Chai Discovery''s Bitter Lesson: Drug Design Is Another Scaling Problem

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Chai Discovery의 ‘쓰디쓴 교훈’은 신약 설계도 결국 데이터·모델·연산을 확장하되 단순한 구조와 엄격한 실험 검증으로 일반화를 확인해야 하는 스케일링 문제라는 것이다.

📌 핵심 요점

1. Chai는 우연과 반복 실험에 의존하던 신약 발견을 원하는 결합력·기능·제조 가능성을 입력해 후보 분자를 생성하는 컴퓨터 지원 설계 문제로 전환하려 한다.
2. 단백질 구조 예측에서 출발한 기술은 구조와 서열을 함께 생성하는 확산 모델로 발전했으며, 복잡한 단백질 생성 과제를 작은 복원 단계의 반복으로 분해했다.
3. Chai 2는 항체 설계의 결합 성공률을 약 0.1%에서 15%로 높여, 단순한 성공 사례 확보를 넘어 약물 특성을 비교하고 모델을 반복 개선할 수 있는 표본을 만들었다.
4. 핵심 연구 원칙은 생물학을 예외적인 영역으로 취급하지 않고 데이터·모델·연산의 확장 경로를 찾되, 임시 모듈보다 단순한 구조와 여러 표적에서 재현되는 큰 성능 향상을 선택하는 것이다.
5. 장기 목표는 자체 신약 몇 개를 개발하는 데 있지 않다. 제약사가 원하는 분자의 설계 원칙을 지정하면 실험 가능한 후보로 구현해 주는 범용 분자 설계 인프라를 구축하는 데 있다.

🧩 배경과 문제 정의

• 신약 개발은 수백만~수십억 개의 분자를 실험하며 후보를 찾는 시행착오 중심 과정이어서 시간과 비용이 많이 들고, 원하는 특성을 처음부터 설계하기 어렵다.
• 단백질 구조 예측과 확산 모델의 발전으로 분자의 형태뿐 아니라 결합력·제조 가능성 같은 치료 특성까지 계산 단계에서 설계할 가능성이 커졌다.
• 생물학 데이터와 실험에는 큰 오차와 긴 검증 시간이 따르므로, 모델 규모 확대만큼 단순한 구조·엄격한 평가·습식 실험을 통한 검증이 중요하다.
• Chai의 목표는 개별 치료제 몇 개를 만드는 데 그치지 않고, 생물학을 공학처럼 다룰 수 있는 분자용 컴퓨터 지원 설계 체계를 구축하는 것이다.

🕒 시간순 섹션별 상세정리

1. 신약 발견을 분자 설계로 전환하는 목표

• 기존 의약품 상당수는 우연과 시행착오를 거쳐 발견됐지만, 코드 생성처럼 의도를 표현하고 빠르게 반복할 수 있는 추상화 계층을 생물학에 도입하면 신약 개발을 산업화할 수 있다. [01:04]
• 실험실은 모델의 정확성을 검증하고 개선 방향을 찾는 핵심 기반이며, 원하는 분자의 이상적 상태를 입력해 후보를 생성하면 실험의 투자수익률이 높아져 오히려 실험 수요가 늘어날 수 있다. [02:22]

2. 단백질 구조 예측에서 생성 모델로의 진화

• 2년마다 열리는 단백질 접힘 대회에서 비공개 표적의 구조를 예측한 결과, 2018년 딥러닝 도입과 2020년 AlphaFold 2를 거치며 성능이 큰 폭으로 향상됐다. [03:48]
• 초기 모델은 아미노산 사이의 거리를 예측해 다소 흐릿한 단백질 구조를 복원했지만, 이후 특정 형태나 기능에 맞는 서열을 설계하는 문제로 발전했다. [04:27]

3. 항체 설계 가능성이 창업의 전환점이 된 이유

• 항체는 공개 구조 데이터가 부족해 접힘 예측과 설계가 어렵다고 여겨졌고, 초기 단백질 설계 연구도 제약업계의 주력인 항체보다 미니 단백질에 집중했다. [06:18]
• 치료 기능을 갖는 항체를 컴퓨터로 설계하려면 먼저 그 구조를 정확히 예측해야 하며, 2024년에 항체-항원 구조 예측의 가능성이 확인되면서 창업 시점이 구체화됐다. [06:52]

