신약 하나 만드는 데 10~15년, 돈은 3조원 안팎 든다. 후보 물질 만 개를 뒤져도 실제 환자한테 쓰이는 건 한둘 나올까 말까. 이 지긋지긋한 확률 게임에 AI가 끼어들면서 판이 조금씩 바뀌고 있다. 화학 합성으로 찍어내는 기존 약보다는, 단백질을 통째로 설계하는 바이오 의약품 쪽에서 AI 활용도가 눈에 띄게 올라가는 중이다.
AI 신약개발, 정확히 뭘 하는 걸까
말 그대로 신약 개발 과정 곳곳에 인공지능을 끼워 넣는 것이다. 후보 물질 탐색, 단백질 구조 예측, 독성 예측, 임상시험 설계까지 손대는 범위가 넓다. 핵심은 하나. 실험실에서 몇 달씩 걸리던 시행착오를 컴퓨터 시뮬레이션으로 먼저 걸러내는 것. 후보 물질 10만 개를 일일이 합성해서 실험하는 대신, AI 모델이 성공 가능성 높은 몇백 개로 먼저 추려주는 식이다.
기존 방식이랑 뭐가 다른가
전통적인 방식은 화학자와 생물학자가 가설 세우고, 물질 합성하고, 세포·동물 실험으로 검증하는 반복 작업이다. 한 사이클 도는 데만 몇 주에서 몇 달. AI 기반 접근은 이 사이클을 소프트웨어 안에서 먼저 돌려본다.
- 후보 물질 스크리닝: 수백만 개 분자 구조를 며칠 만에 비교
- 단백질 구조 예측: 실험 없이 3D 구조 추정
- 독성·부작용 예측: 임상 들어가기 전에 위험군부터 걸러내기
결국 실패할 후보를 더 일찍, 더 싸게 걸러내는 게 관건이다. 임상 3상까지 갔다가 실패하면 손실이 수천억 원 단위인데, 초기 단계에서 걸러지면 손실 규모가 훨씬 작아진다.
단백질 구조 예측이 판을 바꾼 이유
딥마인드의 알파폴드(AlphaFold)가 단백질 3D 구조를 예측하면서 생물학 연구 방식 자체가 달라졌다. 예전엔 X선 결정학이나 극저온전자현미경으로 단백질 구조 하나 밝히는 데 몇 년씩 걸렸다. 지금은? 아미노산 서열만 넣으면 몇 분 안에 예측값이 나온다. 알파폴드에서 파생된 아이소모픽 랩스는 이 기술을 곧바로 신약 설계에 붙여서 노바티스, 일라이릴리 같은 대형 제약사와 협업 중이다.
바이오 의약품 설계에 AI가 유독 강한 이유
바이오 의약품은 화학 합성이 아니라 항체나 효소 같은 단백질을 통째로 엔지니어링해서 만든다. 문제는 아미노산 조합의 경우의 수가 사실상 무한대라는 것. 사람이 실험으로 하나하나 찾는 건 불가능에 가깝다. 여기서 생성형 AI 모델이 힘을 낸다. RFdiffusion 같은 단백질 설계 모델은 원하는 기능—특정 표적에 딱 붙는 결합력 같은—을 조건으로 주면, 그 조건에 맞는 새 단백질 구조를 통째로 생성해준다. 없던 단백질을 설계도부터 그려내는 셈이다.
실제로 쓰고 있는 곳들
이 흐름, 이미 실험실 단계는 넘어섰다.
- 아이소모픽 랩스: 구글 딥마인드 창업자가 세운 회사. 단백질 구조 예측과 약물 설계를 한 시스템으로 묶은 ‘아이소DDE’ 플랫폼을 운영하며 AI가 설계한 약물의 첫 인체 임상시험을 준비 중이다
- 인실리코 메디슨: AI로 설계한 폐섬유증 치료제 후보 ‘렌토세르티브’를 임상 3상까지 끌어올렸다
- 리커전 파마슈티컬스: 세포 이미지 데이터와 AI를 결합해 후보 물질 발굴 속도를 끌어올림
- 제너레이트 바이오메디신스: 생성형 AI로 항체·백신 후보 단백질을 처음부터 설계
공통점 하나. 하나같이 대형 제약사와 손잡고 있다는 것이다. 화이자, 노바티스, 사노피 같은 회사들은 자체 AI 조직을 키우는 대신 이런 스타트업에 투자하거나 공동 연구 계약을 맺는 쪽을 택했다.
아직 못 넘은 벽
AI가 후보 물질을 잘 골라준다고 곧바로 신약이 나오는 건 아니다. 예측된 단백질 구조가 실제 세포 안에서도 똑같이 작동하는지는 결국 실험실 검증을 거쳐야 한다. 임상 1상, 2상, 3상은 여전히 사람 대상으로 진행해야 하고, 여기 걸리는 시간은 AI가 손댈 수 없는 영역이다. 학습 데이터 자체가 부족한 희귀질환이나 새로운 표적 단백질은 예측 정확도가 뚝 떨어지는 것도 약점이다. 결국 AI는 후보를 빨리, 싸게 추려주는 도구지 신약개발 전체를 자동화하는 게 아니라는 얘기다. 이 부분은 좀 냉정하게 봐야 할 것 같다.
앞으로 지켜볼 변수 셋
이 분야를 좀 더 지켜보려면 챙겨볼 포인트가 몇 가지 있다.
- 규제기관이 AI로 설계한 후보물질 심사 기준을 어떻게 정리하는지
- AI 스타트업과 대형 제약사 간 협업 계약이 실제 임상 승인으로 이어지는 비율
- 단백질 설계 모델이 희귀질환처럼 데이터 적은 영역까지 커버하는 속도
관건은 하나로 좁혀진다. 컴퓨터 안에서 만든 예측이 사람 몸속에서도 그대로 맞아떨어지느냐다. 그 간극이 좁아질수록 신약 하나 나오는 데 걸리는 시간과 비용도 같이 줄어든다.
AI리서치팀
Home-In-One AI리서치팀은 인공지능, 머신러닝, 생성형 AI의 최신 동향과 실용적 활용법을 연구합니다. ChatGPT, 클로드, 미드저니 등 AI 도구 비교 분석과 활용 가이드를 제공합니다.