🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

인공지능 기반 신약 개발의 성패는 후보물질 생성 능력만이 아니라 실험 검증, 신뢰할 수 있는 데이터, 상호운용 가능한 연구실 시스템을 하나의 순환 구조로 연결하는 데 달려 있다.

📌 핵심 요약

• 신약 하나를 시장에 내놓는 데 평균 10~15년과 10억~25억 달러가 필요하고 실패율도 90%를 넘는 가운데, 제약업계는 인공지능을 개발 기간과 임상 실패 위험을 줄일 핵심 수단으로 보고 있다.
• 인공지능은 대규모 화합물을 직접 선별하던 방식에서 벗어나 후보물질을 설계하고 표적과의 상호작용을 예측할 수 있지만, 반응 속도론과 실제 개발 가능성은 아직 안정적으로 판단하지 못해 실험실 검증이 필수다.
• 공개 데이터에 의존한 기존 모델은 비슷한 결론을 반복하는 데이터 한계에 직면했으며, 구조화와 표지가 부족하고 실패 실험이나 결합하지 않는 화합물에 관한 음성 데이터가 거의 공개되지 않는 문제가 있다.
• 조작되거나 위조된 과학 데이터가 학습에 유입되면 모델의 신뢰성이 훼손될 수 있어, 과학 이미지의 변경 여부를 판별하는 보안 해시 기반 도구와 같은 데이터 무결성 검증 수단이 요구된다.
• 예측·실험·최적화 결과를 다시 모델에 공급하는 자율 연구실을 구현하려면 독립적으로 고립된 장비를 연결하고, 찾고 접근하고 상호운용하며 재사용할 수 있는 데이터를 지속적으로 생산해야 한다.

🧩 주요 포인트

1. 후보물질 탐색의 계산 효율이 높아질수록 병목은 물리적 선별에서 고처리량 검증·특성 분석·정제로 이동하며, 연구실 데이터 생산 역량의 중요성이 커진다.
2. 성공 사례 중심의 공개 데이터와 누락된 실패 기록은 모델의 편향과 예측 한계를 키우므로, 음성 결과까지 포함한 완전하고 진위가 검증된 데이터가 성능 향상의 핵심 기반이 된다.
3. 상시 작동하는 자율 연구실은 개별 인공지능 모델이나 장비만으로 구현되지 않으며, 계산 연구와 실제 실험 사이에서 데이터가 막힘없이 순환하는 통합 인프라가 전제돼야 한다.

🧠 상세 정리

1. 높은 비용과 실패율이 만든 변화 압력

신약 개발은 선점자 우위가 커지는 시장에서 막대한 비용과 긴 기간, 높은 실패 위험을 동시에 감수해야 하는 사업이다. 원문에 따르면 1950년대 이후 신약 개발 비용은 약 9년마다 두 배로 늘어났으며, 이러한 추세는 이룸의 법칙으로 불린다. 현재 신약 하나를 시장에 출시하기까지 평균 10~15년이 걸리고 10억~25억 달러가 필요하며, 실패율은 90%를 웃돈다. 폴 벨처는 전체 비용에서 임상 단계가 여전히 가장 큰 부분을 차지하기 때문에, 임상에 진입하기 전에 위험을 줄이고 성공 가능성을 높이는 것이 특히 중요하다고 설명한다. 제약업계가 인공지능에 기대하는 효과도 단순한 작업 자동화가 아니라 더 나은 후보물질을 더 빨리 선별해 임상 단계의 값비싼 실패를 줄이는 데 있다.

2. 물리적 선별에서 예측 설계로의 전환

인공지능의 유망한 초기 활용 분야는 질병 관련 단백질 같은 표적에 결합할 수 있는 분자를 찾는 히트 발굴이다. 전통적으로는 방대한 분자 라이브러리를 실제로 검사해 출발점이 될 화합물을 찾았지만, 최근에는 인공지능으로 후보물질을 처음부터 설계하고 표적과의 상호작용을 사전에 예측하는 방식이 활용되고 있다. 이에 따라 기업은 실험실에서 물리적으로 검사할 수 있는 화합물 수에만 제약받지 않고, 가능성이 낮은 후보를 실제 시험 전에 걸러 시간과 자원을 아낄 수 있다. 다만 인공지능은 새로운 화합물의 반응 속도론이나 실제 의약품으로 개발될 가능성을 아직 신뢰성 있게 예측하지 못한다. 따라서 계산으로 생성된 모든 후보는 여전히 실제 연구실에서 시험하고 확인해야 하며, 예측 설계가 습식 실험을 대체한 단계는 아니다.