4. 언어 모델의 스케일링 경험을 생물학에 적용

• OpenAI 초기 연구에서 GPT-1·GPT-2와 스케일링 법칙을 경험한 뒤, 자연어를 학습하는 모델이 DNA와 단백질의 규칙도 학습할 수 있다는 가설이 생물학 연구의 출발점이 됐다. [08:41]
• 성능 향상은 적합한 딥러닝 구조, 연산 구성, 모델 규모와 적용 과제를 함께 선택하는 문제였으며, 항체 생성의 초기 가능성은 새로운 확산 모델 구조에서 나타났다. [09:20]

5. 반복적인 복원으로 단백질을 생성하는 확산 모델

• 변분 오토인코더는 단백질 분포 전체를 한 번에 압축된 가우시안 벡터로 바꿔야 해 당시의 모델과 데이터로는 생물학 문제를 안정적으로 풀기 어려웠다. [10:19]
• 확산 모델은 손상된 단백질을 조금씩 개선하는 작은 과제를 반복 학습하며, 복잡한 생성 문제를 여러 단계의 쉬운 복원 문제로 분해한다. [10:53]

6. 모델 단계에 맞춰 확장된 다학제 팀

• 창업 초기에는 모델 스케일링과 생물학 적용을 경험한 AI 연구자가 중심이었지만, Chai 2 단계부터 실제 항체 캠페인을 수행할 항체 공학자와 과학자가 합류했다. [11:58]
• 모델이 강력해진 뒤에는 연구 결과를 실제로 사용할 수 있는 제품 인터페이스가 필요해졌고, 제품·보안·대규모 GPU 시스템 경험을 갖춘 인력으로 팀 범위가 넓어졌다. [12:58]

7. 필요한 시점에만 채용하는 소규모 조직 원칙

• 특정 전문가가 실제로 기여할 수 있는 모델 수준에 도달한 뒤 채용하며, Chai 2가 처리하지 못했던 다중특이 항체도 모델 개선 후 전문가들의 사례 연구 대상으로 편입됐다. [13:53]
• 작은 팀을 유지해 구성원들이 약간의 초과 수요를 감당하게 만들고, 제한된 역량을 가장 중요한 연구와 제품 문제에 우선 배분한다. [14:26]

8. 분자 결합 성공률을 0.1%에서 15%로 개선

• 기존 방식은 실험 데이터를 반복 투입해 분자를 조금씩 개선했지만, Chai는 여러 특성을 갖춘 분자를 컴퓨터에서 처음부터 생성하는 제로샷 설계를 목표로 삼았다. [15:53]
• 창업 당시 항체 설계의 결합 성공률은 약 0.1%여서 1,000개 중 하나만 실험실에서 결합했고, 표적에 따라 성공 후보가 전혀 없어 개선 방향을 판단하기도 어려웠다. [16:36]

9. 생물학에서도 작동한 범용 스케일링 접근

• 당초 20% 적중률까지 3~4년이 걸리고 1%만 달성해도 획기적일 것으로 예상했지만, 범용 머신러닝 원칙을 적용한 접근은 예상보다 빠르게 성과를 냈다. [17:34]
• 생물학을 특수한 예외로 다루기보다 자율주행·언어 모델과 마찬가지로 데이터·모델·연산을 확대하는 문제로 보면 지속적인 개선 경로를 찾을 수 있다. [17:57]

10. 단순성과 엄격성을 중심에 둔 연구 원칙

• Chai 1처럼 23개의 서로 다른 하위 모듈을 가진 구조는 각 모듈의 동작과 상호작용을 따로 이해해야 해 연구 반복과 규모 확장이 어려워진다. [18:47]
• 모델을 단순화하고 실제 성능을 좌우하는 요소를 분리하면 연구 과정이 명확해지고, 데이터·모델·연산을 확대할 방향도 더 쉽게 찾을 수 있다. [19:07]

