 참신하고 전망이 밝은 신기술 개발 작업을 진행하려고 합니다. 이러한 현상이 곧 큰 과제를 불러 일으킬 것입니다.

CAS: 오늘날 염기서열 분석을 수행하기 위해서는 반드시 전산 생물학자가 필요한가요?

Jefferson: 검증된 방법론을 활용하여 개발, 검증, 문서화가 잘 진행되고 일정한 결과를 도출하는 경우라면 필요하지 않습니다. 염기서열 분석의 경우 완전히 새로운 접근법이 필요한 것은 아니기 때문입니다. 다양한 염기서열 시스템에서 입력 데이터를 가져올 수 있는 다수의 기성 소프트웨어 솔루션이 존재합니다. 데이터를 로드하고 처리하고자 하는 파이프라인의 아이콘을 끌어다 놓는 식으로 쉽게 작업을 시작할 수 있습니다. 작업이 시작되면 시스템의 크기에 따라 커피를 마시거나 점심 식사를 하고 나서 결과를 확인하거나 퇴근 후 다음 날 아침에 결과를 확인할 수 있습니다. 굳이 전산 전문가가 필요한 작업은 아닙니다. 최신 기술에 능숙한 연구원이라면 누구나 작업을 진행할 수 있습니다.

반면, 첨단 염기서열 시스템에서 전례 없는 새로운 분석 방법론을 찾아내려 하는 경우에는 기성 솔루션이 존재하지 않습니다. 이때는 입력 데이터, 출력 데이터, 수학을 비롯한 생물학 작업 관련 지식을 갖춘 사람이 필요합니다. 이 모든 요소를 모아 존재하지 않는 새로운 솔루션으로 통합하기 위해서는 이러한 모든 내용에 대해 잘 알고 있는 전문가가 작업을 진행해야 합니다.

CAS: 오늘날에는 사람들이 AI와 ML을 활용하는 작업을 선호한다고 말씀하셨습니다. 이러한 기술이 염기서열 분석에 도움이 될까요?

Jefferson: 잘 엄선된 데이터 세트를 활용한다면 AI와 ML이 분명 도움이 될 수 있습니다. 특히 문헌을 활용하고 지식 그래프를 만들기 위해 머신 러닝 기술을 적용하고 있는 조직들에게는 매우 중요할 수 있습니다. AI와 머신 러닝을 염기서열 통합에만 활용해도 도움이 된다고 생각하십니까? 그럴 것 같습니다만, 굳이 필요가 있는지 잘 모르겠습니다.

CAS: AI 이야기가 나온 김에, 단백질 구조에 대한 AI 예측을 수행하는 AlphaFold에 대해 어떻게 생각하십니까?

Jefferson: AlphaFold가 업계의 판도를 바꾸었다고 생각합니다. 구조에 대한 훨씬 더 빠른 경로를 제공하므로, 이전보다 훨씬 빠르게 컴퓨터 지원 약물 설계를 진행할 수 있습니다. AlphaFold가 개발되면서 이제 NMR이나 결정 구조 없이도 작업을 시작할 수 있게 되었습니다. 그렇다면 AlphaFold가 결정 구조만큼 우수하다는 건가요? 그렇지는 않을 겁니다. 언제나 실제로 측정한 값이 시뮬레이션보다 더 정확하기 마련입니다. 하지만 시간적인 측면에서 즉시 활용 가능한 결과를 도출해 낼 수 있다는 장점이 있습니다. AlphaFold는 우리의 예상을 뛰어넘는 엄청난 변화를 불러올 수 있습니다. AlphaFold는 처음 공개되었을 때 업계에 큰 파장을 일으켰으며 계속해서 수많은 변화를 불러올 것입니다.

CAS: 신약 개발과 관련해 AI와 ML은 어떠한 방향으로 발전하고 있다고 생각하십니까?

Jefferson: 공간 측면에서는 일종의 차세대 단일 세포에 해당한다고 볼 수 있습니다. 이를 다중 오믹스라고 합니다. 다중 오믹스의 경우 DNA, RNA, 단백질, 대사체학 등을 하나로 통합합니다. 또한 세포 경로 및 세포 간 신호 전달과 통합됩니다. 따라서 더 이상 단순한 단일 세포가 아닙니다. 각각의 단일 세포가 통합된 상태에서 이러한 세포는 어떻게 상호 작용할까요? 바로 이러한 부분에 초점을 맞추어 기술이 발전하고 있습니다.

CAS: 향후 생체계 모델이 만들어질 것이라고 생각하십니까?

