AI 신약개발 리더들의 목소리와 콜라보 

인터넷 바카라 신약개발은 가능성을 넘어 실제 임상 진입과 성과로 이어지고 있다. 국내 인터넷 바카라 신약개발 현주소와 경쟁력을 짚어봤다.
◇ 글 싣는 순서
ⓛ 강재우 아이젠사이언스 대표
② 석차옥 갤럭스 대표
③ 김이랑 온코크로스 대표 
④ 박혜진 에이조스바이오 연구소장
⑤ 제약회사와 인터넷 바카라 기업의 콜라보레이션

인터넷 바카라 기반 신약개발은 어느새 하나의 기술 트렌드를 넘어 실질적인 도구로 자리 잡았다. 그러나 그 가능성이 실제로 어느 정도까지 현실화됐는지를 묻는다면, 아직은 확실한 답을 내리기 어렵다. 일부에선 과대평가된 유행이라 보기도 하고, 다른 한편에선 이미 필수 기술로 정착했다고 말한다. 이러한 평가 사이에서 가장 중요한 것은 '현장에서 직접 인터넷 바카라를 활용해 후보물질을 발굴하고, 실험을 설계하며, 실제 성과를 도출해 본 경험'이다. 에이조스바이오는 그런 사례를 축적해온 몇 안 되는 기업 중 하나다. <히트바카라사이트>는 에이조스바이오의 인터넷 바카라 전략을 총괄하는 박혜진 인공지능 연구소 소장을 찾아, 그들이 직접 겪은 변화와 한계를 물었다.

박 소장은 AI의 도입이 단순한 기술적 진보를 넘어서 신약개발의 ‘결정 구조’를 바꾸고 있다고 강조했다. 그는 "AI는 초기 선도 물질 발굴 및 최적화 단계에서 매우 효과적이다"라고 말하며, 특히 중소형 연구팀에게 AI는 절대적인 도움이 된다고 설명했다. "우리 같은 작은 규모의 연구진은 큰 제약회사 연구팀처럼 대규모의 실험을 한 번에 수행하기 어렵기 때문에 작은 규모의 실험을 여러 번 반복할 수밖에 없다. 이러한 상황에서는 AI의 도움이 의사결정에 큰 역할을 하며, 반복되는 작은 실험들을 효과적으로 계획하고 분석하는 데 매우 유용하다. 따라서 연구의 효율성을 높이는 데 효과적으로 활용되고 있다"라고 덧붙였다.

이러한 전략은 실제 성과로 이어졌다. 박 소장은 "에이조스바이오는 AI를 활용해 자가면역질환 치료제 선도 물질 발굴 과정에서 유효한 화합물을 매우 빠르게 찾는 성과를 거뒀다"고 말했다. 그는 "전통적인 방법으로는 수년이 걸릴 수 있는 초기 물질 탐색 과정을 AI 모델로 6개월 이내로 단축하였다"고 설명했다. 이어 "이후 선도 물질의 유도체 설계와 활성도 최적화 과정에서도 AI 기반의 분석을 통해 연구 기간과 비용을 크게 절감했다"고 밝혔다.

AI가 없었다면 얼마나 더 걸렸을까? 그는 "AI가 없었다면, 전통적인 방식으로 초기 선도 물질 발굴에만 최소 2~3년 이상의 시간이 소요된다. AI를 통해 탐색 시간을 크게 단축할 수 있었고, 결과적으로 전체적인 신약 개발 프로세스를 효율적으로 진행할 수 있었다"고 말했다.

다만 박 소장은 AI가 만능 해결책은 아니라고 분명히 선을 그었다. "선도 물질 발굴은 AI가 직접 정답을 제시할 수 있는 과정이 아니라, 실험을 통해 활성이나 다양한 기준을 만족시켜야 얻을 수 있는 결과이다. AI의 예측 결과를 놓고 연구자들의 기대치는 다를 수 있지만, 대체로 연구자들이 납득할 만한 결과를 제공하고 있으며 의사결정 과정에서 실질적인 도움을 주고 있다"고 설명했다.

