Powering AI-Driven Drug Discovery with President of Isomorphic Labs Max Jaderberg

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Isomorphic Labs의 맥스 제이더버그는 AI로 질병 이해와 약물 설계를 컴퓨터 안으로 옮기고, 개발 과정의 학습을 축적해 신약 개발의 속도와 성공률을 높이려 한다.

📌 핵심 요점

1. 신약 개발의 병목은 지식 부족만으로 설명되지 않는다. 과학 지식과 치료 수단이 늘어도 복잡한 생물학과 방대한 분자 조합을 실제 합성·실험으로 탐색하는 데에는 시간과 비용의 한계가 있다.
2. 목표는 실험 수준의 예측 정확도를 갖춘 컴퓨터 기반 설계다. AlphaFold의 구조·상호작용 예측을 출발점으로, 계산에서 더 많이 설계하고 반복해 실제 합성·시험에 필요한 횟수를 줄이려 한다. 안전성과 효과에 대한 현실 검증은 계속 필요하다.
3. 공통 모델에 학습이 쌓여야 개발 역량도 누적된다. 한 약물에서 얻은 결과를 질병 생물학과 분자 설계 모델에 반영해 다음 과제에 활용하는 구조를 지향한다. 기존 데이터의 편향을 보완하기 위해 필요한 데이터를 직접 생성하고, 자체 실험과 외부 협력을 함께 활용한다.
4. 임상 실패를 줄이려면 결합 예측을 넘어야 한다. 표적 외 작용과 독성뿐 아니라 의도한 표적의 조절 자체가 만드는 영향까지 이해해야 한다. 인간 독성 예측에는 AI와 오가노이드·장기칩·합성 인간 조직을 결합하는 접근이 제시되지만, 임상 데이터 부족이 제약으로 남는다.
5. 사업의 중심은 모델 판매보다 의약품 개발이다. 내부 설계 엔진으로 자체 파이프라인과 제약사 공동 개발을 병행한다. 내부 과제는 종양학·면역학·염증에 집중하지만 엔진은 여러 질병과 약물 유형에 적용하려 하며, 첫 임상시험의 구체적인 날짜는 제시하지 않았다.

🧩 배경과 문제 정의

• 신약 개발은 과학 지식과 치료 방식의 확대에도 불구하고 비용과 기간이 늘어나는 문제를 안고 있다. 복잡한 생물학과 방대한 분자 설계 공간을 실제 합성·실험의 시행착오로 탐색하는 방식이 한계로 지목된다.
• 독성이나 예상하지 못한 표적 작용은 환자에게 약물을 투여한 뒤에야 드러나기도 한다. 임상 이전에 질병 생물학과 약물의 영향을 더 정확히 예측하면 후기 실패를 줄일 가능성이 있다.
• Isomorphic Labs는 AI로 질병 이해와 약물 설계를 컴퓨터 안으로 옮기려 한다. 개별 개발 과제의 학습을 공통 모델에 축적해 다음 신약 개발에도 활용하는 것이 핵심 구상이다.

🕒 시간순 섹션별 상세정리

1. 게임 AI의 성과와 AlphaFold가 신약 개발 도전으로 이어지다

• 제이더버그는 DeepMind에서 생성 모델과 강화학습, AlphaGo·AlphaStar 같은 난제를 다루며 어려운 문제를 체계적으로 해결하는 방법을 경험했다. AGI에 도달하기 전에도 이 기술을 중요한 현실 문제에 적용할 수 있다고 판단했다 [02:00]
• 초기 AlphaFold의 성과는 딥러닝이 생물학의 의미 있는 영역에서도 일반화할 수 있다는 개념 증명이었다. 모든 질병의 해결이라는 장기 목표에는 별도의 조직과 문화, 다양한 전문 인력이 필요하다는 판단이 약 2021년 Isomorphic Labs 설립으로 이어졌다 [03:03]