Jefferson: 제가 대학원생일 때 그런 질문을 하셨다면 인류는 아직 생체계를 설명할 수 있는 수학적 역량을 갖추지 못했다고 답했을 것입니다. 생물학은 복잡한 화학에 속하며, 화학은 복잡한 물리학에, 물리학은 복잡한 수학에 해당합니다. 수학은 이 모든 학문의 토대입니다. 물리학은 막대한 양의 데이터만 있으면 수학적으로 해결이 가능한 문제이며, 화학도 마찬가지입니다. 하지만 생물학은... 저는 인류는 생체계를 수학적으로 모델링할 수 있는 역량이 부족하며 앞으로도 이러한 역량을 갖추지 못할 것이라고 생각하곤 했습니다.

하지만 지금은 이 불가능해 보이는 목표를 이루기 위해 나아갈 때라고 생각합니다. 양자 컴퓨터를 활용한다면 어떨까요? 어쩌면 가능하지 않을까요? 아주 오랜 시간이 걸릴 수도 있지만, 언젠가는 인류가 정확하고 안정적으로 생체계를 시뮬레이션할 수 있는 전산적인 역량을 갖추는 시대가 올 것이라고 믿습니다. 그러한 시대는 어떤 모습일지 굉장히 궁금합니다. 오늘날에는 디지털 트윈 영역에서 많은 작업이 이루어지고 있습니다. 비록 제한적인 초기 시나리오에 불과하긴 하지만, 현재 디지털 트윈이 임상 시험에서 활용되고 있습니다. 이러한 사례를 시작으로 디지털 트윈의 활용도는 더 높아질 것입니다.

CAS: 그렇다면 이러한 새로운 영역을 개척하기 위해 무엇이 필요하다고 생각하십니까? 새로운 알고리즘이나 프레임워크가 필요할까요? 아니면 각 요소의 조화가 중요하다고 생각하십니까?

Jefferson: 말씀하신 모든 것이 필요하다고 말하고 싶습니다. 먼저 문제를 새로운 관점에서 살펴봐야 합니다. 기존의 알고리즘을 새로운 설계 방식에 적용하거나 새로운 알고리즘을 구현할 수 있습니다. 후생유전체학과 DNA 역학 또는 비번역 RNA 영역, 진유전체 비교의 경우 단순한 염기서열 분석과는 다릅니다. 다른 관점에서 살펴봐야 합니다. 여전히 염기서열에 해당하긴 하지만 염기서열 외의 관점에서 문제를 살펴보는 것이 중요합니다. 다른 관점에서 문제를 살펴보려면 각기 다른 도구가 필요합니다.

CAS: 염기서열 분석 및 신약 개발과 관련해 하나의 문제를 해결할 수 있는 마법의 지팡이가 생긴다면 어떠한 문제를 해결하시겠습니까? 그리고 그 문제를 해결하면 어떠한 상황이 벌어질까요?

Jefferson: 저는 모든 데이터에 꼼꼼하게 주석을 달고 모두에게 공개할 것입니다. 일단 기업, 기관, 대학을 비롯한 모든 곳의 독점 데이터를 확보하겠습니다. 그런 다음 주석 추가와 문서화 작업이 잘 이루어진 통합형 스토리지 플랫폼을 통해 모두가 자유롭게 해당 데이터를 이용할 수 있게 만들겠습니다. 이로써 중대한 문제를 해결할 수 있는 충분한 역량을 갖추게 될 것입니다.

슈퍼 커패시터는 더 높은 안정성, 더 빠른 충전/방전, 더 긴 수명을 비롯해 다양한 이점이 있어 종종 리튬 이온 배터리(LIB)의 대체제로 언급되곤 합니다. 이러한 발전에도 불구하고 두 기술은 본질적으로 다르기 때문에, 에너지 밀도가 제한적인 그래핀 기반 슈퍼 커패시터 기술이 향후 LiB를 대체할 가능성은 낮다고 보여집니다. 하지만 이러한 기술은 다양한 실제 응용 부문을 지원할 준비를 마쳤으며, 특히 운송 부문에서 상호보완적인 에너지 저장 장치 역할을 하게 됩니다.

슈퍼 커패시터 기술과 배터리

배터리를 슈퍼 커패시터로 대체하지 않는 이유를 이해하려면 각각의 구조와 관련해 이 두 가지 유형의 장치가 서로 어떻게 다른지 파악해야 합니다(그림 1).

