🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

인공지능은 방대한 생물의약품 후보를 선별하고 실험·데이터·로봇 자동화를 폐쇄형 학습 순환으로 연결해 신약 설계의 속도와 복잡성 대응력을 높이고 있다.

📌 핵심 요약

• 신약 개발은 오랜 기간과 막대한 투자가 필요하지만 대부분의 후보가 환자에게 도달하지 못하며, 단백질을 공학적으로 설계하는 생물의약품은 탐색해야 할 분자 조합이 방대해 난도가 더욱 높다.
• 인공지능은 성공 가능성이 높은 후보 분자를 생성하거나 우선순위화해 실험실 자원을 상위 후보에 집중시키고, 구축·측정·학습 순환의 반복 속도를 높이는 데 활용된다.
• 차세대 생물의약품 설계에서는 여러 표적을 동시에 겨냥하거나 특정 세포에 치료 물질을 전달하면서 효능, 안정성, 제조 가능성, 안전성을 함께 최적화하는 모델이 연구되고 있다.
• 아스트라제네카는 분자 구조, 결합 측정값, 안전성 정보, 제조 결과를 포함한 독점적 다중형태 데이터와 로봇 자동화를 결합해 예측과 실험이 연속적으로 이어지는 발견 체계를 구축하고 있다.
• 완전히 새로운 단백질을 처음부터 생성하는 디노보 설계를 실현하려면 표준화된 학습 데이터, 평가 기준, 생물학과 기계학습을 아우르는 인력, 정교한 안전성 예측과 지속적인 인간 감독이 필요하다.

🧩 주요 포인트

1. 후보 생성보다 정밀한 우선순위화와 반복 학습이 핵심이며, 이는 실패 가능성이 큰 실험을 줄이고 제한된 연구 자원을 유망한 분자에 집중하게 한다.
2. 실험 데이터와 자동화 설비가 모델 성능을 지속적으로 개선하는 구조를 이루면서, 데이터의 품질·다양성·생성 규모가 연구개발 경쟁력을 좌우하는 요소가 된다.
3. 자율적 분자 설계가 발전할수록 안전성, 불확실성, 설명 가능성의 중요성도 커지므로 과학자와 엔지니어의 판단은 제거되는 것이 아니라 시스템의 중심 역할로 남는다.

🧠 상세 정리

1. 신약 개발의 높은 실패율과 생물의약품의 복잡성

신약을 설계하고 개발하는 일은 상당한 투자와 여러 해의 시간이 필요한 데다, 검토되는 후보 대부분이 실제 환자에게 도달하지 못하는 실패 가능성이 큰 과학적 과제다. 합성 화학이 아니라 공학적으로 설계한 단백질로 만드는 생물의약품은 주요 급성·만성 질환에 활용되지만 설계 복잡성이 더 크다. 연구진은 방대한 수의 분자를 탐색하면서 정확한 질병 표적에 결합하고, 인체 안에서 안정적으로 유지되며, 대규모 생산까지 가능한 소수의 후보를 찾아야 한다. 가능한 분자 조합의 수가 인간 연구팀이 체계적으로 모두 조사할 수 있는 범위를 훨씬 넘기 때문에 탐색 공간을 효과적으로 좁히는 일이 중요하다. 이러한 배경에서 인공지능은 단순한 보조 분석 도구를 넘어 제약 연구개발 기반의 핵심 요소로 빠르게 편입되고 있다.

2. 구축·측정·학습 순환을 단축하는 후보 선별

아스트라제네카가 설명한 접근법은 후보를 구축하고 측정한 뒤 결과에서 학습하는 반복 순환을 중심으로 한다. 인공지능은 후보 분자를 계산적으로 생성하거나 우선순위를 정하고, 각 설계가 성공할 가능성을 예측해 실험 대상으로 삼을 분자를 추린다. 연구진은 전체 후보를 무차별적으로 시험하는 대신 순위가 높은 후보에 실험실 자원을 집중할 수 있다. 실험 결과가 다시 모델과 다음 설계에 반영되면서 막다른 경로를 줄이고 반복 속도를 높이는 더 촘촘한 피드백 구조가 형성된다. 아스트라제네카의 푸자 사프라는 설계, 제작, 시험, 분석의 전 과정이 계산 기술로 강화되면서 순환 시간이 짧아지고 생산성과 혁신이 높아지고 있다고 설명하며, 이 방식이 기존 약물로 공략하기 어렵다고 여겨진 질병 표적의 탐색에도 활용된다고 밝혔다.