AI가 실제 실험과 다른 결과를 내는 경우는 왜 생길까? 박 소장은 그 원인을 "AI 예측이 현실의 복잡한 생물학적 시스템을 데이터 기반의 모델링을 통해 유추하는 과정에서 생기는 한계 때문이다"라고 진단했다. "특히 생체 시스템의 복잡성이나 예상치 못한 변수들로 인해 AI가 미처 반영하지 못한 부분에서 실제 실험과의 차이가 생긴다. 따라서 AI의 예측 결과를 실험을 통해 지속적으로 보완하고 개선하는 과정이 중요하다”고 덧붙였다.

가장 큰 장애물은 데이터 품질과 해석이다. "AI 모델이 효과적으로 학습하고 예측하기 위해서는 양질의 충분한 데이터가 필요하지만, 신약 개발 분야에서는 이런 데이터를 확보하는 것이 어렵다. 데이터가 불충분하거나 편향될 경우 AI 모델의 성능은 크게 저하된다"고 말했다. 또한 "AI 예측과 실제 연구 결과 간의 차이를 줄이면서 의사결정에 활용할 수 있도록 모델을 개선하는 과정이 어렵다"고 밝혔다.

그렇기에 에이조스바이오는 데이터 처리 단계부터 철저하게 접근한다. 박 소장은 "AI를 활용하는 데 있어 데이터 품질과 해석 문제는 항상 존재한다. 신약 개발용 데이터를 다룰 때는 실험을 대하는 연구자의 이해도가 깊을수록 인공지능 학습을 위한 좋은 데이터를 효과적으로 선별할 수 있다"고 말했다. "에이조스바이오에서는 직접 디자인한 실험으로 얻은 데이터를 포함해 데이터 품질을 높이는 노력도 지속하고 있으며, AI 예측 결과와 실제 데이터를 통합해 전체적인 신뢰도를 높이고 있다"고 덧붙였다.

에이조스바이오의 AI는 단순한 '모델'이 아니라, 다양한 방법을 통합한 복합 전략이다. 박 소장은 "에이조스바이오는 두 가지 방식을 모두 활용하고 있다. 우선 자체적으로 필요한 모델을 개발하고 있으며, 특히 연구 목적에 특화된 모델은 내부에서 직접 설계해 사용한다"고 설명했다. 이어 "우리가 구축하려던 기능을 가진 AI 모델이 외부에 이미 공개돼 있다면, 이 모델을 단순히 활용하는 데 그치지 않고 우리의 필요에 맞게 튜닝해 최적화한 후 적용하고 있다"고 말했다.

그는 "저희는 데이터가 인공지능 모델 성능을 결정짓는 가장 중요한 요소라는 점을 잘 알고 있으며, 데이터를 어떻게 수집하고 해석하는지에 따라 최종 결과의 품질이 크게 달라지기 때문에 데이터 처리 과정에 많은 노력을 기울이고 있다"고 강조했다. "우리의 인공지능 개발자들은 화학과 생물학의 깊은 이해를 바탕으로 신약 개발 연구자들이 현장에서 활용할 수 있는 유용한 도구(tool)와 정보를 제공하고 있다"고도 덧붙였다.

에이조스바이오는 최근 각광받는 파운데이션 모델도 연구자 중심으로 재정비한다. 박 소장은 "저희는 이런 모델을 단순히 활용하는 데 그치지 않고 우리의 연구 목적과 필요에 맞게 튜닝하고 최적화해 적용하고 있다"고 말했다. "이 과정에서 에이전틱(AI-Agentic) 기법을 도입해, 여러 개의 AI 에이전트들이 각각의 전문성을 바탕으로 다양한 모델들의 결과를 유기적으로 통합해 빠르고 정확한 결과를 도출하는 시스템을 구축했다"고 소개했다.