• 배터리는 높은 에너지 밀도와 낮은 전력 밀도(느린 에너지 방전 속도)로 인해 일정한 양의 에너지를 서서히 방출해야 하는 장기적인 응용 부문에 적합합니다.
• 슈퍼 커패시터는 낮은 에너지 밀도와 높은 전력 밀도(빠른 에너지 방전 속도)가 특징입니다. 따라서 배터리만큼 많은 양의 에너지를 저장할 수는 없지만 충전과 방전이 배터리보다 훨씬 더 빠르게 이루어집니다. 이러한 속성으로 인해 많은 양의 에너지를 빠르게 공급하고 즉시 재충전해야 하는 응용 부문에 더 적합합니다.

각 기술이 전하를 저장하는 방식에 따라 에너지와 전력 밀도 간 차이가 발생하며, 이러한 차이는 커패시턴스와 에너지 밀도에 영향을 미칩니다.

• 배터리는 전기화학적으로 에너지를 저장하고 방출하며, 해당 전기화학 반응 동역학으로 인해 충전-방전 속도가 제한적입니다. 이온이 표면이 아닌 전극 내부에 삽입되어 전극을 통해 확산되면서 충전-방전 속도가 더 느려집니다.
• 슈퍼 커패시터는 전극 표면에서 정전식으로 에너지를 저장합니다. 속도가 느린 전기화학 반응 대신 간단한 이온 이동을 통해 에너지가 방출됩니다. 전극 표면에만 전하(이온)가 저장되고 활성 물질 내부에 삽입되는 이온이 없기 때문에 표면만 충전-방전 프로세스에 참여하므로 배터리보다 에너지 밀도가 훨씬 더 낮습니다.

슈퍼 커패시터 기술의 에너지 밀도 개선을 선도하는 그래핀

비록 본질적인 차이로 인해 슈퍼 커패시터가 배터리를 대체할 가능성은 낮지만, 여전히 에너지 밀도 개선에 초점을 맞춰 연구가 진행되고 있습니다. 활성 물질 표면은 기본적인 전하 저장 위치이기 때문에, 흡수되는 이온의 수를 늘려 슈퍼 커패시터의 커패시턴스와 에너지 밀도를 높일 수 있는 상부 표면 영역을 갖는 활성 물질 개발을 중심으로 연구가 이루어지고 있습니다.

탄소질 물질, 그중에서도 활성탄과 그래핀은 일반적인 활성 물질에 속하며, 전기 전도성이 뛰어난 그래핀을 채택하는 사례가 점점 더 많아지고 있습니다. 그러나 그래핀은 생산 난이도와 비용이 높고 일반적으로 활성탄보다 이론상의 표면 영역이 낮아 공업용 슈퍼 커패시터에서 사용하는 데에는 어려움이 따릅니다. 그래핀은 슈퍼 커패시터의 활성 물질 혁신과 관련해 중심 역할을 해 왔기 때문에, 그래핀의 채택률을 낮추는 다양한 요인을 파악하는 것이 굉장히 중요합니다.

그래핀 전극의 사용을 제한하는 주요 장애물

공업용 고품질 그래핀에 대한 안정적인 합성의 어려움

그래핀을 슈퍼 커패시터 기술에 적합한 물질로 만들어 주는 동일 속성은 엄격한 합성 조건을 필요로 합니다. 이러한 조건 때문에 특히 공업용 그래핀의 안정적인 합성이 어려워집니다. 더 큰 문제는 바로 그래핀을 공업용으로 합성하는 데 성공했다고 하더라도 그래핀의 품질이 슈퍼 커패시터에 사용하기에 충분하지 않을 수 있다는 것입니다. 2018년 진행한 한 연구에서 수십 개의 그래핀 제품을 분석한 결과, 그래핀 함유량이 50%를 넘는 제품은 단 한 개도 없었습니다. 2020년에는 이와 유사한 연구를 보다 제한된 방식으로 진행하였는데, 그래핀과 활성탄을 비교했을 때 산화 그래핀의 존재로 인해 그래핀 기반 슈퍼 커패시터의 커패시턴스가 활성탄보다 현저히 낮았습니다. 이러한 연구는 2021년 ISO 그래핀 표준이 발표되기 전에 진행되었기 때문에 시판용 그래핀의 품질을 신중하게 분석하려면 후속 연구가 이루어져야 합니다.

그래핀의 높은 생산 비용

합성 조건을 엄격하게 제어하려면 공업 생산에는 적합하지 않은 특수한 장비와 프로세스를 활용해야 하며, 따라서 그래핀 기반 슈퍼 커패시터에 대해 규모의 경제를 실현하는 것이 어려워집니다. 그래핀을 생산한 후에는 많은 비용이 들고 굉장히 민감한 특성화 기법을 통해 품질이 ISO 표준을 준수하는지 확인해야 합니다. 이러한 요건 때문에 기업, 특히 소규모 기업들은 또 하나의 큰 진입 장벽에 부딪히게 되며, 그래핀 기반 슈퍼 커패시터 기술을 개발하는데 차질이 생기게 됩니다.