11. 느리지만 객관적인 생물학 평가

• 코드가 컴파일되고 단위 테스트를 통과해도 유지보수성과 코드 품질은 주관적일 수 있지만, 분자는 표적 결합 여부와 제조 가능성 같은 특성을 실험으로 측정할 수 있다. [21:21]
• 생물학 평가는 수초 안에 끝나는 단위 테스트와 달리 며칠에서 몇 주가 걸리지만, 측정 가능한 결과를 통해 모델이 실제로 개선됐는지 정직하게 판별할 수 있다. [21:53]

12. 임시 모듈보다 일반화되는 성능 향상 선택

• 특정 난표적을 해결하려고 24번째 모듈을 추가하면 단기 성과는 얻을 수 있지만, 장기 유지 부담이 생기고 같은 종류의 표적 전체로 개선이 확장되지 않을 수 있다. [22:40]
• 손실을 계속 낮추려면 모델이 표적의 내재적 특징을 학습해야 하므로, 개별 예외 처리보다 스케일링 법칙에 따라 전체 모델을 개선하는 편이 복합적인 성능 향상으로 계속된다. [23:04]

13. 모든 난제를 연결하는 분자용 컴퓨터 설계 체계

• 과학팀의 난표적은 기능 조절이 어려운 GPCR이고, 머신러닝팀의 난표적은 접힘 구조를 예측하지 못하는 단백질이며, 제품팀의 난표적은 당화·막단백질 같은 복잡한 정보를 사용자에게 표현하는 문제다. [24:06]
• 각 팀이 서로 다른 병목을 병렬로 해결하면 하나의 모듈이나 기능에 전체 진전이 종속되지 않고, 과학·모델·제품 전반에서 지속적인 개선이 가능해진다. [24:38]

14. 가설 검증 속도가 어려운 표적의 접근성을 바꾼다

• 아이디어에서 검증 가능한 가설까지 걸리는 기간을 9개월에서 9주 또는 9일로 줄이면, 실제로 탐색할 수 있는 아이디어 수가 자릿수 단위로 늘어나 더 나은 의약품을 찾을 가능성도 커진다. [25:52]
• 신약 개발의 속도와 표적의 난도는 별개의 문제가 아니며, 가설을 더 빠르게 반복하면 현재는 풀기 어려운 표적도 공략 가능한 문제로 바뀔 수 있다. [26:25]

15. 계산 설계가 의약품의 품질과 경제성을 함께 높인다

• 현재는 완성도가 약 80%인 분자도 일정과 환자 효용을 고려해 임상으로 진입하지만, 뒤이어 더 나은 약물이 나오면 초기 투자가 비효율적인 자원 지출로 남는다. [27:12]
• 알츠하이머처럼 오랫동안 성과가 제한됐던 질환과 환자 수가 적은 희귀질환·개인 맞춤 치료도 개발 속도와 비용이 낮아지면 현실적인 개발 대상으로 들어온다. [27:30]

16. 자체 신약보다 산업 인프라에 집중한 사업 모델

• 미래의 대다수 신약이 계산 기반 방식으로 발견된다는 전제에서, Chai는 직접 모든 약물을 개발하기보다 제약업계가 사용할 기반 모델과 설계 인프라를 구축하는 길을 선택했다. [29:00]
• 모델이 좋아질수록 자금을 임상시험에 분산하기보다 다음 세대 모델에 재투자할 수 있고, 제약사 파트너십의 현재 수익이 그 투자를 뒷받침해 확장성을 높인다. [29:32]

17. 광범위한 파트너십이 모델의 일반화를 검증한다

• 소수 표적에서만 뛰어난 분자를 만드는 방식은 다른 수백 개 분자에 모델이 일반화되지 않는 결함을 가릴 수 있어, 다양한 제약사와의 협업이 자기기만을 막는 현실 검증 장치가 된다. [30:03]
• 일라이 릴리·노바티스·화이자 같은 파트너는 간헐적인 성공을 받아들이지 않으며, 모델이 실제 업무에서 반복적으로 가치를 내야만 협력이 유지된다. [30:25]

