전통적인 제약 R&D 파이프라인은 10년이 넘는 기간과 천문학적인 비용으로 악명이 높지만, 동양에서는 패러다임의 전환이 일어나고 있습니다. 생성형 AI와 자동화된 실험실 연구를 통합함으로써, 바이오테크 혁신가들은 유망한 후보 물질을 식별하는 데 필요한 시간을 수년에서 단 몇 개월로 단축하고 있습니다.
Insilico Medicine, AI 기반 R&D로 기록 경신
이러한 기술적 변화를 선도하고 있는 기업은 홍콩 증시에 상장된 바이오테크 기업인 Insilico Medicine으로, 이들은 신약 개발 속도를 재정의하고 있습니다. CEO Alex Zhavoronkov에 따르면, 이 회사는 인공지능을 활용하여 신약 개발 후보 물질의 생산 기간을 약 1년으로 단축하는 데 성공했습니다.
이러한 효율성 향상은 단순히 이론에 그치지 않고 실제 벤치마크에 반영되고 있습니다. 이 회사의 일반적인 개발 주기는 약 13개월이지만, Insilico Medicine의 가장 빠른 프로그램은 단 9개월 만에 후보 물질 선정을 달성했습니다. 이러한 도약은 정교한 AI 모델과 엄격한 실험실 검증을 결합하여, 디지털 가설에서 물리적 분자로의 전환을 가속화하는 피드백 루프를 생성함으로써 가능해졌습니다.
생성형 AI와 실험실 연구의 시너지
이러한 돌파구의 핵심은 컴퓨팅 파워와 생물학적 실험의 결합에 있습니다. 방대한 물리적 라이브러리의 고속 대량 스크리닝(high-throughput screening)에 의존하는 전통적인 방식과 달리, AI 기반 접근 방식은 생성형 모델을 사용하여 특정 생물학적 특성을 가진 새로운 분자를 설계합니다.
분자가 실험실에서 합성되기도 전에 표적 단백질과 어떻게 상호작용할지 예측함으로써, 연구자들은 수천 번의 실패한 실험을 건너뛸 수 있습니다. 이러한 AI 예측이 흔히 "폐쇄 루프(closed-loop)" 시스템이라 불리는 자동화된 실험실 워크플로우와 통합되면, 후보 물질을 검증하는 프로세스는 전례 없는 속도로 진행됩니다. 이러한 시너지를 통해 과학자들은 가장 유망한 리드(lead)에 수동 노력을 집중할 수 있으며, 고전적인 신약 개발의 특징인 "시행착오" 단계를 크게 줄일 수 있습니다.
글로벌 AI 및 바이오테크 지형에 미치는 영향
중국에서 보여준 성공은 글로벌 바이오테크 분야에 강력한 개념 증명(proof of concept) 역할을 합니다. AI 모델이 방대한 화학적 공간을 탐색하는 데 더욱 능숙해짐에 따라, 독성이나 효능 부족으로 인해 대부분의 후보 물질이 실패하는 신약 개발의 "죽음의 계곡(death valley)"이 줄어들기 시작했습니다.
딥테크 분야의 개발자와 창업자들에게 이러한 발전은 중요한 트렌드를 강조합니다. 즉, 가장 가치 있는 AI 애플리케이션이 텍스트와 이미지 생성을 넘어 "물리적 AI(physical AI)" 영역으로 이동하고 있다는 점입니다. 생물학적 데이터를 조작하고 물리적 결과를 예측하는 능력은 막대한 경제적 함의를 지니며, 희귀 질환 치료에 대한 진입 장벽을 낮추고 전 세계적으로 의료 비용을 절감할 잠재력을 가지고 있습니다.
핵심 요약
- 획기적인 시간 단축: Insilico Medicine은 AI가 신약 후보 물질 선정 기간을 최소 9개월까지 단축할 수 있음을 입증했습니다.
- 하이브리드 방법론: 이러한 돌파구는 생성형 AI 설계와 자동화된 실험실 검증의 결합을 통해 이루어졌으며, 전통적인 시행착오 방식에서 벗어나고 있습니다.
- R&D 경제성의 변화: 발견 단계가 수년에서 수개월로 전환되는 것은 바이오테크 기업이 자본과 연구 속도를 관리하는 방식의 근본적인 변화를 의미합니다.