2. 컴퓨터 비전 연구와 창업에서 DeepMind로 이동하다

• 제이더버그는 AlexNet 등장 이전에 컴퓨터 비전 박사과정을 시작했고, 이후 합성곱 신경망을 옥스퍼드의 연구에 적용했다. 당시 연구 성과에는 2014년 ImageNet 우승 네트워크와 객체 인식·문자 검출 기술이 포함됐다 [04:07]
• 컴퓨터 비전을 서비스로 제공하는 회사를 창업한 뒤 투자 유치를 위해 데미스에게 연락했다. 엔젤 투자를 구하던 대화가 DeepMind 합류 제안으로 이어졌다 [04:57]

3. 지식과 치료 수단의 증가가 신약 생산성 향상으로 연결되지 않다

• 진행자는 연간 신약 승인 수가 대체로 정체된 반면, 과학 논문 수는 비교 기간에 10~20배 증가하고 항체·소분자·단백질·펩타이드 등 치료 수단도 다양해졌다는 불균형을 지적한다 [05:35]
• 진행자가 제시한 추산에서는 신약 한 개의 개발비가 수억 달러 수준에서 약 15억 달러로, 개발 기간은 8~9년에서 15년으로 늘었다. 지식과 설계 수단의 확대만으로 개발 효율이 개선되지는 않았다는 문제다 [06:03]

4. 경험적 시행착오가 탐색할 수 있는 약물의 복잡도를 제한하다

• 의약품 개발은 우연한 발견에서 출발해 점차 정교해졌지만, 여전히 질병과 분자에 관한 가설을 실제로 만들고 시험하는 반복 과정에 크게 의존한다. 아스피린과 파라세타몰도 작용 원리를 충분히 알기 전부터 사용한 사례다 [06:44]
• 세포는 복잡하고 고차원적인 시스템이며, 소분자·항체·펩타이드 설계 역시 조합 가능한 경우의 수가 방대하다. 시행착오와 스크리닝만으로는 제한된 시간과 예산 안에서 찾을 수 있는 해법의 복잡도에 한계가 생긴다 [07:44]

5. 개별 신약의 학습을 공통 플랫폼에 축적해야 규모의 이점이 생기다

• 산업의 노후화와 관료화에 관한 문제 제기에 대해, 제이더버그는 혁신 속도를 유지하는 문화와 연구개발에서 규모의 경제를 만드는 구조가 중요하다고 본다. 한 약물에서 얻은 학습이 다음 약물의 개발 속도를 높여야 성과가 누적될 수 있다 [08:48]
• 기존 개발 방식은 각 약물을 개별적인 최전선 과학 프로젝트로 다루는 경향이 있다. 특정 과제에서 많은 것을 배워도 다음 과제에 그대로 이전할 수 있는 지식은 제한적일 수 있다 [10:31]

6. AI와 생물학 전문가를 결합해 내부에서 융합 역량을 만들다

• 최첨단 AI와 신약 개발의 결합은 역사가 짧아 완성된 융합 전문가를 외부에서 구하기 어렵다. Isomorphic Labs는 생명과학 경험이 없는 AI 연구자와 AI 경험이 적은 생물학·화학 전문가도 채용하고, 서로 배우는 문화를 통해 융합 전문성을 키운다 [12:03]
• 핵심 모델 개발팀에서는 AI 연구자·엔지니어 약 5명에 도메인 전문가 1명 정도의 구성이 자사 팀과도 비슷하다고 보여준다. 도메인 전문가는 데이터의 특성과 평가 지표를 해석하고, 지표 개선이 실제 의약품 개발에 도움이 되는지 판단한다 [13:31]

7. 실험 수준의 예측 정확도로 약물 설계를 컴퓨터 안으로 옮기다

• 핵심 목표는 신약 탐색·설계와 질병 생물학 이해를 컴퓨터에서 수행하는 것이다. 실제 분자를 합성하고 실험으로 측정하는 과정이 큰 시간·비용 병목이므로, 다른 공학 분야의 컴퓨터 지원 설계와 같은 전환을 추구한다 [14:48]
• AlphaFold처럼 단백질 구조와 상호작용을 예측할 수 있다면, 구조를 얻기 위해 수개월이나 수년이 걸리는 실험의 일부를 대신할 수 있다. 같은 접근을 신약 개발을 구성하는 여러 과학·공학 문제로 넓히려 한다 [16:02]