응집 현상에 취약한 그래핀 시트

합성 후 강력한 π-π 상호작용으로 인해 각 그래핀 시트가 리스택 및 응집되어 전기화학적 활성 표면 영역이 줄어듭니다. 따라서 슈퍼 커패시터의 에너지 밀도가 제한됩니다. Skeleton Technologies는 슈퍼 커패시터에서 곡선형 그래핀을 사용하여 이러한 상호작용을 억제하고 리스태킹을 방지하는 방법을 찾았습니다. 이와 관련해 곡선형 그래핀이 어떻게 주요 돌파구가 될지에 대한 보도 자료에 관심이 집중되었지만(곡선형 그래핀 기반 슈퍼 커패시터는 2010년부터 존재했습니다), 이 연구를 후원한 기업은 약 10년 동안 추가적인 개발 소식을 전하지 않고 있습니다.

학문적인 그래핀 슈퍼 커패시터 기술 연구

최근 슈퍼 커패시터 연구 관련 간행물 동향

위 그림에 보여진 간행물 추세에서 알 수 있듯이, 그래핀 기반 슈퍼 커패시터는 여전히 인기가 많은 연구 주제입니다(그림 2). 슈퍼 커패시터 연구 분야에서는 그래핀이 계속해서 주된 주제이지만, 전도성 고분자 기반 슈퍼 커패시터 또한 주요 연구 주제로 떠올랐습니다(그림 3). 그래핀 및 전도성 고분자 기반 슈퍼 커패시터와 관련된 간행물의 수가 2020년부터 조금씩 감소하고 있지만 리그노셀룰로스 물질 기반 슈퍼 커패시터 관련 간행물의 수는 2021년까지 계속해서 증가하는데(그림 4), 잠재적으로 지속 가능한 물질에 대한 관심이 높아진 것을 보여줍니다.

학술 연구에도 진전이 있었지만, 보고된 실험실용 장치의 사이클링 수명은 주로 1백만 사이클 수준에 해당하는 일반적인 상용 슈퍼 커패시터의 보고 내용보다 훨씬 더 낮은 경우가 많았습니다. 또한 슈퍼 커패시터가 아주 짧은 시간 동안만 장치에 전력을 공급할 수 있어 에너지 밀도 문제도 계속해서 제기되었습니다.

• 2022년 말 칭화대학교의 연구원들은 10,000회의 사이클 후에 약 99%의 성능을 유지하고 3V의 충전/방전 전압 범위를 지원하는 유연한 그래핀 슈퍼 커패시터를 발표했습니다. 이 슈퍼 커패시터는 LED와 계산기를 포함해 여러 소형 전자 장치에 동력을 공급하였으나, 일반적으로 몇 초를 넘기지 못했습니다.
• 2022년에 진행한 또 다른 연구에서는 임페리얼칼리지 런던의 한 그룹이 니트형 그래핀 슈퍼 커패시터를 개발했습니다. 이 커패시터를 압력 센서로 사용했을 때 0.6초밖에 안 되는 빠른 응답 시간을 보여 주었으나, 10,000회의 사이클 후에 커패시턴스가 약 90%로 저하되었습니다.

리튬 이온 하이브리드 슈퍼 커패시터

슈퍼 커패시터와 배터리 간의 격차를 해소하기 위해서는 다양한 장치 구조가 필요할 수 있습니다. 리튬 이온 하이브리드 슈퍼 커패시터는 슈퍼 커패시터의 긴 사이클링 수명과 배터리의 높은 에너지 밀도 등 두 가지 장점을 모두 갖추고 있습니다. 그림 5에 보여진 것처럼 충전-방전 프로세스는 이러한 목표를 달성하기 위해 리튬 이온 삽입/탈리(배터리형 양극)와 음이온 흡착/탈착(커패시터형 음극)의 두 가지 메커니즘으로 구성됩니다. 최종 하이브리드 슈퍼 커패시터의 에너지 밀도는 전통적인 슈퍼 커패시터보다 몇 배 더 높을 수 있습니다.

