AI를 활용한 연구개발 파이프라인 전반의 신약 개발: 가상 바이오기술의 가능성과 한계
다중 에이전트 AI가 다양한 분야의 과학 팀처럼 신약 개발 관련 증거를 체계화합니다 | LuTra Studio
인공지능 기반 신약 개발의 진정한 병목 현상은 종종 더 빠른 모델의 부재에 있는 것이 아닙니다. 오히려 논문, 임상 시험, 오믹스, 약리학 및 안전성 데이터에 흩어져 있는 증거를 실행 가능한 개발 결정으로 전환하는 데 어려움이 있습니다. 바로 이 때문에 이번 연구가 LuTra Studio에 중요합니다. 인공지능이 마치 여러 분야의 과학 팀처럼 업무를 조율할 수 있게 된다면, 분석 속도를 넘어 제약 회사가 표적을 선택하고, 실험을 할당하고, 프로그램을 진행할지, 방향을 바꿀지, 아니면 중단할지 결정하는 방식에까지 영향을 미칠 수 있기 때문입니다.
만약 37,075명의 AI "임상 개발 과학자"가 수만 건의 임상 시험을 검토하고, 논문과 회사 공개 자료를 검색하고, 그 결과를 분석 가능한 데이터 세트로 변환하는 데 6시간밖에 걸리지 않는다면, 과학자가 더 이상 필요 없는 바이오테크 회사가 이미 존재하게 될까요?
아직 아님.
2026년 9월, 과학 저널 사이언스(Science)는 "가상 바이오테크: 치료제 발굴 및 개발을 위한 다중 에이전트 AI 프레임워크"라는 논문을 발표했습니다. 이 연구에서 가장 중요한 점은 AI 시스템이 또 다른 생물정보학 작업을 완료했다는 사실이 아닙니다. 저자들이 초기 단계 신약 연구 개발의 조직 구조 자체를 재설계하려고 시도했다는 점입니다.
가상 생명공학 시스템은 하나의 범용 모델에 의존하는 대신, 통계 유전학자, 단일 세포 과학자, 약리학자, 안전 담당자, 임상 개발 전문가와 유사한 역할을 수행하는 여러 담당자를 배정합니다. 가상 최고 과학 책임자가 이들의 업무를 총괄하고, 별도의 검토자가 방법론과 결론을 검증합니다.
이는 인공지능이 독자적으로 신약을 발명하고 개발할 수 있다는 증거가 아닙니다. 오히려 증강된 생명공학 기술로 이해하는 것이 더 적절합니다. 인간은 질문을 정의하고 결정에 대한 책임을 지는 반면, 인공지능은 검색, 분석 및 검증 가능한 가설로 전환할 수 있는 증거의 양을 확장합니다.
버추얼 바이오테크는 단일 모델이 아니라 조직입니다.
많은 AI 기반 신약 개발 플랫폼은 단백질 구조 예측, 분자 생성, ADME 특성 추정 또는 표적 순위 지정과 같은 제한된 작업에 집중합니다. 하지만 버추얼 바이오테크는 다른 접근 방식을 취합니다. 치료제 연구 개발 조직의 다기능 구조를 모방하도록 설계되었습니다.
시스템의 최상위에는 가상의 최고과학책임자(CSO)가 있습니다. CSO는 데이터를 직접 분석하지는 않습니다. 사용자의 의도를 명확히 하고, 연구 질문을 세분화하며, 각 구성 요소를 전문 과학자들에게 위임합니다. 참모장은 현장 브리핑을 준비하고 이용 가능한 증거를 정리합니다. 그런 다음 과학 검토자는 분석 결과가 원래 질문에 대한 답을 제공하는지, 주장이 뒷받침되는지, 그리고 추가 연구가 필요한 부분은 어디인지 검토합니다.