8. 임상 실패를 줄이려면 결합 예측을 넘어 생물학적 영향을 이해해야 하다

• 신약은 후보 발굴과 전임상 동물시험을 거쳐 임상 1·2·3상으로 진행한다. 평균 개발비가 높은 중요한 이유는 많은 후보가 실패하며, 특히 임상 단계에서 실패가 발생하기 때문이다 [17:52]
• 환자 투여 뒤 예상하지 못한 독성이 드러나거나, 의도한 표적 외의 다른 표적에 작용할 수 있다. 의도한 표적을 정확히 조절해도 그 작용 자체가 해로운 영향을 낳을 수 있다 [18:24]

9. 기존 데이터의 편향을 보완하려면 일반화에 맞는 데이터를 생성해야 하다

• 공개 저장소와 제약사 내부에는 유용한 데이터가 있지만, 상당수는 오랜 의약품 개발 활동의 부산물로 축적됐다. 이런 데이터는 기존 연구 선택을 반영해 편향될 수 있다 [19:34]
• 범용 신약 개발 모델에 필요한 데이터 분포는 기존 저장소의 분포와 다를 수 있다. Isomorphic Labs는 필요한 데이터를 직접 생성하며, 그 과정에서 데이터 규모 증가에 따른 성능 향상 양상을 관찰했다고 보여준다 [20:14]

10. 동물시험의 한계를 인간 조직 기반 실험과 AI로 보완하다

• 생쥐에서 암 치료 효과를 보인 분자가 사람에게는 효과가 없거나, 동물에서 독성 검증을 통과한 약물이 사람에게 독성을 나타내는 문제가 있다. 제이더버그는 연구에 따라 다르다는 전제 아래, 쥐의 인간 임상 독성 예측력을 약 30%로 언급한다 [20:30]
• 인간 독성 예측을 개선할 후보로 시험관 내 측정값, AI 예측 모델, 오가노이드·장기칩·합성 인간 조직의 결합을 제시한다. 인간 장기의 일부 환경을 재현하는 실험 기술을 함께 활용하자는 접근이다 [21:45]

11. AI 엔진은 내부에서 개발하고 실험 데이터는 다양한 협력으로 확보하다

• 약물 설계 엔진과 AI 모델은 모두 내부에서 개발한다. 독자적인 데이터를 생성하고 직접 보유하는 데에도 큰 기회가 있다고 본다 [23:16]
• 생물학과 실험 플랫폼은 복잡하고 세분화돼 있어 자체 실험뿐 아니라 위탁연구기관인 CRO와 다른 혁신 기업도 활용한다. 모델에 필요한 데이터는 이런 다양한 경로로 확보한다 [23:31]

12. 자동화로 반복 시간을 줄이되 물리적 대기 시간은 계산으로 줄이려 하다

• 자동화 실험실과 로봇 기술은 현실에서의 반복 속도를 높이며, Isomorphic Labs도 이런 실험실과 오랫동안 협력해 왔다. 다만 분자 합성 반응이나 세포 배양에는 반드시 기다려야 하는 물리적 시간이 있다 [24:45]
• 자동화를 개선하는 동시에 예측 작업을 컴퓨터로 옮겨, 현실에서 학습하고 반복하는 시간을 줄이려 한다. 실제 실험에 들어갈 때는 계산으로 얻은 가설을 검증하는 비중을 높이는 것이 목표다 [25:35]

13. 모델 판매 대신 자체 신약과 제약사 공동 개발에 엔진을 활용하다

• Isomorphic Labs는 모델이나 사용 토큰을 판매하거나 모델을 외부에 라이선스하는 대신, 내부에서 엔진을 사용해 의약품을 개발한다. 자체 소유·자금으로 진행하는 파이프라인과 제약사·바이오텍 협력 프로그램을 병행한다 [26:27]
• 협력사는 특정 질병에 대한 전문성과 아이디어를 제공하며, 때로는 10~20년 동안 진전이 더뎠던 문제를 가져온다. 제이더버그는 이런 난제에서 자사 설계 엔진과 협력사의 역량을 결합해 진전을 만들 수 있다고 본다 [26:58]