3. 여러 표적과 설계 조건을 동시에 다루는 차세대 의약품

인공지능의 역할은 기존 개발 기간을 단축하는 데 그치지 않고 새로운 종류의 생물의약품을 발견하는 방향으로 확대되고 있다. 전통적인 생물의약품이 주로 하나의 질병 경로를 겨냥했다면, 차세대 약물은 여러 표적을 동시에 공격하거나 치료 물질을 특정 세포에 정밀하게 전달하도록 설계될 수 있다. 이를 구현하려면 기초 생물학에 따라 우선할 두세 개의 표적을 정한 뒤 분자의 효능, 안정성, 제조 가능성, 안전성 등 여러 조건을 동시에 균형 있게 최적화해야 한다. 사프라는 향후 인공지능 모델이 이처럼 복잡한 다중특이성 생물의약품의 설계를 도울 수 있다고 전망했다. 또한 이러한 기술이 발전하면 과거에는 약물로 접근할 수 없다고 여겨졌던 표적에 대한 후보를 개발할 가능성이 열릴 수 있다고 설명했지만, 이는 향후 기술이 실현해야 할 방향으로 제시됐다.

4. 고품질 다중형태 데이터가 만드는 모델 경쟁력

맥킨지는 생성형 인공지능과 다른 계산 도구를 함께 활용할 경우 신약 발견 기간을 최대 50%까지 단축할 수 있다고 추산하지만, 모델의 성능은 학습 데이터의 품질에 좌우된다. 신약 발견에서는 성공한 실험뿐 아니라 실패한 실험도 무엇이 작동하고 무엇이 작동하지 않는지를 보여주는 신호를 제공한다. 사프라에 따르면 아스트라제네카의 독점적 다중형태 데이터에는 분자 구조, 결합 측정값, 안전성 정보, 제조 결과가 포함된다. 여러 질병 영역과 약물 유형에 걸친 의도적으로 다양한 연구 포트폴리오는 최첨단 인공지능 모델을 더 풍부하고 대표성 있는 자료로 미세조정하는 기반이 된다. 회사는 모델을 지속적으로 개선하고 검증하는 데 필요한 데이터를 충분한 규모로 추가 생성하기 위해 심층 선별 기술에도 투자하고 있다고 밝혔다.

5. 인공지능과 로봇이 연결되는 폐쇄형 발견 연구실

아스트라제네카는 미국 매사추세츠주 케임브리지의 켄들스퀘어에 인공지능과 로봇 자동화를 연속적인 폐쇄형 발견 체계로 결합하는 미래형 연구시설을 구축하고 있다. 이 체계에서는 인공지능이 예측을 만들고, 로봇이 실험을 수행하며, 계측 장비가 데이터를 생성한다. 생성된 데이터는 다시 모델로 직접 유입되어 다음 예측과 실험 순환을 가속한다는 점에서 센서와 모델을 이용해 주변 환경을 탐색하는 자율주행차에 비유된다. 장차 자동화된 고속처리 체계는 매주 수천 건의 분자 상호작용을 만들고 평가해 전통적인 작업 방식으로는 확보하기 어려운 규모의 인공지능 학습용 데이터를 생산할 수 있다고 회사는 설명한다. 로봇 시료 처리, 자동 품질 검사, 통합 데이터 전송 체계 역시 초기 약물 개발 기간을 크게 줄일 잠재력이 있지만, 과학자는 결과의 설명 가능성과 수용 가능성, 환자 편익과의 연계를 감독하는 중심 주체로 남는다.

6. 처음부터 단백질을 만드는 디노보 설계

생물의약품 발견에서 제시된 장기적 목표는 인공지능이 원하는 약물 특성에 맞는 완전히 새로운 단백질 서열을 처음부터 생성하는 디노보 설계다. 이 과정에는 분자 구조를 정하는 것뿐 아니라 안전성, 인체 내 작용 방식, 제조 가능성을 함께 예측하고 설계하는 일이 포함된다. 사프라는 전적으로 인공지능이 생성한 생물의약품을 처음부터 임상 후보 단계까지 발전시키는 방향으로 연구가 진전되고 있으며, 적절한 데이터로 최첨단 모델을 미세조정하면 목표에 가까워질 수 있다고 설명했다. 다만 이를 실현하려면 업계 전반에서 더 풍부하고 표준화된 학습 데이터가 확보되어야 하고, 인공지능 생성 후보를 일관되게 평가할 견고한 기준도 필요하다. 기계학습과 생물학의 교차 영역에서 일할 수 있는 팀 역시 필수 조건이며, 기사에서는 완전한 디노보 생물의약품이 이미 완성됐다고 제시하지 않는다.