해당 에이전트는 Open Targets, CELLxGENE, ClinicalTrials.gov, PubMed, cBioPortal을 비롯한 다양한 리소스와 약리학, 상호작용, 안전성 데이터베이스에 접근할 수 있습니다. 논문에 기술된 버전에서는 10개의 Model Context Protocol 서버를 구축하여 100개 이상의 분석 도구를 제공했습니다. 현재 공개 저장소 문서에는 12개의 서버가 등록되어 있으며, 이는 시스템의 지속적인 개발을 반영합니다.
핵심적인 혁신은 단순히 에이전트 수의 증가에 있는 것이 아닙니다. 전문성, 출처 추적, 그리고 명확한 검증 기능의 결합에 있습니다. 이 플랫폼은 다학제 연구팀의 암묵적인 워크플로를 검증 가능한 증거 및 분석 체계로 전환하고자 합니다.
인공지능 기반 신약 개발은 개발 파이프라인 전반에서 어떤 역할을 할까요?
약물 치료 프로그램은 대략 9개의 상호 작용하는 단계를 거칩니다.
질병 생물학 및 미충족 의료 수요를 정의하십시오.
목표를 파악하고 우선순위를 정하십시오.
목표의 유효성을 검증하고 초기 안전성을 평가합니다.
치료 방법을 선택하세요
유효 후보 물질, 단서 또는 생물학적 구조를 발견하세요.
잠재 고객을 최적화하고 개발 후보자를 추천하세요.
임상시험계획승인(IND)에 필요한 약리학, 독성학, 약물동태학(DMPK), 제형 및 화학·관리·생산(CMC) 연구를 완료합니다.
1상~3상 임상 개발을 수행합니다.
규제 검토, 출시 및 제품 수명 주기 관리를 진행하세요.
가상 생명공학은 현재 초기 표적 및 치료 방식 결정에 가장 직접적으로 기여하고 있습니다 | LuTra Studio
현재의 가상 생명공학 시스템은 1단계부터 4단계까지 가장 직접적으로 유용하게 활용될 수 있습니다. 이 시스템은 인간 유전학, 단일 세포 및 공간 오믹스, 경로, 기존 약물, 임상 시험 및 안전성 증거를 통합하여 질병-표적 증거 지도를 구축하고, 표적을 비교하고, 잠재적인 표적 독성을 표시하고, 위치, 구조적 용이성, 알려진 결합체 및 임상 선례를 기반으로 치료 방식을 순위화할 수 있습니다.
이 플랫폼은 5단계와 8단계 임상시험에 필요한 의사결정 정보를 제공할 수 있습니다. 예를 들어, 알려진 소분자나 항체를 찾거나, 경쟁 물질을 분석하거나, 임상 실패 사례를 검토하거나, 바이오마커 또는 평가변수의 논리를 검증하는 데 활용될 수 있습니다. 하지만 이는 분자를 설계하거나, 제품을 제조하거나, 임상시험을 진행하는 것과는 다릅니다. 논문과 프로젝트 문서에서는 이 플랫폼을 인간의 판단에 기반한 의사결정 지원 시스템으로 설명하고 있습니다. 분자 설계, 가상 스크리닝, 독성 예측, 그리고 더욱 포괄적인 임상 의사결정 지원 시스템은 향후 개발 영역으로 남아 있습니다.
6단계부터 9단계까지의 많은 부분은 현재 시스템의 범위를 벗어납니다. 이 시스템은 의약화학, 단백질 공학, DMPK, GLP 독성학, 제형, 공정 개발, 분석 관리, GMP 제조, 임상시험 운영 또는 규제 기관 제출을 수행하지 않습니다. 이 시스템의 정당한 역할은 새로운 증거를 생성하는 실험 및 임상 시스템을 대체하는 것이 아니라, 차기 실험 선택을 개선하는 데 있습니다.
어떤 방식이 적용되나요? 하나 이상 적용되지만, 깊이는 동일하지 않습니다.