14. 종양학·면역학·염증에 집중하면서 여러 적응증에 영향을 주는 문제를 겨냥하다

• 내부 파이프라인은 종양학, 면역학, 염증에 집중한다. 반면 설계 엔진은 특정 질병이나 표적 종류, 약물 모달리티에 한정되지 않고 여러 유형에 적용하도록 구성한다 [27:23]
• 내부 과제에서는 하나의 해결책이 여러 후속 적응증과 많은 환자에게 도움을 줄 수 있는 근본적인 문제를 겨냥하려 한다. 면역학과 염증은 서로 밀접하게 연결된 영역으로 본다 [27:44]

15. 암의 공통 구동 기전은 큰 기회지만 정밀한 조절과 변이가 난제로 남다

• 암은 환자마다 매우 다양한 형태로 나타나는 복잡한 질병이지만, 여러 암에 공통으로 작용하는 핵심 구동 기전이 있을 수 있다. 이런 공통 기전을 겨냥하면 다양한 환자에게 영향을 줄 가능성이 있다 [28:13]
• Revolution Medicines의 RAS 계열 억제제가 진행성 췌장암 환자에게 큰 개선을 보였다는 사례를 근본적인 기전 공략의 예로 든다. 해당 성과가 암 학회에서 기립박수를 받았다고 언급한다 [28:31]

16. 복합요법의 가능성을 제한하는 독성과 약물 상호작용

• HIV에서는 여러 약물을 함께 사용하는 방식이 바이러스 억제에 기여한다. 암에서도 종양 내부의 다양한 돌연변이를 동시에 억제해야 치료를 회피하는 세포가 살아남아 증식하는 문제에 대응할 수 있다 [29:52]
• 효과가 있는 약물도 독성이나 간에 미치는 영향 때문에 병용하기 어려울 수 있다. 약물 간 상호작용은 환자에게 해로울 수 있고, 조합이 늘수록 제한된 환자 수로 임상시험을 수행하기도 복잡해진다 [30:48]

17. 환자 안전과 질환별 위험 감수 수준의 조정

• 안전성만을 절대 기준으로 삼기보다 치료 편익과 위험을 함께 평가하고, 경우에 따라 위험을 감수해야 한다는 주장이 제기된다. 이에 대해 제이더버그는 환자 안전을 항상 중심에 두되 질환마다 환자가 받아들일 수 있는 위험이 다르다고 본다 [32:43]
• 코로나19처럼 위험이 광범위하고 큰 상황이나 치료 선택지가 적은 말기 암에서는 위험 감수 수준이 달라질 수 있다. 만성적인 경증 염증과 같은 질환에는 다른 기준이 필요하며, 환자의 필요에 맞춰 안전성과 신속한 치료 접근을 함께 고려해야 한다 [33:36]

18. 첫 임상시험의 불확실성과 향후 5년의 도구 발전

• 첫 임상시험의 구체적인 날짜는 제시하기 어렵다. 개발 중인 약물은 긍정적으로 진행되고 있으며, 환자에게 최대한 빨리 전달하기 위해 임상개발팀을 확충하고 있다 [34:47]
• 향후 5년에는 질병 생물학을 예측하는 능력과 더 정밀하고 독성이 낮은 분자를 설계하는 능력이 크게 도약하기를 기대한다. 이는 암의 일정 비율을 치료할 수 있게 되는 시점에 대한 확정적인 예측은 아니다 [35:23]

19. 주요 질환 치료와 노화 개입이 수명에 미칠 영향

• 진행자는 암과 심장병을 없애더라도 평균 수명 증가가 5년인지 7년인지 정확히 기억하지 못한다고 전제한다. 주요 사망 원인을 제거하는 효과가 크면서도 제한적일 수 있다는 점에서, 노화 자체를 다루는 접근의 필요성을 묻는다 [36:06]
• 진행자는 특정 유전자나 경로를 억제했을 때 선충·초파리·생쥐에서 수명이 20~30% 늘거나, 선충에서는 세 배까지 늘어나는 사례를 근거로 든다. 이를 인간의 수명 연장에 어떻게 연결할 수 있을지는 질문으로 남는다 [36:37]

