차세대 신약 개발: AI, 불가능을 가능케 하다
Published Jul 26, 2026
최근 몇 년간 생성형 AI는 일반 대중의 상상력을 사로잡으며 예술, 글쓰기, 소프트웨어 개발 등 다양한 분야에서 놀라운 능력을 선보였습니다. 하지만 대중의 스포트라이트 뒤편에서는 또 다른 종류의 AI, 즉 머신러닝 모델이 인류의 가장 복잡하고 중요한 도전 과제 중 하나인 신약 개발을 근본적으로 변화시키고 있습니다. 과거 수십 년이 걸리던 과정을 압축하고, 이전에는 풀 수 없었던 난제를 해결하며 제약 R&D의 새로운 지평을 열고 있는 현장을 직접 들여다보는 듯한 기분입니다.
신약 개발은 본질적으로 비용이 많이 들고 실패 확률이 높은 과학적 난제입니다. 하나의 신약이 환자에게 도달하기까지는 막대한 투자와 오랜 시간이 소요되며, 사실상 대부분의 후보 물질은 최종 단계에 도달하지 못하고 사라집니다. 특히 합성 화학 기반의 약물과는 달리, 유전 공학 기술로 만들어진 단백질 기반의 치료제인 **생물학적 제제(Biologic medicines)**의 경우 그 복잡성은 더욱 가중됩니다. 이들은 대부분의 주요 급성 및 만성 질환 치료에 사용되지만, 수많은 잠재적 분자 조합 중에서 특정 표적에 정확히 결합하고, 인체 내에서 안정성을 유지하며, 대규모로 제조 가능한 극히 드문 후보 물질을 찾아내는 것은 인간의 능력으로는 거의 불가능에 가까운 여정이었죠.
하지만 이제 AI가 이 과정을 혁신적으로 가속화하고 있습니다. 사실상 AI는 이미 제약 R&D 인프라의 핵심 부분이 되었습니다.
AI, 신약 디자인의 게임 체인저로 떠오르다
생물학적 제제 후보 물질 개발에 있어 AI 보조 디자인은 점차 중요한 부분을 차지하고 있습니다. 아스트라제네카(AstraZeneca)와 같은 글로벌 제약사들은 이 분야를 더욱 발전시키기 위해 적극적으로 엔지니어링 팀을 구축하고 있습니다. 아스트라제네카의 R&D 생물학 엔지니어링 및 종양학 표적 발굴 부문 수석 부사장인 푸자 사프라(Puja Sapra)는 “우리가 하는 모든 일, 즉 설계, 제조, 테스트, 분석 등 모든 과정이 이제 컴퓨팅 기술로 강화되고 있습니다. 사이클 시간은 단축되고 생산성과 혁신은 증가하고 있죠.”라고 설명합니다. 이 말은 단순히 생산성 향상을 넘어, 신약 개발 패러다임 자체가 변하고 있음을 시사합니다.
아스트라제네카의 접근 방식은 ‘구축-측정-학습(build-measure-learn)’ 루프를 따릅니다. AI가 계산적으로 후보 분자를 생성하거나 우선순위를 정하여 성공 가능성이 가장 높은 디자인을 예측합니다. 그러면 과학자들은 AI가 선정한 소수의 상위 후보 물질에만 연구실 자원을 집중합니다. 이로 인해 불필요한 실패를 줄이고, 더 빠른 반복(iteration)을 통해 피드백 주기를 단축하며, 이전에는 의약품으로 치료하기 불가능하다고 여겨졌던 질병 표적에까지 도전할 수 있게 됩니다. 가능한 분자 조합의 수가 인간 팀이 체계적으로 탐색할 수 있는 범위를 훨씬 초과하기 때문에, AI를 활용하여 테스트 옵션을 좁히고 정제하는 것이 생물학적 제제 설계의 주요 초점이 된 것입니다. 개인적으로는 이 부분이 가장 주목할 만한 변화라고 생각합니다. 과거의 신약 개발이 ‘무작위적인 탐색’에 가까웠다면, 이제 AI는 ‘정보에 기반한 스마트한 탐색’을 가능하게 하여 자원의 낭비를 최소화하고 성공 확률을 극대화하고 있으니까요.
단순히 개발 기간을 단축하는 것을 넘어, AI는 완전히 새로운 종류의 의약품을 발견하는 데에도 적용되고 있습니다. 기존의 생물학적 제제는 일반적으로 하나의 질병 경로를 표적으로 삼았습니다. 하지만 차세대 의약품은 여러 표적을 동시에 공격하거나, 치료용 물질을 특정 세포에 정밀하게 전달할 수 있어야 합니다. 이를 위해서는 여러 변수를 한꺼번에 최적화하는 복잡한 과정이 필요합니다. 사프라는 AI 기반 모델이 이러한 복잡성이 증가하는 **다중 표적 생물학적 제제(multi-specific biologics)**를 설계하는 데 도움을 줄 수 있다고 설명합니다. 예를 들어, “이러한 모델은 근본적인 생물학적 특성을 기반으로 어떤 두세 가지 표적에 우선순위를 두어야 할지 식별하고, 이후 분자의 효능, 안정성, 제조 가능성 및 안전성을 균형 있게 맞추기 위해 여러 매개변수를 최적화할 수 있을 것입니다.” 실제로 사프라는 “치료 불가능하다고 여겨졌던 질병에 대한 약물 개발(Drugging the undruggable)이 현실이 되고 있습니다. 이 기술들은 한때 도달 불가능하다고 생각했던 표적에 대해 의약품을 개발할 수 있도록 해줄 것이며, 환자에게 주는 혜택의 잠재력은 엄청납니다.”라고 강조합니다. 매킨지는 생성형 AI와 다른 컴퓨팅 도구를 결합하면 신약 발견 기간을 무려 50%까지 단축할 수 있다고 추정하고 있습니다. 정말 놀라운 수치 아닌가요?