AI는 후보물질 발굴을 넘어 약물 최적화, 임상시험 설계, 부작용 예측까지 확장되고 있다. 그는 "아직 임상시험 디자인 단계에서는 AI 활용이 초기 단계에 머물고 있지만, 최근 들어 임상시험 대상자 선정, 하위 그룹 분석, 용량 최적화와 같은 분야에서 AI의 역할이 점차 확대되고 있다"고 말했다. 또한 "적절한 환자군 매칭 같은 사업은 이미 시장에서 활용되고 있으며, 적응증을 찾기 위한 전략 개발에도 사용되고 있다"고 덧붙였다.

독성과 부작용 예측에서도 AI는 유용한 수단이다. 그는 "전통적인 방식에서는 신약의 독성이나 부작용을 평가하기 위해 다수의 반복적인 실험과 긴 시간이 필요했지만, AI는 신약 후보 화합물의 독성 프로파일을 사전에 예측해 불필요한 실험과 비용을 크게 줄이는 데 기여하고 있다"고 말했다. 다만 "AI가 제공하는 독성 및 부작용 예측 정보는 최종 판단을 내리는 기준이 아니라 연구자가 실험을 설계하거나 후보물질을 선별할 때 참고할 수 있는 유용한 정보로 활용된다"고 덧붙였다.

신약개발의 완전한 자동화는 아직 멀지만, 박 소장은 기술의 방향성을 분명히 보고 있다. 그는 "현재 AI는 신약 개발 과정의 여러 단계를 혁신적으로 가속화하고 있지만, 완전한 자동화에는 여전히 한계가 존재한다"고 말했다. "복잡한 생물학적 변수와 규제사항, 특허 해석 등 인간 연구자의 통찰력을 다 갖추는 것은 상당한 시간이 걸릴 거라 생각한다"고 밝혔다.

AI 기반 신약개발의 실질적인 기여도는 어느 정도일까? 박 소장은 "과거에는 주로 초기 단계의 선도물질 발굴 등 제한적인 부분에서만 AI를 사용했지만, 이제는 약물 최적화, 독성 평가, 부작용 예측 등 신약 개발의 거의 모든 단계에서 AI를 활용하지 않으면 경쟁력을 유지하기 어려운 상황이다"라고 강조했다. "실제로 AI의 발전과 도입 이후 연구의 효율성과 속도가 이전에 비해 최소 30~50% 이상 개선된 것으로 체감하고 있다"고 말했다.

규제기관도 변하고 있다. 박 소장은 "최근 미국 식품의약국(FDA)은 AI를 활용한 신약 개발의 첫 지침을 발표하며, 규제 의사 결정을 지원하는 데이터 생성 시 AI 활용에 관한 권장 사항을 제시했다"고 말했다. "이 지침은 AI 모델의 신뢰성 평가를 위한 위험 기반 프레임워크를 제안하며, AI 모델의 사용 맥락(Context of Use, COU)을 정의하고, 모델의 위험 수준을 평가하는 단계를 포함하고 있다"고 설명했다.

마지막으로, 그는 AI 기술이 더 넓은 생태계적 관점에서 뿌리내리기 위해 필요한 조건을 정리했다. "정부는 신약 개발 과정에서 확보된 고품질의 실험 데이터를 효과적으로 공유할 수 있는 데이터 인프라와 생태계를 구축해야 한다. 데이터가 폐쇄적으로 관리되는 현재의 상황을 개선하기 위해, 데이터 공유를 촉진하는 유인책과 제도적 지원이 필요하다"고 말했다. 이어 "데이터의 형식이나 처리 과정 등의 표준화가 이뤄져 다양한 연구기관과 기업이 효율적으로 AI 기술을 개발하고 활용할 수 있는 환경을 조성해야 한다"고 강조했다.