AI 신약개발, 후보물질 찾기에서 제조와 임상 의사결정까지 넓어지는 중

AI 신약개발의 전장이 넓어지는 중

• 예전 AI 신약개발 경쟁은 “후보물질을 얼마나 빨리 찾느냐”에 집중돼 있었음

  • 방대한 생물학·화학 데이터를 분석해 새 표적을 찾고, 최적의 화합물 구조를 설계하는 게 핵심이었음
  • 쉽게 말해 AI가 연구자보다 빨리 “이 물질 한번 봐볼 만한데?”를 던지는 단계였음

• 지금은 AI가 신약 개발 전 과정으로 퍼지는 흐름임

  • 후보물질 설계뿐 아니라 실험 검증, 제형 개발, 제조공정, 임상 개발 전략까지 들어감
  • 경쟁력도 “AI를 쓴다”가 아니라 “개발 과정의 어느 병목에 AI를 꽂느냐”로 갈리는 분위기임
  • 국내 제약·바이오 기업들도 각자 연구개발 단계에 맞춰 다른 방식으로 AI를 도입하고 있음

후보를 빨리 만드는 것만으로는 부족함

• SK바이오팜은 인실리코 메디슨과 함께 신경면역 분야 신약 후보물질 발굴에 나섬

  • 인실리코의 AI 플랫폼 ‘파마닷에이아이’를 활용함
  • 신규 표적 발굴, 화합물 설계, 임상 성공 가능성 예측까지 초기 과정을 맡기는 전략임
  • 회사는 개발 기간을 절반 이상 줄이고 초기 디스커버리 비용도 낮추겠다는 목표를 내세움

• 하지만 AI가 후보를 많이 뽑는다고 신약개발이 자동으로 끝나는 건 아님

  • AI가 만든 후보가 실제 실험에서 잘 검증되는지가 진짜 병목임
  • 특히 디노보 항체 설계는 표적 항원 정보만으로 새 항체를 처음부터 만들 수 있을 만큼 발전했지만, 실험 검증은 여전히 시간과 비용이 많이 듦

• 프로티나는 이 병목을 ‘설계-검증-재학습’ 구조로 풀려는 중임

  • 서울대 백민경 교수 연구팀과 AI 기반 항체 설계·검증 시스템을 구축함
  • 항체 설계 AI ‘에이비지피티-3디’가 후보를 만들면, 프로티나의 단백질 분석 플랫폼 ‘스피드’가 항원 결합 여부를 대량 분석함
  • 실험 결과는 다시 AI 학습에 들어가 예측 성능을 높이는 구조임

• 이건 “AI가 후보를 던지고 사람이 확인한다”보다 한 단계 진화한 모델임

  • 실험 데이터가 쌓일수록 AI가 더 나아지는 폐루프 구조에 가까움
  • 결국 경쟁은 개별 알고리즘보다 양질의 데이터를 얼마나 지속적으로 만들고 다시 학습에 넣느냐로 이동함

제형과 제조공정까지 AI가 들어옴

• 지투지바이오는 장기지속형 주사제 개발에 AI를 도입하려 함

  • 딥테크 스타트업 스파이더코어와 공동 연구를 추진 중임
  • 장기지속형 주사제는 약물이 담긴 미립구가 몸 안에서 수주에서 수개월 동안 약물을 방출하도록 설계하는 기술임
  • 약물 방출 속도를 일정하게 유지하려면 제형 조성과 제조 조건을 정밀하게 맞춰야 해서 개발 난도가 높음

• 여기서 AI는 “어떤 조합으로 만들면 원하는 약효가 나올까”를 찾는 역할을 맡음

  • 지투지바이오는 연구 데이터, 전 세계 약학 논문, 특허 정보를 통합해 데이터베이스로 구축함
  • 스파이더코어는 에이전틱 AI로 약물의 체내 흡수와 방출 양상을 예측할 계획임
  • 목표 약효에 맞는 최적 제형 조합과 제조공정 조건을 도출해 개발 효율을 높이는 게 목표임

• 이 대목이 꽤 중요함

  • AI가 더 이상 연구 보조 역할에만 머무르지 않음
  • 실제 의약품을 어떻게 만들지, 제조 조건을 어떻게 잡을지 같은 엔지니어링 의사결정까지 들어오고 있음

