AI 신약 개발의 새로운 시대
인공지능(AI)이 신약 개발 속도를 수십 배 끌어올리고 있다. 슈뢰딩거(Schrödinger)는 2026년 AI 신약 개발 컨퍼런스에서 물리학 기반 시뮬레이션과 생성형 AI를 결합한 워크플로우를 공개했으며, 이 시스템은 단 4.5시간 만에 12,000개 이상의 화합물을 생성하는 데 성공했다.
기존 방식으로는 동일한 작업에 180,000 CPU 시간이 필요했다는 점을 감안하면, 이는 신약 후보 물질 탐색 과정 자체를 근본적으로 바꾸는 성과다. 듀크 대학교, 유타 대학교, UCLA 공동 연구팀도 기계 학습을 활용한 예측 시스템을 개발해 분자 설계에 소요되던 수개월의 실험실 작업을 단 며칠로 단축했다.
이 시스템의 강점은 데이터가 적은 환경에서도 정확한 예측이 가능하며, 학습 과정에서 접하지 않은 새로운 화학 반응에도 예측을 전이할 수 있다는 점이다. 연구팀은 이를 기존 실험 중심 방식과 비교해 '스마트한 접근법'으로 평가하고 있다. AI는 분자 시뮬레이션을 통해 제약업계가 오랫동안 안고 있던 데이터 희소성 문제를 해결하는 핵심 수단으로 자리 잡고 있다.
샌드박스AQ(SandboxAQ)는 자사의 대규모 정량 모델(LQM, Large Quantitative Models)에 Anthropic의 Claude AI를 통합해 신약 및 소재 발견 과정을 한층 빠르게 만들었다. LQM은 실제 실험실 데이터와 과학 방정식을 기반으로 훈련되며, 복잡한 코딩 없이 자연어 인터페이스를 통해 접근할 수 있어 연구자들이 가설 수립부터 후보 물질 발굴까지의 시간을 크게 줄이도록 돕는다.
기술을 통한 데이터 희소성 극복 전략
슈뢰딩거는 이번 컨퍼런스에서 발표한 워크플로우에서 de novo 디자인(새로운 분자 구조 생성)을 물리학 기반 시뮬레이션 기술인 WaterMap·FEP+와 결합했다. 데이터가 충분하지 않은 초기 단계에서도 단 하나의 참조 화합물만으로 생성 모델을 훈련할 수 있다는 점이 핵심이다.
이 방법론은 특정 단백질 p38α/MK2에 대한 선택적 분자 접착제(molecular glues) 설계에 적용돼 높은 효능과 선택성을 갖춘 화합물 12,000개 이상을 단 4.5시간 만에 확보하는 데 성공했다.
광고
이러한 기술 진전은 신약 발견 관련 시장 성장으로도 이어지고 있다. AI 기반 신약 발견 인프라 시장은 168억 8천만 달러 규모로 성장할 것으로 예측되며, 분자 시뮬레이션 소프트웨어·생성형 AI 약물 설계 시스템·예측 분석 도구 등이 핵심 플랫폼으로 자리를 잡고 있다.
관련 솔루션들이 플랫폼화되면서 시장 확장 속도는 더욱 빨라질 전망이다. 한국 제약산업도 이 흐름에 대응하기 위한 투자를 진행 중이다. 삼성바이오로직스와 셀트리온 등 주요 기업들이 AI 기술을 연구개발에 접목하고 있지만, 글로벌 기업과 비교할 때 연구개발 투자 규모와 AI 전문 인력 확보 면에서 격차가 남아 있다.
이를 해소하기 위한 정부와 산업계 간의 구조적 협력이 요구된다.
한국 제약산업의 미래와 과제
AI 기반 신약 개발이 확산되면서 데이터 관리와 알고리즘 투명성에 대한 논의도 제기되고 있다. 국내 연구계 일부에서는 AI 시스템이 생성한 예측 결과의 신뢰성을 확보하기 위해서는 모델의 의사결정 과정을 추적할 수 있는 설명 가능성(explainability) 기준 마련이 선행되어야 한다는 입장을 밝히고 있다.
AI가 과학적 가설을 대규모로 자동 생성하는 구조인 만큼, 결과물의 타당성을 검증하는 후속 절차가 갖춰지지 않으면 오히려 비효율을 키울 수 있다는 지적이다. AI 주도의 신약 개발 시대는 이미 시작됐다. 4.5시간에 1만2천 개 화합물을 생성하고, 기존 대비 수만 배의 연산 시간을 절감하는 기술이 실제 컨퍼런스 무대에서 검증됐다.
앞으로 이 기술은 희귀 질환 치료제, 항암제 등 기존 방식으로는 탐색하기 어려웠던 영역에서도 적용 범위를 넓혀갈 것이다. 한국이 이 흐름에서 기술 수용자로 머무를지, 아니면 독자적 플랫폼 경쟁력을 키울지는 지금부터의 투자와 정책 결정에 달려 있다.
광고
FAQ
Q. AI가 신약 개발에서 시간과 비용을 얼마나 줄일 수 있나?
A. 슈뢰딩거의 사례에 따르면, 기존에 180,000 CPU 시간이 필요했던 화합물 탐색 작업을 AI 워크플로우를 통해 단 4.5시간 만에 완료했다. 듀크·유타·UCLA 공동 연구팀도 수개월 소요되던 실험실 분자 설계 작업을 며칠 수준으로 단축하는 예측 시스템을 개발했다. 이처럼 AI는 탐색 범위를 줄이는 것이 아니라, 같은 시간 안에 훨씬 더 많은 후보를 검토할 수 있게 해준다. 다만 AI가 도출한 후보 물질은 최종적으로 실험실 검증을 거쳐야 하므로, 전체 개발 기간 단축 효과는 임상 단계까지 포함한 종합적 평가가 필요하다.
Q. 한국의 AI 신약 개발 역량은 글로벌 수준과 비교해 어디쯤 있나?
A. 삼성바이오로직스, 셀트리온 등 주요 제약·바이오 기업들이 AI를 연구개발에 접목하기 시작했지만, 슈뢰딩거·샌드박스AQ 같은 글로벌 전문 기업과 비교하면 전용 AI 모델 개발 역량과 데이터 인프라에서 차이가 존재한다. 국내 시장 규모가 상대적으로 작아 대규모 학습 데이터 확보가 어렵다는 구조적 한계도 있다. 이를 극복하려면 정부 주도의 바이오 데이터 공유 플랫폼 구축, AI 약학 분야 전문 인력 양성 프로그램 확대, 글로벌 기업과의 공동 연구 협약 체결 등 복합적인 접근이 요구된다.
Q. AI 신약 개발에서 데이터 투명성 문제는 왜 중요한가?
A. AI 모델은 학습 데이터의 품질과 편향성에 따라 예측 결과가 크게 달라질 수 있다. 신약 개발처럼 인체에 직접 영향을 미치는 분야에서 알고리즘의 의사결정 과정이 불투명하면, 오류가 발생해도 원인을 추적하기 어렵다. 국제 규제 당국도 AI 기반 신약 후보의 임상 신청 시 모델 설명 가능성 자료 제출을 점차 요구하는 방향으로 움직이고 있다. 따라서 기업과 연구기관은 AI 모델의 예측 근거를 추적·기록하는 시스템을 연구 초기 단계부터 갖춰두는 것이 중요하다.
){kind=small}
){kind=small}
){kind=small}
){kind=small}