18. 제약사의 경쟁 구조가 빠른 AI 도입을 촉진한다

• 제약사는 AI에 익숙하지 않다는 통념과 달리 모든 성능 주장을 엄격히 시험한 뒤 데이터가 확인되면 빠르게 전면 도입하며, 검증 수준과 채택 속도가 모두 높다. [31:35]
• 의약품의 독점권은 제한된 기간만 유지되므로 일라이 릴리 같은 대형 제약사도 새로운 블록버스터 약물을 계속 확보해야 하며, 이 압력이 신기술 도입을 생존 조건으로 만든다. [32:04]

19. 구조 데이터와 서열 데이터가 모델의 기반을 이룬다

• 1970년대부터 실험 과학자들이 축적한 단백질 결정 구조 데이터베이스가 3차원 구조 예측과 분자 설계의 핵심 학습 자원이며, 이 축적 없이는 현재의 구조 모델도 성립하기 어렵다. [34:03]
• 단백질 언어 모델은 주변 아미노산을 정확히 예측하려면 각 위치의 미세 환경과 전체 3차원 형태를 파악해야 하므로, 서열만 학습해도 내부적으로 구조 정보를 형성한다. [34:55]

20. 실험 데이터 생성이 새로운 성능 향상 순환을 만든다

• 서열 중심과 구조 중심 중 하나를 고집하지 않고 문제 해결에 필요한 두 접근을 함께 사용하며, 방대한 생물학 서열에서는 중복과 잡음을 걸러 유용한 신호를 구성하는 작업이 중요하다. [36:02]
• 모델이 새로운 표적용 분자를 실험실에서 설계할 수준에 도달하면서 실험 과정의 결과와 실패 데이터까지 다시 학습에 활용할 수 있어, 모델 자체가 데이터 생성 과정에 들어온다. [36:35]

21. 진짜 경쟁 기준은 기존 실험실 방법을 넘어서는가에 있다

• 경쟁 우위를 지키는 출발점은 평가 결과를 엄격하게 확인하는 것이며, Chai 2는 대규모 라이브러리 선별 없이도 성과를 내고 제조 가능성 같은 개발 적합성까지 모델에 포함하는 방향으로 발전했다. [37:47]
• 직접적인 경쟁 상대는 다른 모델 회사보다 오랜 기간 정교하게 조정된 자연과 습식실험 프로토콜이며, 수십 년 경력의 항체 전문가가 기존 도구로 만드는 품질이 AI가 넘어야 할 현실적 기준선이다. [38:31]

22. 강한 공동 목표 뒤에 인프라 확장의 고통이 따른다

• 구성원들은 신약 개발이라는 명확한 공동 목표와 일관된 기술 철학에 높은 수준으로 몰입하며, 연구실에 가까운 동기와 집중력이 조직의 빠른 진전을 뒷받침한다. [40:02]
• 초기 128개 GPU도 거대한 자원처럼 보였지만 현재는 훨씬 큰 컴퓨팅 인프라를 운영해야 하며, 규모가 커질수록 자원 확보보다 클러스터의 지속적인 안정성이 더 어려운 문제가 된다. [40:52]

23. 연구 성과가 제품 책임으로 전환된다

• 논문 수준의 성과가 실제 환자에게 영향을 줄 수 있을지에 대한 의문은 파트너의 제품 사용과 실험 결과가 축적되면서 현실적인 확신으로 바뀌었고, 새 기능과 실험 성공이 직접적인 동력이 된다. [42:06]
• 실제 제약사가 모델에 의존하면서 새 세대 모델의 버그와 성능 퇴행을 막고, 더 많은 개발자가 안전하게 기여할 수 있는 프로덕션 수준의 코드베이스를 유지해야 한다. [42:59]

24. 실제 배포와 정밀 제어가 다음 단계의 과제다

• 향후 6~12개월의 핵심은 발표된 파트너십을 실제 질병 프로그램에 배포하고, 모델이 선반 위에 머무르지 않은 채 환자 삶을 바꿀 수 있는 분자를 만들어 내는 것이다. [44:33]
• 1년 전에는 분자를 제로샷으로 설계해 성공 가능성을 판단하기 어려웠지만 이제는 곧바로 임상 프로그램을 검토할 수준에 도달했으며, 수년 뒤 수십~수백 개의 Chai 설계 분자가 환자에게 투여될 가능성도 열린다. [45:12]

