--- title: "AI 신약개발, 후보물질 찾기에서 제조와 임상 의사결정까지 넓어지는 중" published: 2026-07-22T21:01:01.968Z canonical: https://jeff.news/article/5053 --- # AI 신약개발, 후보물질 찾기에서 제조와 임상 의사결정까지 넓어지는 중 국내 제약·바이오 업계에서 AI 활용 범위가 후보물질 발굴을 넘어 실험 검증, 제형 설계, 제조공정, 임상 전략까지 확장되고 있다. SK바이오팜, 프로티나, 지투지바이오, SK바이오사이언스 사례를 통해 ‘AI를 도입했느냐’보다 ‘어느 병목을 어떻게 푸느냐’가 경쟁력이라는 지적이 나온다. ## 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 > [!IMPORTANT] > 기사에서 제일 중요한 변화는 AI가 후보물질 추천 도구를 넘어, 실험-제조-임상 의사결정까지 들어가고 있다는 점임. 신약개발에서는 이 흐름이 비용과 시간을 직접 건드림. ## 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 > [!WARNING] > AI 신약개발에서 가장 위험한 건 “AI를 붙였으니 혁신”이라는 착각임. 데이터, 실험 검증, 제조 조건, 임상 전략 중 어떤 병목을 줄였는지 숫자로 못 보여주면 그냥 포장일 가능성이 큼. --- ## 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. ## 핵심 포인트 - AI 신약개발의 초점이 빠른 후보물질 발굴에서 개발 전 과정의 병목 해결로 이동함 - 프로티나는 항체 설계 AI와 단백질 분석 플랫폼을 연결해 설계-검증-재학습 구조를 추진함 - 지투지바이오는 장기지속형 주사제 제형과 제조공정 조건 도출에 에이전틱 AI를 활용하려 함 - SK바이오사이언스는 백신 임상 데이터를 분석해 개발 경로를 추천하는 의사결정 플랫폼을 개발 중임 - 정부는 2035년까지 신약 발굴 속도를 10배 높이는 K-문샷 AI 신약 미션을 추진함 ## 인사이트 이 기사의 핵심은 AI 신약개발이 ‘멋진 모델 데모’에서 ‘실험 데이터와 제조 조건, 임상 전략을 계속 먹고 도는 시스템’으로 바뀌고 있다는 점이다. 반대로 말하면 AI 협업 딱지만 붙인 프로젝트는 점점 티가 날 수밖에 없다.