본 논문에서 제시된 기능을 바탕으로, 표적 중심 플랫폼은 소분자, 단클론 항체, 항체-약물 접합체 평가에서 가장 직접적인 효과를 입증합니다. 또한, 표적 단백질 분해제 또는 PROTAC을 접근성 및 치료 방식 선택 수준에서 비교할 수 있습니다. B7-H3의 경우, 이 시스템은 표면 국소화, 기질 발현, 결합체 관련 정보를 통합하여 ADC의 우선순위를 정했습니다. 중요한 것은, 알려진 결합체가 없다는 것은 증거의 공백일 뿐, 다른 치료 방식이 결코 효과가 없다는 것을 의미하지는 않는다는 점입니다.
현재 아키텍처를 기반으로 할 때, siRNA, 안티센스 올리고뉴클레오티드, mRNA를 포함한 RNA 치료제는 물론 유전자 치료, 유전자 편집, 세포 치료, 방사성 의약품, 펩타이드 및 기타 단백질 치료제 또한 상류 질병 및 표적 증거의 이점을 누릴 수 있습니다. 그러나 해당 논문은 이러한 프로그램에 대한 치료 방식별 워크플로우를 검증하지 않았으며, 현재의 도구는 전달 설계, 구조 엔지니어링, 면역원성, 생체 분포, 페이로드, 벡터, 세포 제조 또는 CMC 작업을 대체할 수 없습니다. 이 아키텍처는 각 치료 방식을 동등하게 지원하지 않더라도 여러 치료 방식에 걸쳐 확장 가능할 수 있습니다.
현재 데이터와 도구 활용 범위를 기준으로 볼 때, 이 플랫폼은 분자 표적이 명확하게 정의되지 않은 표현형 연구, 복합 혼합물 및 미생물군 개입, 병원체 중심 백신, 조직 공학, 수의학 치료제에는 적합하지 않습니다. 본 논문은 병원체 연구 및 수의학 응용 분야에서의 제약을 명시적으로 지적하고 있으며, 다른 범주들은 인간 대상의 표적 중심 조기 치료 아키텍처에서 도출된 추론일 뿐, 다중 에이전트 방법론 자체의 근본적인 한계는 아닙니다.
첫 번째 신호: 단일 세포 정보가 표적 우선순위 설정을 개선할 수 있다.
첫 번째 사례 연구에서는 55,984건의 임상 시험 결과를 종합했습니다. 37,075건의 2상 및 3상 연구에 대해 연구진은 NCT-ID당 한 명의 담당자를 배정하는 워크플로를 사용했습니다. 각 임상 시험 담당자는 ClinicalTrials.gov, PubMed를 검색했으며, 필요한 경우 기업 또는 규제 기관의 공개 자료를 참조했습니다.
100개의 표본 임상시험을 수동으로 검토한 결과, 1차 평가변수와 2차 평가변수 모두에서 사람의 주석과 88.4%의 일치율을 보였습니다(각각 적용 가능한 86개 임상시험 중 76개). 이상반응 통계가 정확하게 보고된 임상시험 중에서는 일치율이 92.4%(66개 중 61개)였습니다. 수동으로 선별된 다른 데이터 세트와 중복되는 7,666개의 임상시험에서 1차 결과에 대한 일치율은 85.6%였습니다. 이러한 수치는 완벽하지는 않지만, 에이전트 기반 데이터 선별이 수동으로는 달성하기 어려운 규모의 유용한 초기 데이터 세트를 생성할 수 있음을 보여줍니다.
이 시스템은 임상 결과와 약물 표적의 단일 세포 발현 특성을 연결했습니다. 세포 유형별 표적에 작용하는 약물은 4상 임상시험에 도달할 가능성이 48% 더 높았고, 1상에서 2상으로 진행될 가능성도 약 40% 더 높은 것으로 나타났습니다. 또한 이러한 표적을 사용한 임상시험에서는 평균적으로 부작용 발생률이 32% 더 낮았습니다. 이러한 연관성은 유전적 증거, 개발 단계, 등록 연도, 질병 영역 및 약물 작용 방식을 고려하여 조정한 후에도 유의미하게 유지되었습니다.