그러나 커패시터형 전극이 그래핀 기반 활성 물질을 사용하면 비하이브리드 슈퍼 커패시터와 동일한 문제가 발생하기 쉽습니다. 또한 리튬 이온 하이브리드 슈퍼 커패시터는 그 특성상 배터리와 슈퍼 커패시터의 장점뿐만 아니라 몇 가지 단점도 갖게 됩니다. 슈퍼 커패시터보다 에너지 밀도가 높고 자가 방전량과 누설 전류가 적긴 하지만, 장기적인 사이클링 수명이 짧고 양극에서의 리튬화/탈리튬화 속도가 느립니다. 최근 간행물에서 보고한 내용에 따르면, 리튬 이온 하이브리드 커패시터가 100 W h kg^-1의 에너지 밀도에서 19,000회의 사이클 후에 커패시턴스를 100% 유지한 사례가 있습니다.

슈퍼 커패시터가 배터리를 대체할 수 있을까요?

학계와 업계에서는 다양한 슈퍼 커패시터 기술의 성능을 개선하기 위해 노력하고 있지만, 근본적인 제약 사항과 엔지니어링 관련 장애물을 극복하지 못한다면 이러한 장치가 리튬 이온 배터리와 유사한 수준의 장기적인 성능을 제공할 확률은 낮다고 보여집니다.

• 슈퍼 커패시터는 비에너지 밀도가 낮습니다. 곡선형 그래핀이 그래핀 시트의 응집을 방지한다고 해도, 슈퍼 커패시터는 전하 저장 메커니즘이 달라 배터리보다 에너지 밀도가 낮습니다. 대대적인 혁신이 없다면, 앞으로도 여러 개의 슈퍼 커패시터를 사용해야 하나의 LIB에 맞먹는 에너지 밀도를 확보할 수 있을 것입니다.
• 슈퍼 커패시터는 과도한 자가 방전 단계를 거칩니다. 슈퍼 커패시터는 사이클링 수명이 길고 높은 수준의 커패시턴스를 유지할 수 있지만, 배터리에 비해 자가 방전률이 훨씬 더 높습니다. 가령, 한 달을 기준으로 배터리에서 저장된 전하의 5%만 방전된다고 할 때, 슈퍼 커패시터는 최대 50%까지 방전될 수 있습니다. 이러한 상황은 빠르게 방전 후 재충전될 수 있는 응용 부문에서는 문제가 되지 않지만, 장기적인 에너지 저장량에 영향을 미치게 됩니다.
• 그래핀 기반 슈퍼 커패시터는 더 고가입니다. 그래핀 기반 슈퍼 커패시터는 최신 기술이기 때문에 생산 시 아직 규모의 경제를 논할 단계는 아닙니다. 또한 그래핀은 품질 요건이 더 엄격해 활성탄보다 더 많은 생산 비용이 소요됩니다. 언젠가는 활성탄보다 우수한 성능을 제공할 수 있겠지만, 그래핀을 사용하면 최종 슈퍼 커패시터의 가격 역시 상승하게 됩니다.
• 그래핀 기반 슈퍼 커패시터의 경우, 대다수의 응용 사례에서 그 성능이 입증되지 않았습니다. 모든 신기술이 그러하듯, 후속 제품 라인의 성공을 위해서는 시장에 최초로 출시한 제품이 성공하는 것이 굉장히 중요합니다. 현재까지 장기적으로 조사된 그래핀 기반 슈퍼 커패시터 기술은 없으며, 대부분이 한정된 수의 장치에만 설치되었습니다.

슈퍼 커패시터 기술의 현재 및 미래 응용 부문

운송 부문

지금까지 슈퍼 커패시터가 배터리를 대체하는 것을 어렵게 만드는 과제들을 살펴보았습니다. 슈퍼 캐패시터가 배터리를 대체하는 것이 어려움에도 불구하고 다양한 응용 부문에 실제로 활용되고 있으며, 그래핀 기반 슈퍼 커패시터는 여전히 개발 중에 있습니다. 가장 많은 관심을 받고 있는 응용 부문 중 하나가 바로 운송 부문입니다.

• 실제로 중국과 세르비아에서 슈퍼 커패시터가 동력을 공급하는 버스를 운영한 사례가 있습니다. 이와 같은 버스 중 하나는 주행 거리가 25 km로 보고되었으며 충전하는 데 6~7분이 소요되었습니다. 슈퍼 커패시터의 낮은 에너지 밀도와 한정된 충전당 이동 범위 관련 문제를 극복하기 위해, 버스는 차고나 버스 정류장에서 재충전되었습니다.
• Skeleton Technologies에서는 기차에서 사용하면 제동 시 손실된 에너지를 최대 30%까지 복구할 수 있는 그래핀 기반 슈퍼 커패시터를 생산합니다. 스페인 그라나다 메트로 시스템의 새로운 열차에서 이 기술을 채택하였으며, 해당 열차는 2024년 여름이 끝나기 전에 운행을 시작할 것으로 예상되고 있습니다.
• Samsung은 자동차 부문을 위한 리튬 이온 하이브리드 솔루션을 홍보하고 있으며, 이 솔루션은 빠른 충전/방전이 필요한 저전압 시스템에 적합합니다.