7. 안전성 예측과 가상 임상시험의 역할

디노보 설계에서 특히 어려운 문제는 계산으로 생성된 분자가 실제 인체에서 안전할지를 사전에 예측하는 것이다. 아스트라제네카는 고도화된 세포 체계와 미세 장기 모형을 물리적 시험대로 사용하고, 그 결과를 학습하는 인공지능을 결합하는 방식을 가상 임상시험으로 설명한다. 이러한 체계는 전통적인 시험 과정의 병목을 줄이면서 더 풍부한 생물학적 신호를 생성할 잠재력이 있으며, 인공지능이 만든 설계와 임상 준비가 된 후보 사이의 순환을 완성하는 요소로 제시된다. 동시에 후보 분자를 생성하면서 예상 효능과 안전성을 함께 평가하는 에이전트형 인공지능 체계로의 전환도 진행되고 있다. 이 자율형 작업 흐름은 질병 수준의 지식과 분자 설계를 직접 연결해 과거에 분리돼 있던 데이터 영역을 잇지만, 안전성 예측의 정확성과 검증은 여전히 해결해야 할 핵심 과제로 남아 있다.

8. 인간 중심의 협업과 투명한 공학 설계

기사에서 제시하는 자율화는 과학자를 대체하는 방식이 아니라 모델과 사람이 함께 설계, 시험, 검증하는 협업 구조다. 모델이 분자를 설계하면 과학자는 해당 분자를 시험하고 결과 데이터를 종합하며, 견제와 판단을 통해 모델이 지속적으로 개선되도록 한다. 엔지니어에게는 모델이 불투명한 상자로 작동하지 않도록 높은 수준의 투명성과 설명 가능성을 갖춘 체계를 만드는 과제가 주어진다. 아스트라제네카의 관련 팀에는 데이터 과학자, 자동화 전문가, 인공지능 엔지니어가 포함되며, 이들은 다중형태 데이터 융합, 폐쇄형 최적화, 불확실성 정량화, 임상 의사결정 시점의 해석 가능성 같은 문제를 다룬다. 한편 이 글은 아스트라제네카가 기획하고 비용을 지원한 맞춤형 콘텐츠로, 해당 매체의 편집진이 작성한 기사가 아니며 인간 작성자와 편집자 등이 제작했고 사용된 인공지능 도구는 인간 검토를 거친 부차적 제작 과정에 한정됐다고 명시한다.

🧾 핵심 주장 / 시사점

• 신약 설계에서 인공지능의 직접적 가치는 후보 수를 늘리는 것만이 아니라 실패 가능성이 큰 후보를 조기에 걸러 실험과 학습의 순환을 더 효율적으로 만드는 데 있다.
• 모델, 실험 장비, 로봇, 데이터 전송 체계가 하나의 순환으로 연결되면서 실험은 후보 검증 수단인 동시에 다음 모델을 개선하는 학습 데이터 생산 과정이 된다.
• 완전한 자율 설계에 가까워질수록 인간의 역할은 축소되기보다 안전성 검증, 불확실성 판단, 설명 가능성 확보, 환자 편익을 위한 전략적 감독에 집중된다.

✅ 액션 아이템

• 생물의약품 후보 선별에서 생성보다 정밀한 우선순위화 기준을 정해 실험실 자원을 상위 후보에 집중시키는 방식을 점검한다.
• 아스트라제네카의 다중형태 데이터와 로봇 자동화를 결합한 예측·실험 연속 체계를 기준으로 데이터 품질·다양성·생성 규모 요건을 정의한다.
• 디노보 설계 실현에 필요한 표준화된 학습 데이터, 평가 기준, 안전성 예측 수준과 지속적인 인간 감독 범위를 함께 정의한다.

❓ 열린 질문

• 여러 표적을 동시에 겨냥하는 차세대 생물의약품에서 효능·안정성·제조 가능성·안전성을 함께 최적화하는 우선순위는 무엇인가?
• 구축·측정·학습 순환의 반복 속도를 높일 때 실험 데이터와 자동화 설비가 모델 성능을 개선하는 한계는 어디인가?
• 자율적 분자 설계가 발전할수록 안전성·불확실성·설명 가능성에서 과학자와 엔지니어의 판단은 어떤 기준으로 남을 것인가?