세포 유형 특이성은 표적 우선순위 설정 및 치료 가능 범위 평가에 도움이 될 수 있습니다 | LuTra Studio
생물학적 직관은 타당합니다. 특정 세포 집단에만 국한된 표적은 더 넓은 치료 범위를 제공할 수 있는 반면, 필수 조직 전반에 걸쳐 광범위하게 발현되는 단백질은 표적 독성 위험이 더 클 수 있습니다.
하지만 이는 관찰을 통해 밝혀진 연관성일 뿐 인과관계를 입증하는 것은 아닙니다. 적응증 선정, 스폰서의 질, 평가변수 설계, 검사 방식, 논문 발표 또는 등록 패턴 등 여러 요인이 결과에 영향을 미칠 수 있습니다. 따라서 세포 유형 특이성은 포트폴리오 결정의 독립적인 기준이 아니라, 목표 근거의 한 구성 요소로 간주해야 합니다.
B7-H3: 유전적 지지도가 약하다고 해서 치료적 가치가 없다는 의미는 아닙니다.
두 번째 사례 연구에서는 CD276으로도 알려진 B7-H3가 폐선암 및 소세포폐암에서 신뢰할 만한 치료 표적인지 여부를 조사했습니다.
통계 유전학 분석가는 초기에는 B7-H3 유전자좌와 폐암을 연결하는 생식세포 유전학적 근거가 거의 없다는 사실을 발견했습니다. 단순한 증거 위계질서만 적용했다면 해당 표적의 중요도가 즉시 낮아졌을 수도 있습니다. 그러나 가상 최고과학책임자(CSO)는 중요한 점을 지적했습니다. 즉, 유전적 위험 변이가 제한적인 근거만을 제공하더라도 종양 표적은 체세포 종양 생물학과 종양 미세환경으로부터 치료적 관련성을 도출할 수 있다는 것입니다.
단일 세포 분석 결과, B7-H3 발현 증가는 세포 유형에 따라 균일하지 않았으며, 특히 암 관련 섬유아세포에서 두드러지게 나타났습니다. 세포 간 소통 분석을 통해 B7-H3 발현이 높은 섬유아세포가 면역 억제 신호 전달, 골수 재프로그래밍 및 혈관 신생에 관여할 수 있음을 시사했습니다.
과학 검토자는 중요한 한계를 지적했습니다. 분리된 단일 세포 데이터는 조직의 지리적 분포를 보존하지 못하므로 공간적 면역 배제 표현형을 확립할 수 없다는 것입니다. 이에 대응하여 시스템은 공간적 전사체 데이터를 분석했습니다. B7-H3 발현이 높은 영역은 주변의 T 세포, 대식세포, 단핵구 및 수지상 세포의 수가 적었으며, 가장 가까운 공간적 인접 영역에서 이러한 세포의 감소가 가장 두드러지게 나타났습니다.
폐선암 환자 477명의 데이터를 분석한 결과, 높은 B7-H3 발현은 전체 생존율 및 무병 생존율 저하와 관련이 있는 것으로 나타났습니다. 표면 국소화, 기질 발현, 공간적 면역 배제 및 임상 결과를 통합적으로 고려한 결과, 항체-약물 접합체가 최적의 선택으로 제시되었습니다. 이러한 접근 방식의 근거는 B7-H3 양성 세포에 대한 약물 전달, 주변 음성 종양 세포에 대한 간접 효과, 그리고 종양을 지지하는 기질 미세환경의 잠재적 교란 등을 포함합니다.
이는 기계론적으로 타당한 가설이지만, 여전히 가설에 불과합니다. 공간적 연관성이 B7-H3가 면역 배제를 유발한다는 것을 입증하는 것은 아니며, 예후적 연관성이 해당 표적을 차단하는 것이 환자 예후를 개선한다는 것을 증명하는 것도 아닙니다.