개인 전자장치

슈퍼 커패시터가 일부 응용 부문에서 널리 활용되고 있지만, LIB를 대신하여 소형 개인 전자장치에 동력을 공급할 가능성은 낮다고 보여집니다. Skeleton Technologies 역시 자사의 3V SkelCap 슈퍼 커패시터가 배터리의 대체제가 아닌 배터리와 함께 사용해야 하는 제품이라고 평가했습니다. SkelCap의 경우 비에너지가 LIB의 약 1/10 수준이므로 하나의 LIB에 준하는 에너지 밀도를 얻기 위해서는 여러 개의 SkelCap이 필요합니다. 스마트폰이나 카메라와 같은 소형 개인 전자장치에 동력을 공급할 때, 재충전에 소요되는 시간이 아무리 짧다고 해도 아주 짧은 시간 동안만 장치를 사용한 후에 다시 충전해야 하는 것을 좋아할 소비자는 없을 것입니다.

결론

운송 부문에서 여러 흥미로운 활용 사례가 있긴 하지만, 현재로서는 슈퍼 커패시터를 리튬 이온 배터리의 합당한 대체제로 보기는 어렵습니다. 연구를 통해 에너지 밀도와 자가 방전 속도에 대한 대대적인 혁신(예: 리튬 이온 하이브리드 슈퍼 커패시터 사용)을 실현하지 않는 한, 슈퍼 커패시터는 앞으로도 계속해서 상호보완적인 에너지 저장 장치로 여겨질 것입니다. 또한 그래핀 기반 장치는 그래핀-활성 물질 관련 문제로 인해 비하이브리드 슈퍼 커패시터와 동일한 과제에 직면하게 될 것입니다.

지속 가능한 에너지 관련 리소스에 대해 좀더 자세히 알아보고 싶다면 계속해서 “친환경 미래: 리튬 이온 배터리와 수소 연료 전지”를 읽어 보십시오.

다크 데이터란 무엇일까요?

혁신적인 화학 기업들 앞에 R&D 혁신 기회가 놓여 있습니다. 이들 기업은 "다크 데이터"라는 풍부한 미활용 데이터를 사용해서 전례 없는 통찰력을 얻고 전에 없이 빠르게 혁신을 도모할 수 있습니다. 효과적인 지식 관리 전략을 구현한다면 획기적인 발견과 발전의 잠재력은 무궁무진합니다.

다크 데이터는 보통 비정형 데이터 또는 반정형 데이터로, 쉽게 검색하거나 액세스할 수 없습니다. 조직이 저장하는 데이터의 55%가 다크 데이터인 것으로 추정됩니다. 그러나 전 세계 비즈니스 및 IT 임원과 관리자 중 90%가 미래의 성공을 위해서는 모든 조직이 이 비정형 데이터의 가치를 활용해야 한다는 데 동의하고 있습니다.

다각화된 화학 R&D 관점에서 볼 때 다크 데이터에는 실험실 노트북, LIMS, 실험 보고서, 참고 문헌 등의 데이터를 비롯하여 검색 가능한 데이터베이스에 통합되지 않은 데이터가 포함될 수 있습니다. 이 데이터는 새로운 소재를 식별하고, 기존 제형을 개선하고, R&D 사이클 타임을 줄이는 데 유용하게 활용될 수 있습니다.

다크 데이터의 가치를 활용하기 위해 다각화된 화학 조직들은 가장 가치 있는 데이터가 어디에 숨어 있는지 식별하고 필요에 따라 이 데이터를 액세스, 수집, 구성 및 분석할 수 있는 효과적인 지식 관리 전략을 구현해야 합니다.

숨겨진 보석 발굴: 가장 가치 있는 화학 R&D 데이터 식별

다크 데이터는 화학 R&D 워크플로 전반에 걸쳐 숨겨져 있을 수 있습니다. 초기 단계 연구부터 제조, 제형, 특성화, 그리고 출시 후 감시까지 가치 있는 데이터가 생성되고 수집되지만 잠재력이 충분히 활용되고 있지 못할 수 있습니다. 다크 데이터의 가치를 활용하고 혁신을 가속화하기 위해서는 R&D 조직이 이 데이터가 어디에 숨겨져 있는지 식별하고 효과적으로 데이터를 액세스하고 활용할 수 있는 전략을 개발하는 것이 중요합니다.