속도가 중요한 이유
신약 개발은 오랫동안 마라톤과 같았습니다. 기업들은 수백만 개의 화합물을 조사하는 데 수년을 소비하며, 단 하나의 분자가 임상 시험에 도달하기도 전에 실패하는 경우가 많습니다. 개념 단계에서 시장 출시까지 분자를 이동시키는 비용은 통상 수십억 달러에 달하며, 특히 초기 "발견" 단계에서의 탈락률은 여전히 높습니다. 바이오테크 분야가 급격히 확장되고 있는 중국에서, 더 빠른 파이프라인은 국내 기업들이 기존 글로벌 기업들에 대해 경쟁 우위를 점하게 하고, 혁신적인 치료제 분야의 리더가 되려는 국가적 야망을 가속화할 수 있습니다.
Insilico가 어떻게 9개월 목표를 달성했나
홍콩에 상장된 Insilico Medicine은 이러한 기록적인 타임라인의 비결을 생성형 인공지능(generative AI)과 자동화된 실험실 워크플로우의 결합 덕분이라고 설명합니다. 생성형 AI는 기존의 것을 단순히 평가하는 것이 아니라 새로운 분자 구조를 만들어내는 모델을 의미합니다. 알고리즘에 단백질 표적과 원하는 약리학적 특성에 관한 데이터를 입력하면, 시스템은 효과적으로 결합할 것으로 예측되는 새로운 화합물을 제안합니다.
이 회사의 CEO인 Alex Zhavoronkov는 이 플랫폼을 통해 일반적으로 표적 식별에서 후보 물질 선정까지 약 13개월이 소요된다고 말합니다. 가장 빠른 경우에는 이 루프가 9개월 만에 완료되었습니다. 이러한 단축은 전통적인 고속 대량 스크리닝(high-throughput screening)이 의존하는 방대한 물리적 라이브러리를 건너뛸 수 있었기에 가능했습니다. 대신 AI가 컴퓨터상에서 분자를 설계하고, 가능성이 낮은 후보를 걸러낸 뒤, 가장 유망한 구조만을 실험실로 전달합니다.
AI-실험실 피드백 루프
분자가 합성되면 자동화된 장비가 활성, 독성 및 기타 주요 지표를 테스트합니다. 결과는 다시 AI로 피드백되어 다음 라운드를 위한 예측을 정교화합니다. 이러한 "폐쇄 루프(closed-loop)" 시스템은 과학자들이 시행착오에 쓰는 시간을 줄이고, 알고리즘이 이미 범위를 좁혀놓은 데이터를 해석하는 데 더 많은 시간을 할애할 수 있게 해줍니다.
화합물이 만들어지기도 전에 어떻게 행동할지 예측함으로써, 이 방식은 수천 번의 막다른 실험을 건너뛸 수 있습니다. 분석(assay)의 자동화는 검증 단계(validation phase)를 더욱 압축하여, 단일 후보 물질이 전통적인 시간의 극히 일부 만에 컴퓨터에서 실험대(bench)를 거쳐 선정 단계까지 이동할 수 있게 합니다.
누가 이득을 보고 누가 뒤처질 것인가
반대로, 전통적인 스크리닝 방식에 매달리는 기업들은 경쟁에서 뒤처질 수 있습니다.
주의 사항 및 향후 과제
AI 가속 발견의 약속이 엄격한 검증의 필요성을 없애주는 것은 아닙니다. 예측 모델은 학습된 데이터의 품질만큼만 유효하며, 학습 세트의 편향은 안전 신호를 놓치는 결과로 이어질 수 있습니다. 또한, 9개월이라는 수치는 인상적이지만 이는 단일 프로그램의 사례일 뿐입니다. 이 방식을 여러 표적으로 확장할 경우 아직 드러나지 않은 병목 현상이 나타날 수 있습니다.
향후 주목해야 할 점
9개월이라는 이정표는 신약 개발의 화학이 더 이상 실험실 작업대에만 국한되지 않음을 보여줍니다. 알고리즘이 실행 가능한 분자를 스케치하고 기계가 며칠 만에 이를 테스트할 수 있게 되면, 전체 타임라인이 축소됩니다. 이러한 축소가 새로운 표준이 될지는 기업, 투자자, 규제 기관 및 환자로 구성된 생태계가 "물리적 AI(physical AI)"가 내일의 의약품 초안을 작성하는 세상에 얼마나 빨리 적응하느냐에 달려 있습니다.