OSMR: 바이오마커가 반드시 치료의 동인인 것은 아닙니다.
세 번째 사례 연구에서는 중등도에서 중증 궤양성 대장염 환자를 대상으로 온코스타틴 M 수용체 베타 소단위를 표적으로 하는 항체인 빅사렐리맙의 2상 MOONGLOW 임상시험을 후향적으로 분석했습니다. 이 연구는 중간 무효성 분석 결과 1차 평가변수를 달성할 가능성이 낮다고 판단되어 조기 종료되었습니다.
이전 연구에서는 치료에 반응하지 않는 궤양성 대장염에서 OSMR 발현이 증가하고 항TNF 치료에 대한 반응이 없다는 점이 밝혀졌습니다. 따라서 OSMR을 선택하는 데에는 충분한 근거가 있었습니다. Virtual Biotech은 더 어려운 개발 질문을 제기했습니다. OSMR이 지속적인 염증의 주요 원인인지, 아니면 주로 치료 저항성 세포 상태를 나타내는 지표인지에 대한 질문이었습니다.
이 시스템은 비반응자의 여러 섬유아세포 집단에서 OSMR 발현이 증가하고 STAT1 활성이 높은 상태로 유지됨을 확인했습니다. 그러나 OSMRβ 신호는 gp130 또는 IL6ST를 포함하는 수용체 복합체와 여러 IL-6 계열 수용체를 통해 전달되며, 이 신호들은 모두 동일한 하위 JAK-STAT 경로로 수렴합니다.
분산 분해 분석 결과, OSMR은 대부분의 관련 기질 세포 유형에서 STAT1 활성의 가장 큰 부분을 설명하지 못하는 것으로 나타났습니다. 따라서 OSMR을 차단하면 여러 병렬 입력 중 하나만 차단될 뿐, 공통적인 하위 염증 프로그램은 활성화된 상태로 남을 수 있습니다.
바이오마커는 근본적인 경로를 제어하지 않고도 질병 상태를 식별할 수 있습니다 | LuTra Studio
이러한 결과를 바탕으로, 해당 시스템은 10개 유전자 gp130 축 점수를 도출했습니다. 4개의 외부 궤양성 대장염 코호트에서, 이 복합 점수는 OSMR 발현량 단독보다 치료 반응자와 비반응자를 더 효과적으로 구분했습니다.
더 넓은 관점에서 보면 신약 개발에 중요한 교훈은 다음과 같습니다. 바이오마커는 질병 상태를 식별할 수는 있지만, 그 상태를 제어할 수는 없습니다. 발현량이 증가했다고 해서 반드시 해당 분자가 신호 전달 경로를 장악했다는 의미는 아니며, 하나의 수용체를 차단한다고 해서 중복되는 신호 전달 네트워크 전체가 차단되는 것도 아닙니다.
이 분석은 여전히 회고적인 분석입니다. 이는 임상시험 결과에 대한 그럴듯한 메커니즘을 제시하는 것이지, 경로 중복이 실패의 유일한 원인이었다는 확정적인 증거를 제공하는 것은 아닙니다.
그 논문은 실제로 무엇을 입증했는가?
가상 생명공학은 세 가지 의미 있는 기여를 합니다.
첫째, 이 플랫폼은 다양한 규모 분석을 위한 활성화 에너지를 낮춥니다. 이전에는 유전학, 단일 세포 생물학, 공간 생물학, 약리학 및 임상 개발 전문가 간의 협업이 필요했던 작업을 이 플랫폼을 통해 더욱 신속하게 초기 증거 지도를 생성할 수 있습니다.
둘째, 분석 과정을 보존합니다. 데이터 출처, 코드, 중간 출력물 및 추론 과정을 검토할 수 있습니다. 따라서 설득력 있는 문단만 반환하는 인터페이스보다 과학적으로 훨씬 더 유용한 시스템입니다.