다양한 유형의 다크 데이터가 연구에 가치 있게 활용됩니다. 예를 들어 과거의 실험 데이터는 분산되어 있거나 불완전하거나 정형화되지 않은 경우가 많지만, 약간의 구성과 분석을 통해 현재와 미래의 프로젝트에 대한 가치 있는 통찰력을 제공할 수 있습니다. 조직의 자체 R&D 노력을 넘어 학술 논문, 특허, 산업 보고서와 같은 외부 데이터 소스 역시 혁신과 연구를 위한 가치 있는 통찰력을 제공하고 새로운 기회를 발굴하는 데 활용될 수 있습니다. 끝으로 과학 기사나 실험실 노트의 텍스트 데이터와 같은 비정형 데이터가 숨겨진 통찰력을 가지고 있을 수 있지만, 효과적인 분석을 위해서는 올바른 도구와 기술이 필요합니다.

조직들은 필요에 따라 다음 단계를 통해 이 숨겨진 데이터를 식별하고 액세스할 수 있습니다.

• 내부와 외부, 정형 및 비정형 데이터까지 모두 가용 데이터 소스에 대한 철저한 인벤토리 수행이 핵심입니다.
• 현재와 미래의 R&D 노력에 미치는 잠재적인 가치를 기반으로 한 데이터 소스의 우선순위를 결정하면 조직이 리소스의 활용도를 높이는 데 도움이 될 수 있습니다. 예를 들어 새롭게 검증된 기능성 소재를 스케일업하려 계획하고 있는 경우, 이상적인 조건을 예측하는 데 도움이 되는 과거 제형 및 제조 데이터에 액세스하는 것에 우선순위를 둘 수 있습니다.
• 데이터 중심 의사결정과 지속적인 개선 문화를 조성하면 혁신적인 화학 조직이 다크 데이터의 잠재력을 최대로 실현하는 데 도움이 될 수 있습니다.

다크 데이터의 활용을 위한 다섯 가지 필수 지식 관리 전략

다크 데이터의 가치를 활용하고 혁신을 촉진하는 데 있어 필수적인 지식 관리 전략으로는 맞춤형 큐레이션 데이터세트, 시맨틱 프레임워크, 자동화된 데이터 마이닝 및 협력적인 워크플로를 들 수 있습니다. 이어서 이러한 전략이 어떻게 도움이 될 수 있는지 자세히 살펴보겠습니다.

1. 맞춤형 큐레이션 
   맞춤형 큐레이션에는 각 분야 전문가에 의한 화학 데이터의 수동 큐레이션으로 조직의 요구에 맞는 고품질 데이터세트를 만드는 작업이 포함됩니다. 기능성 소재, 화장품, 농업 또는 기타 DivChem 분야의 과학자들은 맞춤형 큐레이션을 사용해서 작업 중인 데이터가 정확하고, 최신 상태이고, 연구 목적에 부합하도록 보장할 수 있습니다. 또한 조직들은 전문가 데이터 큐레이터와 협력해서 정보를 내부적으로 연결하고 전 세계 과학에 연결해 내부 데이터의 효용성을 높일 수 있습니다. 머신 러닝 모델용으로 특별히 설계된 맞춤형 큐레이션 데이터세트를 통해 AI 기반 디지털 혁신 이니셔티브를 강화할 수 있습니다.
   
   이 사례 연구를 다운로드하여 큐레이션된 교육 세트가 어떻게 AI의 모델 예측 정확도와 이동성을 개선했는지 확인해 보십시오. 
    
2. 시맨틱 프레임워크
   시맨틱 프레임워크는 기능성 소재와 같은 특정 영역의 개념과 관계를 구성하고 분류하는 데 사용되는 표준화된 접근법입니다. 이러한 프레임워크는 전문 어휘, 온톨로지 및 분류 체계 요소를 포함할 수 있으며 조직 전반의 화학 데이터에 대한 공통 언어와 이해를 제공하도록 설계되었습니다. 이 접근법은 R&D 속도를 높이는 데 도움이 될 수 있으며 과학자들이 정보에 입각한 의사결정을 내릴 수 있도록 지원합니다.
   
   예를 들어 한 연구원이 새로운 전자 기기에 사용할 신소재를 찾고 있습니다. 이를 위해 전문 어휘, 온톨로지 및 분류 체계를 사용해서 알려진 소재의 속성과 특성을 분류하고 구성 작업을 시작할 수 있습니다. 전문 분류 체계를 사용해서 전기 전도성, 광 속성 또는 열 안정성을 기준으로 소재를 분류할 수 있습니다. 화학자는 이 방식으로 소재를 구성해 신소재가 필요할 수 있는 영역이나 지식 간극을 더 쉽게 식별이 가능합니다. 또한 온톨로지를 사용해서 소재의 구조와 전자 속성 간 차이와 같은 다양한 소재 속성들 간 관계를 정의할 수 있습니다. 따라서 화학자는 향후 조사할 소재에 대한 의사결정을 보다 효과적인 정보를 기반으로 내릴 수 있습니다.
   