임상 전략도 추천 대상이 됨

• SK바이오사이언스는 백신 개발 의사결정 플랫폼 ‘로터’를 개발 중임

  • 게이츠재단 지원을 받아 개발하고 있음
  • 로터는 임상 과정에서 생성되는 방대한 면역학적·과학적 데이터를 AI로 분석함
  • 개발 성공 가능성이 높은 연구 경로를 제시하고 임상 전략 수립을 지원하는 플랫폼임

• 이건 AI가 “어떤 후보를 만들까”를 넘어 “어떤 개발 경로를 탈까”까지 건드리는 사례임

  • 백신 개발 성공률을 높이는 게 1차 목표임
  • 향후 다양한 감염병 백신 개발에도 쓸 수 있는 범용 AI 플랫폼으로 확장하려는 계획임
  • 제약·바이오에서 AI가 의사결정 도구로 자리 잡는 흐름을 보여줌

정부도 판을 키우지만, 보여주기식 AI는 경계해야 함

• 과학기술정보통신부는 ‘K-문샷 AI 신약 미션’을 추진하기 위한 현장 의견 수렴회를 열었음

  • 데이터, AI 모델, 자동화 실험 인프라를 결합하는 생태계 조성이 목표임
  • 기존의 발견 중심 연구개발을 AI 기반 설계 중심으로 바꾸겠다는 방향임
  • 2035년까지 신약 발굴 속도를 현재보다 10배 높이겠다는 목표도 제시됨

• 남진우 한양대 교수는 한국 신약 개발 파이프라인이 양적으로 세계 3위 수준이라고 설명함

  • 다만 국제 경쟁력을 확보하려면 실질적인 개발 역량을 더 끌어올려야 한다는 입장임
  • AI 신약 미션의 핵심도 기존 발견 중심 방식에서 설계 중심 패러다임으로 전환하는 데 있다고 봄

• 업계에서는 “AI 도입했다”는 사실 자체가 목적이 되는 분위기를 경계함

  • 정부 과제나 투자 유치에서 AI 활용이 주요 평가 요소로 부각되고 있음
  • 그래서 연구개발 전략과 무관하게 AI 기업과 협업을 추진하는 사례도 적지 않다는 지적이 나옴
  • 결국 중요한 건 AI 협업 명함이 아니라, 어떤 개발 단계의 문제를 풀었고 실제 효율을 높였느냐임

---

기술 맥락

• 신약개발에서 AI를 쓰는 이유는 후보를 빨리 뽑는 데만 있지 않아요. 후보물질을 찾고, 실험으로 검증하고, 제형을 만들고, 임상 전략을 짜는 모든 단계가 시간과 비용을 잡아먹기 때문에 병목마다 다른 AI 접근이 필요해요.

• 프로티나 사례가 흥미로운 건 설계와 검증을 분리하지 않으려는 점이에요. AI가 항체 후보를 만들고 단백질 분석 플랫폼이 결합 여부를 대량으로 확인한 뒤, 그 결과가 다시 학습 데이터로 돌아가면 모델이 실제 실험 환경에 더 맞춰질 수 있거든요.

• 지투지바이오의 장기지속형 주사제는 제형과 제조 조건이 핵심이에요. 약물이 수주에서 수개월 동안 일정하게 방출되려면 조성, 공정, 체내 흡수 패턴이 맞아야 해서 단순 후보 추천보다 훨씬 엔지니어링 성격이 강해요.

• 로터 같은 플랫폼은 임상 의사결정 쪽에 가까워요. 임상 데이터가 많아질수록 어떤 연구 경로가 성공 가능성이 높은지 사람이 전부 계산하기 어렵기 때문에, AI가 전략 선택의 근거를 정리해주는 역할을 하게 돼요.

• 그래서 이 분야의 승부처는 모델 이름보다 데이터 순환 구조예요. 실험과 임상에서 나온 데이터를 계속 쌓고, 다시 모델에 넣고, 다음 의사결정 품질을 높이는 조직이 실제 경쟁력을 가져갈 가능성이 커요.