셋째, 비판을 아키텍처의 일부로 취급합니다. B7-H3 사례에서 검토 에이전트는 단일 세포 분석에 공간적 맥락이 부족하다는 것을 인식하고 공간-전사체 후속 분석을 촉발했습니다. 이는 오류를 완전히 제거하지는 못하지만, 명확한 이의 제기와 증거 확장을 워크플로의 일부로 만듭니다.
이 연구는 자율적인 신약 개발 파이프라인을 입증하지 못했습니다. 해당 시스템은 실험실 실험을 수행하거나, 분자를 합성하거나, 동물 실험을 진행하거나, 표적 추천이 임상 성공률을 향상시킨다는 것을 사전에 보여주지 못했습니다. 네 명의 전문가가 각각 두 건씩, 총 여덟 건의 분석을 재실행하여 시스템과 일관된 결론에 도달했습니다. 이는 재현성 검증으로서 가치 있는 결과이지만, 평가 규모에는 한계가 있습니다.
이 플랫폼은 공개 데이터가 풍부한 특정 질병 중심 연구에서 가장 강력한 성능을 발휘합니다. 하지만 희귀 질환, 연구 대상 인구 및 조직이 적은 경우, 표적 유전자에 대한 주석이 부족한 경우, 그리고 유용한 인간 유전학 데이터나 단일 세포 데이터가 부족한 연구 질문의 경우에는 결과 도출 능력이 떨어질 수 있습니다. 또한 언어 모델은 훈련 데이터에서 이미 두드러지게 나타나는 가설에 편향될 가능성이 있습니다.
자동화, 인공지능, 그리고 과학적 전문 지식 중 여전히 필요한 것은 무엇일까요?
증거 기반 시스템을 실제 신약 개발 파이프라인에 연결하려면 최소한 세 가지 추가적인 단계가 필요합니다.
신뢰할 수 있는 신약 연구 개발에는 AI, 실험실 자동화, 그리고 인간 과학자 간의 폐쇄형 시스템이 필수적입니다 | LuTra Studio
첫째는 실험실 및 데이터 자동화입니다. 전자임상기록부(ELN), 임상정보관리시스템(LIMS), 기업 데이터 레이크, 샘플 및 분석 메타데이터는 버전 관리, 접근 제어, 품질 검사 및 완벽한 출처 추적 기능을 통해 연결되어야 합니다. 그런 다음 고처리량 분석 및 로봇 실험실을 통해 설계-제작-테스트-분석의 순환 구조를 구축해야 합니다. 신뢰할 수 있는 실험적 피드백이 없다면, 관련 물질들은 기존의 공개된 증거를 통해 더욱 빠르게 확산될 뿐입니다.
두 번째는 전문화된 AI입니다. 신약 개발 프로그램에는 분자 및 구조 설계, 친화도 및 선택성, ADME, PK/PD, 독성, 비표적 활성, 면역원성, 생체 분포에 대한 모델이 필요합니다. 임상 개발에는 프로토콜 설계, 환자 분류, 임상시험기관 선정, 실제 임상 데이터, 약물동태학이 추가되며, CMC, 공정 개발, 규제 문서 작성에는 각각 추적 가능한 시스템이 필요합니다. 각 모델은 하나의 보편적인 "AI 점수"가 아니라, 명확하게 정의된 사용 맥락, 유효성 범위, 그리고 실패 조건을 필요로 합니다.
세 번째 계층은 여전히 인간의 전문 지식으로 구성됩니다. 질병 생물학자와 중개 과학자들은 작용 기전을 해석하고, 의약 화학자, 단백질 공학자, 제형 과학자들은 가설을 후보 물질로 전환합니다. DMPK, 독성학, 약물동태학, 생물통계학, 임상, CMC, 품질 및 규제 팀은 증거가 진행을 정당화하는지 여부를 판단합니다. AI 엔지니어와 데이터 관리자는 모델 평가, 관리, 보안 및 모니터링에 필요합니다. 과학자들이 사라지는 것이 아니라, 그들의 업무는 반복적인 데이터 검색에서 문제 정의, 예외 처리, 실험 설계 및 책임 이행으로 전환됩니다.