3. 후보 증가가 실험실 검증 병목으로 이어지는 과정

기존 선별 절차는 수십만 개에서 때로는 수백만 개의 화합물을 예·아니요 또는 임계값 중심으로 빠르게 판정하도록 설계됐다. 이런 방식은 많은 히트를 찾는 데는 적합하지만, 복잡하고 다양한 후보물질을 대량으로 정밀 분석하는 데 필요한 풍부한 정보를 제공하지 못한다. 인공지능이 더 많은 히트와 잠재적으로 더 우수한 히트를 제안하면서 연구팀은 이전보다 많은 후보를 시험하고, 특성을 규명하고, 정제해야 하는 부담을 떠안게 됐다. 즉 계산 단계에서 탐색 범위가 넓어진 만큼 후속 실험에서는 더 높은 처리량과 더 상세한 측정 정보를 동시에 제공하는 기술이 필요해졌다. 원문은 이를 인공지능이 실험실 업무를 없애는 현상이 아니라, 실험실의 역할을 단순 대량 선별에서 고품질 검증과 특성 분석으로 바꾸는 변화로 설명한다.

4. 공개 데이터 의존과 음성 결과의 부재

초기의 많은 인공지능 모델은 공개 데이터로 학습했지만, 벨처는 이들이 이제 데이터 장벽에 부딪히고 있다고 평가한다. 여러 모델이 동일한 자료에 접근하면 비슷한 결론에 수렴해 시간이 지날수록 추가적인 성능 향상이 줄어들며, 기존 데이터셋도 인공지능 학습을 염두에 두고 만들어지지 않아 구조화, 표지, 다양성이 충분하지 않다. 과학 논문과 공개 자료가 성공한 결과에 집중하는 출판 편향도 문제를 심화한다. 결합하지 않은 화합물과 실패한 실험 같은 음성 결과는 연구실 노트에 묻혀 후속 연구나 모델 학습에 거의 활용되지 않지만, 모델이 실패 패턴을 배우고 편향을 피하려면 이런 정보가 필요하다. 결국 모델 성능은 알고리즘만이 아니라 학습 데이터의 품질과 범위에 크게 좌우되며, 성공과 실패를 모두 포괄하는 자료가 더 신뢰할 수 있는 예측의 전제다.

5. 과학 데이터 조작과 무결성 검증

생성형 인공지능으로 자료를 손쉽게 조작할 수 있게 되면서 과학 데이터의 진위 문제는 모델 학습에도 직접적인 위험이 됐다. 원문은 혈액이나 조직에서 단백질을 식별할 때 사용하는 웨스턴 블롯 이미지가 생의학 연구에서 자주 조작되는 대상으로 지목돼 왔다고 설명한다. 벨처가 인용한 엘리자베스 빅의 연구에서는 생성형 인공지능이 널리 쓰이기 전인 2016년에도 생의학 논문의 약 4%에서 중복되거나 조작된 이미지가 발견됐다. 이러한 자료가 학습 데이터에 포함되면 잘못된 패턴이 모델에 축적될 수 있으므로, 데이터가 조작되지 않았는지 확인할 도구가 필요하다. 사례로 제시된 사이티바의 이미지 무결성 검사기는 블록체인에도 쓰이는 보안 해시 알고리즘을 활용해 과학 이미지의 변경 여부를 감지하며, 원문은 출판사들도 이런 검증 방식을 표준으로 도입하는 데 관심을 보인다고 전한다.

6. 예측·실험·최적화를 반복하는 자율 연구실

벨처가 제시하는 장기적 미래상은 사람의 개입을 최소화한 채 하루 종일 작동하는 인공지능 기반 자율 연구실이다. 이른바 암실 또는 순환형 연구실은 모델이 후보를 예측하면 장비가 이를 시험하고 최적화한 뒤, 그 결과를 다시 모델에 공급해 다음 실험을 결정하는 과정을 반복한다. 더 나은 출발점에서 더 많은 최적화 주기를 수행하면 약점이 적고 품질이 높은 후보가 임상시험에 진입해 성공 가능성을 높일 수 있다는 것이 벨처의 설명이다. 그러나 이런 효과는 자동화 장비를 개별적으로 도입하는 것만으로 달성되지 않으며, 데이터 형식과 실험 절차가 일관되고 시스템 사이의 정보 이동이 가능해야 한다. 따라서 자율 연구실의 핵심은 사람을 단순히 배제하는 데 있지 않고, 계산 결과와 실제 실험 결과가 끊임없이 서로를 갱신하는 폐쇄형 데이터 순환을 구축하는 데 있다.

