AI 신약 개발 AI Drug Discovery
AI 신약 개발은 머신러닝과 생성 AI로 질병의 원인이 되는 표적을 찾고, 약이 될 만한 물질을 설계·선별하고, 그 효과와 부작용을 미리 예측해 신약 개발을 더 빠르고 효율적으로 만드는 것이다.
어떻게 작동하나
신약 개발은 질병과 관련된 단백질 같은 '표적'을 정하고, 그 표적에 붙어 작용할 물질을 찾은 뒤, 동물 실험과 임상시험으로 안전성과 효과를 검증하는 긴 과정이다. AI는 유전체·단백질 데이터를 분석해 유망한 표적을 찾고, 단백질 구조를 예측해 약물이 어디에 붙을지 가늠한다. 생성 모델로 새로운 분자 구조를 설계하거나, 방대한 화합물 목록에서 효과가 있을 법한 후보를 가상으로 걸러 내기도 한다. 독성이나 몸속 흡수 정도를 미리 예측해 실험할 후보를 줄이는 데도 쓰인다.
후보 물질이 줄어드는 과정
왜 중요한가
전통적인 신약 개발은 시간이 오래 걸리고 비용이 크며, 후보 물질 대부분이 중간에 실패한다. AI가 초기 단계에서 가능성 낮은 후보를 일찍 걸러 내면 실험 횟수와 시간을 줄일 수 있다는 기대가 크다. 사람이 떠올리기 어려운 새로운 구조의 분자를 제안할 수 있다는 점도 강점이다. 그래서 대형 제약사와 빅테크, 스타트업이 함께 이 분야에 뛰어들고 있다.
알아 둘 점
AI가 제안한 후보도 실험실과 임상시험을 거쳐야 하며, 임상 단계의 실패 위험은 여전히 크다. 좋은 예측에는 질 좋은 생물학 데이터가 많이 필요한데, 이런 데이터는 비싸고 회사마다 흩어져 있다. 그래서 세포·단백질 데이터를 대규모로 모으는 공동 프로젝트가 중요해지고 있다. 'AI가 만든 신약'이라는 표현은 AI가 어느 단계에 얼마나 기여했는지에 따라 의미가 크게 다를 수 있다.
예시
이 사이트 소식에는 Google DeepMind·Meta·Isomorphic Labs가 저커버그 부부의 Biohub가 추진하는 '가상 세포' 데이터 구축에 공동 투자한다는 보도가 있었다. 세포가 약물이나 유전자 변화에 어떻게 반응하는지를 컴퓨터로 흉내 내는 모델을 만들려면 대규모 데이터가 필요한데, 이런 데이터가 AI 신약 개발의 바탕이 된다. Isomorphic Labs처럼 AI로 신약 후보를 찾는 일을 전문으로 하는 회사들이 이런 흐름을 이끌고 있다.