제약 산업에 미치는 영향은 분명하지만, 과장해서는 안 됩니다.
가장 즉각적인 영향은 더욱 빠르고, 광범위하며, 검증 가능한 대상 기업 실사, 경쟁사 정보 수집, 포트폴리오 검토 및 실패 분석입니다. 소규모 바이오테크 기업의 경우, 다중 에이전트 시스템을 통해 이전에는 여러 부서가 필요했던 초기 작업 단계를 단축할 수 있습니다. 대형 제약 회사의 경우, 자체 데이터, 모델 및 자동화된 연구실 간의 연결 고리를 구축하는 데서 더 큰 기회를 얻을 수 있을 것입니다.
업계 활동은 그 방향으로 나아가고 있습니다. 2026년, 아이앰빅(Iambic)과 다케다(Takeda)는 AI 모델과 자동화된 실험실, 그리고 주간 설계-제조-테스트 주기를 결합한 소분자 공동 연구를 발표했습니다. 리커전(Recursion)은 통합된 다중 모드 생물학 및 약물 설계 플랫폼을 사용하여 사노피(Sanofi) 및 제넨텍(Genentech)과 함께 진행 중인 프로그램과 주요 성과를 지속적으로 보고해 왔습니다. 이러한 기업들이 발표한 협력 및 성과는 투자 및 운영 도입을 보여주는 것이며, AI가 임상 성공률을 광범위하게 높였다는 독립적인 증거는 아닙니다.
규제 경계 또한 구체화되고 있습니다. 2025년 FDA는 AI 기반 정보나 데이터가 의약품 안전성, 효능 또는 품질에 대한 규제 결정을 지원하는 데 사용될 경우, 모델의 사용 맥락과 신뢰성을 중심으로 하는 위험 기반 프레임워크를 제안하는 구속력 없는 가이드라인 초안을 발표했습니다. 이는 모든 신약 개발 AI 시스템에 대한 최종 요구 사항은 아닙니다. 그러나 AI가 연구 지원 단계를 넘어 규제 근거로 활용됨에 따라 개발팀은 추적성, 검증, 편향 관리 및 변경 관리를 더욱 명확하게 고려해야 할 것입니다.
입증되지 않은 부분 또한 매우 중요합니다. 다중 약물 플랫폼이 승인까지 걸리는 총 시간을 단축하거나, 연구 개발 비용을 줄이거나, 1상 임상시험에서 승인으로 이어질 확률을 높인다는 충분한 증거는 아직 없습니다. 현재까지의 연구 결과는 승인된 의약품 수를 늘리는 것보다는, 신약 합성 속도 향상, 가설 생성 및 우선순위 설정에 더 유리하다는 점을 뒷받침하는 증거가 훨씬 더 많습니다.
가까운 미래는 자율형 바이오기술이 아니라 증강형 바이오기술의 시대입니다.
인공지능 기반 신약 연구 개발의 차세대 경쟁 우위는 단순히 더 많은 분자를 생성하는 데서 오는 것이 아닐 수 있습니다. 오히려 신뢰할 수 있는 과학적 의사결정 시스템을 구축하는 데서 비롯될 수 있습니다. 이러한 시스템은 어떤 질문을 해야 하는지, 어떤 데이터 세트가 관련성이 있는지, 증거가 상충되는 부분은 어디인지, 출처를 어떻게 보존해야 하는지, 그리고 언제 계산 분석을 중단하고 실험적 검증을 시작해야 하는지를 알고 있어야 합니다.