   이 사례 연구를 다운로드하여 어떻게 축적된 내부 정보로 통찰력을 확보하고 데이터 기반 의사결정을 내릴 수 있는지 알아보십시오.
    
3. 자동화된 데이터 마이닝 
   R&D 조직들은 자동화된 데이터 마이닝 기법을 사용해서 대량의 비정형 화학 데이터에서 숨겨진 패턴과 통찰력을 얻을 수 있습니다. 머신 러닝과 고급 분석을 통해 이전 실험 결과, 제조 조건, 과학 논문, 특허 및 기타 출처에서 얻은 화학 데이터를 분석해서 화학물질, 반응, 제형들 간 관계를 식별할 수 있습니다. 이러한 통찰력은 새로운 R&D 기회 발견으로 이어질 수 있으며 기존 제품과 프로세스에 대한 통찰력을 제공할 수 있습니다.
   
   예를 들어 연구원이 자신의 연구 영역과 관련된 수천 개의 논문을 검색하고 소재 속성, 합성 방법, 성능 지표 등 핵심 정보를 추출할 수 있습니다. 이 정보가 추출되고 나면 연구원이 머신 러닝 알고리즘을 사용하여 데이터를 분석할 수 있으며 신소재 발견으로 이어질 수 있는 패턴 또는 상관관계 식별이 가능합니다. 연구원은 특정 합성 방법 또는 스케일업 조건이 바람직한 속성을 갖는 소재를 지속적으로 생성한다는 사실 또는 특정 구조적 특성을 갖는 소재가 특정 분야에서 우수한 성능을 보이는 경향이 있다는 사실을 알아낼 수 있습니다.
    
4. 협업 도구 
   중앙 집중식 데이터베이스 및 통합 LIMS 시스템과 같은 협업 도구와 기법은 R&D 팀이 지식과 통찰력을 공유하고 데이터 사일로를 타파할 수 있는 효율적이고 신뢰할 수 있는 방법을 제공합니다. R&D 조직들은 중앙 집중식 데이터 저장소에 대한 액세스를 제공하여 커뮤니케이션을 개선하고 혁신을 가속화할 수 있습니다. 또한 중앙 집중식 클라우드 기반 데이터베이스가 지리적으로 분산되어 있는 원격지 팀 및 연구원들 간 지식 공유를 개선할 수 있습니다.
   
   또한 현대의 디지털 생태계들이 두 조직들 간 지식 전달이 용이해지도록 지원합니다. 이는 학계와 산업계 간 합작 프로젝트나 연구원들이 이전 연구를 기반으로 소재의 특성 또는 성능 데이터에 대한 지식을 공유해야 하는 인수 합병(M&A) 과정에서 특히 중요합니다. 조직들은 협업을 촉진하는 디지털 R&D 생태계를 활용해서 잠재적인 혁신 기회를 보다 효과적으로 식별할 수 있습니다.
   
   화학 조직들은 다크 데이터를 활용하고 효과적인 지식 관리 전략을 구현하여 혁신을 가속화하고 R&D 결과를 개선할 수 있습니다. 또한 사이클 타임을 줄이고, 새로운 연구 기회를 식별하고, 제품 제형을 개선할 수 있을 뿐 아니라 향후 진행할 연구 프로젝트에 대한 의사결정을 보다 효과적인 정보를 기반으로 내릴 수 있습니다.
   
   이 사례 연구를 다운로드해서 Toray Industries가 어떻게 데이터 사일로를 제거하고 데이터를 워크플로에 원활하게 통합할 수 있었는지 알아보십시오. 
    
5. 전문과와의 협력으로 지식 관리 전략 이행
   전체 화학 R&D 워크플로에 걸친 과학 정보의 복잡성으로 인해 내부 IT 팀의 적응이 까다로워집니다. 모든 직원들이 가치 있는 R&D 데이터에 쉽고 효율적으로 액세스할 수 있도록 외부 파트너가 기존 데이터를 정형화된 형식으로 저장 및 연결할 수 있는 솔루션 구축 작업을 도와줄 수 있습니다. 외부 파트너의 경험은 더 없이 중요할 수 있습니다. 모범 사례에 대한 통찰력과 지식 관리에 대한 전문 지식이 여러분의 노력이 성공적인 결과로 이어지는 데 도움이 될 수 있습니다.