데이터가 AI 신약 개발의 핵심이자 차별점
하지만 모든 AI 모델은 학습 데이터만큼만 성능을 발휘한다는 사실을 우리는 잘 알고 있습니다. 신약 발견 분야에서는 풍부하고 고품질의 생물학적 데이터가 그 핵심입니다. 성공하든 실패하든, 모든 실험은 무엇이 작동하고 무엇이 작동하지 않는지에 대한 중요한 신호를 생성하며 풍부한 데이터 소스를 제공합니다.
“데이터는 우리의 차별점입니다.” 사프라 부사장은 아스트라제네카의 데이터셋이 독점적이고 다중 모드(multimodal)를 포함하며, 분자 구조, 결합 측정치, 안전성 프로필, 제조 결과 등을 망라한다고 설명합니다. “우리는 여러 질병 분야와 약물 유형에 걸쳐 의도적으로 다양한 포트폴리오를 구축했습니다. 이 모든 데이터는 우리가 풍부하고 대표성 있는 학습 세트로 최첨단 AI 모델을 미세 조정할 수 있도록 힘을 실어줍니다.” 그녀는 이어서 “또한, 우리는 모델을 끊임없이 개선하고 검증하는 데 필요한 대량의 추가 데이터셋을 생성하기 위해 심층 스크리닝 기술에 투자했습니다.”라고 덧붙였습니다. 결국, AI의 성능을 좌우하는 것은 모델 자체의 알고리즘뿐만 아니라, 그 모델을 학습시키는 데이터의 양과 질이라는 점을 다시 한번 상기시켜 줍니다. 특히 독점적인 고품질 데이터는 경쟁 우위를 확보하는 핵심 요소가 될 것입니다.
이 모든 데이터를 한곳에 모으기 위해 아스트라제네카는 매사추세츠주 캠브리지의 켄달 스퀘어에 ‘미래형 연구소(lab of the future)’ 시설을 구축하고 있습니다. 이곳에서는 AI와 로봇 자동화가 연속적인 폐쇄 루프(closed-loop) 발견 시스템을 형성하게 됩니다. 사프라는 “자율주행차가 센서와 모델을 사용하여 환경을 탐색하는 것처럼, 이 시스템은 AI를 사용하여 예측을 하고, 로봇 시스템을 사용하여 실험을 실행하며, 장비를 사용하여 데이터를 생성합니다.”라고 설명합니다. 이 데이터는 다시 모델로 직접 피드백되어 각 후속 사이클을 가속화합니다. 이는 단순히 실험실 자동화를 넘어, 지능형 자율 학습 시스템을 구축하려는 비전을 보여주는 것입니다.
물론, 이러한 시스템에서도 과학자들의 역할은 여전히 중요합니다. 사프라는 “이러한 과정 전반에 걸쳐 과학자들은 중심적인 역할을 유지하며, 결과물이 설명 가능하고, 허용 가능하며, 잠재적인 환자 혜택으로 이어지도록 감독, 판단 및 전략적 방향을 제시할 것입니다.”라고 덧붙였습니다. AI가 효율성을 극대화하지만, 윤리적 판단, 복잡한 문제 해결, 궁극적인 방향 설정은 여전히 인간의 고유한 영역이라는 점을 명확히 하고 있습니다.
궁극적으로, 자동화된 고처리량 시스템은 매주 수천 건의 분자 상호작용을 만들고 평가할 수 있게 될 것입니다. 사프라는 “이는 기존의 워크플로우로는 감당할 수 없는 규모의 AI 준비 데이터(AI-ready data)를 생성할 것입니다. 로봇 샘플 처리, 자동화된 품질 검사 및 통합 데이터 파이프라인 또한 초기 신약 개발 기간을 크게 단축하는 데 도움이 될 잠재력을 가지고 있습니다.”라고 말합니다.
de novo 디자인: AI 신약 개발의 궁극적인 목표
사프라는 생물학적 제제 신약 발견에서 AI의 최종 목표는 해당 분야에서 **‘데 노보(de novo) 디자인’**이라고 부르는 것이라고 말합니다. 이는 AI가 원하는 약물 특성에 정확히 맞는 완전히 새로운 단백질 서열을 생성하는 것을 목표로 합니다. 여기에는 구조를 설계하고, 안전성을 예측하며, 체내에서 어떻게 행동할지, 그리고 어떻게 제조 가능하게 만들지를 포함합니다. 즉, 아무것도 없는 상태에서 AI가 모든 것을 설계하는 단계에 이르는 것이죠.
“이 분야는 완전히 AI가 생성한 생물학적 제제를 처음부터 임상 후보 물질까지 설계하는 데 큰 진전을 이루고 있습니다.” 사프라의 말처럼, 우리가 최첨단 모델을 계속 활용하고 올바른 데이터셋으로 미세 조정한다면, 이 현실에 더 가까워질 것입니다. 그녀는 “나는 그것이 올 것이라고 믿습니다.”라며 강한 확신을 보였습니다. 이 말에서 기술 발전이 가져올 미래에 대한 기대감이 고스란히 느껴집니다. AI가 단순한 도구를 넘어, 신약 개발의 본질적인 방식을 바꾸고 인류의 건강 증진에 혁명적인 기여를 할 날이 머지않았다는 희망을 품어봅니다.
출처
- 원문 제목: How AI helps scientists design the next generation of medicines
- 출처: MIT Technology Review
- 원문 기사 보러가기