버추얼 바이오테크는 자체적으로 운영될 수 있는 생명공학 회사가 아닙니다. 이는 연구를 체계화하는 새로운 인터페이스입니다. 과학자들은 문제를 정의하고, 가설을 검토하고, 검증 전략을 설계하며, 결정에 대한 책임을 집니다. 인공지능은 검색 가능한 증거의 범위를 확장하고 분석 속도를 향상시킵니다.
따라서 보다 현실적인 기회는 과학자가 없는 자율적인 바이오 기업이 아니라, 소규모의 경험 많은 팀이 이전에는 훨씬 더 큰 조직에서만 가능했던 분석 역량을 확보하는 증강된 바이오 기업입니다.
AI는 속도를 확장할 수 있습니다. 하지만 증거의 완성도, 실험적 현실성, 또는 개발 결정의 결과에 대한 책임은 AI가 대신할 수 없습니다.
LuTra Studio 소개
LuTra Studio는 과학 중심 팀이 기술적 복잡성을 실행 가능한 개발 및 시장 결정으로 전환할 수 있도록 지원합니다. 당사의 업무는 바이오 기술 실사, CMC 및 개발 전략, 아시아 과학 중심 기업의 미국 시장 진출 및 파트너십 전략, 그리고 실제 운영 요구에 기반한 바이오 자동화 제품 및 벤처 기업 육성에 이르기까지 다양합니다.
루트라는 제약 및 생명공학 분야의 정보 분석 제품인 PharmaRadar(PharmaRadar)도 개발하고 있습니다. PharmaRadar는 어떤 변화가 있었는지, 누가 그 변화를 주도했는지, 그리고 그 신호가 팀이 진행 중인 프로그램에 어떤 의미를 갖는지 명확히 밝히도록 설계되었습니다. 이와 같은 기사의 목적은 단순히 기술을 과대평가하는 것이 아닙니다. 플랫폼이 실제로 유용한 분야는 어디인지, 어떤 증거가 더 필요한지, 그리고 어떤 과학적 및 개발적 제약 조건이 실제 가치를 결정짓는지 파악하는 데 있습니다.
참고 자료
Zhang HG 외. 가상 생명공학: 치료제 발견 및 개발을 위한 다중 에이전트 AI 프레임워크. Science. 2026. https://doi.org/10.1126/science.aeg6779
ClinicalTrials.gov. MOONGLOW 스터디, NCT06137183. https://clinicaltrials.gov/study/NCT06137183
Virtual Biotech 소스 코드 및 문서. https://github.com/harrisongzhang/TheVirtualBiotech
미국 식품의약국(FDA). 의약품 및 생물학적 제제에 대한 규제 의사결정 지원을 위한 인공지능 활용 고려사항. 2025. https://www.fda.gov/regulatory-information/search-fda-guidance-documents/considerations-use-artificial-intelligence-support-regulatory-decision-making-drug-and-biological
아이앰빅(Iambic)이 다케다(Takeda)와 협력한다고 발표했습니다. 2026년. https://www.iambic.ai/post/iambic-announces-collaboration-with-takeda
리커션(Recursion). 2025년 4분기 및 연간 재무 실적. 2026년. https://ir.recursion.com/news-releases/news-release-details/recursion-reports-fourth-quarter-and-full-year-2025-financial
약어
ADC: 항체-약물 접합체
ADME: 흡수, 분포, 대사 및 배설
AI: 인공지능
CMC: 화학, 제조 및 관리
CSO: 최고과학책임자
DMPK: 약물 대사 및 약물 동태학
ELN: 전자 실험실 노트
IND: 임상시험용 신약 신청
JAK-STAT: 야누스 키나제-신호 전달 및 전사 활성화 경로
LIMS: 실험실 정보 관리 시스템
MCP: 모델 컨텍스트 프로토콜
OSMRβ: 온코스타틴 M 수용체 베타 서브유닛
TME: 종양 미세환경
댓글