🧾 결론

• Chai의 성과는 모델 규모 확대만으로 설명되지 않는다. 확장 가능한 표현과 구조, 엄격한 평가, 습식 실험의 피드백 순환을 함께 설계한 결과다.
• 0.1%에서 15%로의 결합 성공률 개선은 제로샷 항체 설계가 탐색적 연구를 넘어 반복 가능한 개발 도구로 이동할 가능성을 보여준다.
• 다만 분자의 결합 성공은 임상적 효능이나 안전성과 같지 않다. 기술의 최종 가치는 실제 질병 프로그램에서 제조 가능성·정밀 제어·재현성을 함께 입증할 때 확정된다.
• Chai가 말하는 ‘스케일링’의 본질은 자원을 무작정 늘리는 것이 아니라, 규모를 키울수록 여러 표적과 특성에서 일관되게 좋아지는 학습 체계를 찾는 데 있다.

📈 투자·시사 포인트

• AI 신약 개발의 경쟁 기준은 다른 모델 회사와의 벤치마크보다 기존 항체 전문가와 습식실험 프로토콜의 품질을 실제로 넘어서는지에 맞춰질 가능성이 크다.
• 기반 모델과 설계 인프라에 집중하는 사업 모델은 임상시험에 직접 자본을 집중하는 구조보다 모델 개선에 재투자하기 쉽지만, 제약사 업무에서 반복적인 가치를 증명해야 유지될 수 있다.
• 다양한 제약사와 여러 표적에서 얻는 실험 결과는 매출원인 동시에 모델의 일반화 여부를 검증하고 다음 세대 학습 데이터를 만드는 전략적 자산이 된다.
• 가설 검증 기간이 9개월에서 9주 또는 9일로 줄어든다면 희귀질환·개인 맞춤 치료·기존 난표적처럼 경제성이 낮거나 탐색이 어려웠던 영역의 개발 가능성이 커질 수 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• 약 15%의 결합 성공률이 어떤 표적군·실험 조건·비교 기준에서 측정됐는지 충분한 세부 정보가 제시되지 않아 모든 항체 설계 문제에 일반화할 수 있는지는 확인이 필요하다.
• 결합 성공과 제조 가능성은 중요한 초기 지표이지만, 독성·효능·약동학·임상 성공을 직접 보장하지 않는다.
• 수년 뒤 수십~수백 개의 Chai 설계 분자가 환자에게 투여될 수 있다는 전망은 실제 질병 프로그램의 배포, 규제 절차, 임상 결과에 좌우된다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• Chai 2의 15% 결합 성공률이 적용된 표적 수, 후보 수, 대조군, 제조 가능성 기준을 공개 자료에서 확인한다.
• 향후 6~12개월 동안 발표된 제약사 파트너십이 실제 질병 프로그램과 실험 결과로 이어지는지 추적한다.
• 모델 성능을 단일 결합률이 아니라 다중 표적 재현성, 정밀 제어, 제조 가능성, 기존 실험실 기준선 대비 성과로 평가한다.
• Chai의 데이터·모델·연산 확장이 GPU 비용과 분산 시스템 운영 부담을 상쇄할 만큼 지속적인 성능 향상을 만드는지 점검한다.

❓ 열린 질문

• Chai의 스케일링 법칙은 모델과 연산 규모가 커질 때 결합력뿐 아니라 선택성·안전성·제조 가능성에서도 예측 가능한 개선을 보이는가?
• 다양한 제약사에서 돌아오는 독점 실험 데이터를 활용하면서 파트너별 데이터 보호와 범용 모델의 일반화를 어떻게 동시에 달성할 것인가?
• 제로샷 설계가 기존 대규모 라이브러리 선별을 대체할 수 있는 표적 범위는 어디까지이며, 여전히 전통적 실험 접근이 우세한 영역은 무엇인가?