7. 상호운용성과 재사용 가능한 데이터 인프라

현재 많은 연구실 장비는 독립형으로 운영되며, 성능이 뛰어나더라도 폐쇄된 생태계 때문에 사용자가 데이터를 꺼내거나 다른 시스템으로 전달하지 못하는 경우가 있다. 원문은 이러한 단절이 자율화의 주요 장애물이며, 자동화를 위해서는 장비와 소프트웨어가 상호운용되고 정보가 양방향으로 원활하게 흐르는 통합 인프라가 필요하다고 강조한다. 통합 환경은 찾을 수 있고, 접근할 수 있고, 상호운용할 수 있으며, 재사용할 수 있는 이른바 공정한 데이터 원칙에 맞는 자료를 대규모로 생산하게 해준다. 이렇게 생성된 구조적이고 포괄적인 데이터는 개별 실험 보고서 작성에 그치지 않고 다음 세대 인공지능 모델의 학습 자료로 다시 사용될 수 있다. 계산 중심의 건식 연구실과 물리적 실험을 수행하는 습식 연구실 사이에 이 순환을 완성하는 것이 원문에서 말하는 데이터 고리의 종결이다.

8. 승인·규제·연산비용을 포함한 현실적 전망

기사 작성 시점까지 인공지능 중심 설계로 발견된 의약품 가운데 미국 식품의약국의 정식 승인을 받은 사례는 없으며, 벨처는 향후 2~3년 안에 상황이 달라질 것으로 예상한다. 궁극적인 목표로는 효능과 독성을 컴퓨터 안에서 완전히 예측해 대부분의 습식 실험을 없애는 방안이 제시되지만, 이는 아직 달성된 결과가 아니라 모델 성숙도와 규제, 비용 문제를 모두 넘어야 하는 장기적 지향점이다. 원문이 인용한 스탠퍼드 연구에 따르면 최첨단 인공지능 모델의 학습 비용은 2016년 이후 매년 두 배 이상 증가해, 이미 연구개발비가 높은 제약산업에 추가 부담을 준다. 벨처는 연산 비용이 임상 개발 비용을 넘지 않는 한 인공지능이 이점을 제공하며, 결국 비용과 위험을 고려해 계산 작업과 실제 실험 사이의 균형이 형성될 것으로 본다. 또한 이 글은 사이티바와의 협력으로 제작된 맞춤형 후원 콘텐츠이며, 해당 매체의 편집부가 작성한 기사가 아니라는 제작 배경이 원문에 명시돼 있다.

🧾 핵심 주장 / 시사점

• 인공지능이 후보물질 생성 속도를 높이면 전체 개발 병목이 자동으로 사라지는 것이 아니라, 정밀 검증과 특성 분석을 담당하는 실험실 단계로 이동한다.
• 공개되지 않은 실패 실험과 비결합 결과는 단순한 폐기물이 아니라 모델이 잘못된 후보를 피하고 편향을 줄이는 데 필요한 핵심 학습 자료다.
• 자율 신약개발의 기반은 단일 모델의 성능보다 데이터 진위, 표준화, 장비 간 상호운용성, 계산과 실험을 잇는 지속적인 피드백 구조에 있다.

✅ 액션 아이템

• 음성 결과까지 포함한 완전하고 진위가 검증된 데이터를 후보물질 모델 학습 기준으로 정의한다.
• 조작되거나 위조된 과학 데이터 유입을 막기 위해 보안 해시 기반 데이터 무결성 검증 적용 범위를 점검한다.
• 자율 연구실에서 예측·실험·최적화 결과가 다시 모델에 공급되도록 상호운용 가능한 데이터 순환 조건을 정리한다.

❓ 열린 질문

• 후보물질 탐색의 계산 효율이 높아질수록 고처리량 검증·특성 분석·정제 병목을 어떤 기준으로 우선 줄일 것인가?
• 인공지능이 아직 안정적으로 판단하지 못하는 반응 속도론과 실제 개발 가능성을 실험실 검증에서 어떻게 보완할 것인가?
• 상시 작동하는 자율 연구실을 개별 인공지능 모델이나 장비만으로 구현하지 않으려면 어떤 통합 인프라가 필요한가?