20. 건강수명 개선과 노화의 근본 원인 공략

• 노화에 따른 만성적인 문제는 신체 시스템의 점진적인 퇴화와 함께 누적된다. 뼈와 근육의 약화, 낙상, 이동성 저하가 정신건강에도 영향을 주면, 오래 살더라도 마지막 10~20년의 삶의 질이 낮아질 수 있다는 점에서 수명과 건강수명을 구분해야 한다 [37:53]
• 진행자는 노화를 늦춘 실험 모델에서는 건강한 성체로 지내는 기간도 함께 늘어난다고 주장한다. 수명과 건강수명을 동시에 연장할 가능성이 인간에게도 적용될 수 있는지가 핵심 질문이다 [38:14]

🧾 결론

• 핵심 가설은 계산으로 탐색 범위를 넓히고 실제 실험을 더 정교한 가설 검증에 집중하면 개발 효율을 높일 수 있다는 것이다.
• 장기적인 플랫폼 가치는 개별 과제의 성공과 함께, 그 학습이 다음 과제의 설계와 예측을 얼마나 개선하는지에 달려 있다.
• 실험 정확도는 내부 목표이며, 성공률·안전성 개선을 통계적으로 입증하는 일은 앞으로의 과제다. 향후 5년에 대한 기대도 특정 질환의 치료 시점을 확정하는 예측은 아니다.
• 주요 질환의 개선과 노화의 근본 원인 공략은 건강수명을 늘리는 접근으로 함께 추진할 수 있지만, 인간에서의 실제 연장 효과는 확인해야 한다.

📈 투자·시사 포인트

• 성과 판단의 기준: 모델 평가 지표의 개선이 실제 합성·시험의 성공률, 개발 기간, 임상 성과로 이어지는지 살펴볼 필요가 있다.
• 학습 축적의 가치: 자체 데이터 생성과 공통 모델이 후속 과제의 성능을 개선한다면 연구개발 규모의 이점이 생길 수 있다. 과제 간 학습 이전의 실증이 중요하다.
• 사업모델의 평가: 모델 사용량이나 라이선스 판매보다 자체 파이프라인과 공동 개발의 진척이 사업 성과를 이해하는 핵심 단서다.
• 주변 기술의 역할: 인간 조직 기반 실험, CRO, 자동화 실험실은 모델에 필요한 데이터와 검증을 제공한다. 자동화로도 없애기 어려운 합성·배양 시간이 있어 계산 예측과의 결합이 중요하다.

⚠️ 불확실하거나 확인이 필요한 부분

• 개발비 약 15억 달러와 개발 기간 15년 등의 수치는 진행자가 제시한 추산이다. 비교 시기, 집계 범위, 실패 비용의 포함 여부는 제공 자료만으로 확인할 수 없다.
• 쥐의 인간 임상 독성 예측력 약 30%라는 언급에는 연구에 따라 다르다는 전제가 있다. 모든 동물시험이나 독성 평가에 공통으로 적용할 수 있는 수치로 해석하기 어렵다.
• 실험 수준의 정확도와 임상 성공률 개선은 지향점이다. 제공 자료에는 이를 일반적으로 입증하는 구체적인 비교 결과가 없고, 데이터 증가에 따른 성능 향상도 정량적으로 제시되지 않았다.
• 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

• 개발비·개발 기간·동물시험 예측력 수치는 인용 전에 원자료와 적용 범위를 확인한다.
• 후속 발표에서 첫 임상시험 일정, 대상 질환, 안전성·효능 결과가 공개되는지 확인한다.
• 모델 성능을 볼 때 평가 지표와 실제 합성·실험 결과를 구분하고, 실험 반복 횟수나 개발 시간의 감소가 제시되는지 확인한다.
• 공통 플랫폼의 효과를 판단할 때 한 과제의 학습이 다른 질병·표적·약물 유형의 성능 개선으로 이어졌는지 살펴본다.

❓ 열린 질문

• 실험 수준의 예측 정확도를 어떤 과제와 평가 지표에서 먼저 달성할 수 있으며, 새로운 표적과 분자에도 일반화할 수 있을까?
• 제한된 인간 임상 데이터를 조직 기반 실험과 자체 생성 데이터로 보완할 때, 실제 인간 독성을 얼마나 정확히 예측할 수 있을까?
• 과제별 학습의 축적은 후속 신약의 개발 기간과 실패율을 얼마나 줄일 수 있을까?