생물학적 제제(biologics) 약물 개발 전 과정에 AI

생성형 AI와 계산 도구를 결합하면 약물 발견 기간을 최대 50%까지 단축할 수 있다. 맥킨지(McKinsey)는 이러한 획기적인 기간 단축을 달성하기 위해 고품질의 생물학적 데이터 확보가 필수적이라고 설명한다. AI 모델의 성능은 학습에 사용되는 데이터의 질에 직접적으로 의존하며, 특히 실험의 성공 사례뿐 아니라 실패한 결과까지 모두 모델 개선을 위한 중요한 신호로 활용해야 하기 때문이다. 아스트라제네카(AstraZeneca)는 이 같은 데이터 중심의 접근법을 생물학적 제제(biologics, 살아있는 세포나 생물체에서 유래한 약물) 개발 전 과정에 이식해 개발 효율을 높인다.

약물을 설계하고 제조하며, 이를 테스트하고 분석하는 모든 단계에 계산적 강화(computationally enhanced) 방식을 전면 도입했다. 푸자 사프라(Puja Sapra) 아스트라제네카 R&D 생물학적 제제 엔지니어링 및 종양 타겟 발견 부문 수석 부사장은 설계, 제조, 테스트, 분석의 모든 공정에 계산 도구를 통합해 운영하고 있다고 밝힌다. 모든 개발 단계에서 AI 기반 설계를 수행함으로써 기존의 개발 사이클 시간을 단축하고 공정의 병목을 제거한다. 이러한 전 과정의 최적화는 약물 개발의 전반적인 생산성을 높이고 신약 발견의 혁신 속도를 가속화하는 실질적인 동력으로 작용한다.

확인해야 할 핵심 지점

과거에 치료 불가능하다고 여겨졌던 질병 표적에 대한 접근이 'build-measure-learn' 루프(설계-측정-학습 순환 구조)를 통해 가능해진다. AI가 성공 가능성이 높은 후보 분자를 계산적으로 생성하거나 우선순위를 정하면, 과학자들은 상위 후보에만 실험 자원을 집중적으로 투입한다. 이 방식은 연구 과정에서 마주하는 막다른 길을 줄이고 피드백 사이클을 단축해 반복 속도를 높인다. AI의 계산적 예측과 과학자의 실험적 검증이 맞물리며 신약 설계의 물리적 시간을 줄이는 구조다.

분자 구조와 결합 측정치, 안전성 프로필, 제조 결과가 포함된 독자적인 멀티모달(Multimodal, 여러 형태의 데이터를 동시에 처리하는 방식) 데이터셋이 모델 미세 조정의 핵심이다. 다양한 질병 영역과 약물 유형을 아우르는 광범위한 포트폴리오를 활용해 AI 모델이 학습할 수 있는 대표성 있는 훈련 세트를 확보한다. 여기에 딥 스크리닝(Deep Screening, 대규모 화합물 라이브러리를 정밀하게 분석하는 기술) 기술을 더해 모델 검증과 정교화에 필요한 대량의 데이터를 생성한다. 이러한 고품질의 자체 데이터가 프런티어 AI 모델의 성능을 결정짓는 실질적인 차별화 요소로 작용한다.

로봇 학습 데이터 병목을 겨냥한 해법

매주 수천 건의 분자 상호작용을 평가해 AI 학습용 데이터를 대규모로 생성하는 자동화 시설이 매사추세츠주 캠브리지 Kendall Square(켄달 스퀘어)에 들어선다. 아스트라제네카(AstraZeneca)가 구축하는 이 미래의 실험실(lab of the future)은 AI의 예측, 로봇 시스템의 실험 수행, 장비의 데이터 생성이 연속적으로 이어지는 폐쇄 루프(closed-loop) 시스템으로 작동한다. 자율주행차가 센서와 모델로 환경을 탐색하듯, 이 시스템은 AI가 제시한 예측값을 로봇이 즉각 실험하고 장비가 생성한 데이터를 다시 AI 학습에 투입하는 순환 구조를 완성한다.

다중 특이적(multi-specific) 생물학적 제제 설계는 AI 모델을 통해 여러 표적을 동시에 타격하거나 특정 세포에 치료물을 정밀하게 전달하는 방식으로 진화한다. Puja Sapra(푸자 사프라)는 AI가 생물학적 기초를 바탕으로 우선순위 표적을 식별하고 효능, 안정성, 제조 가능성, 안전성 등 여러 매개변수를 동시에 최적화한다고 설명한다. 복잡한 생물학적 변수를 동시에 제어함으로써 과거에 약물화가 불가능하다고 판단한 표적에 대한 치료제 개발을 현실화한다.

AI의 실질적 효용은 단일 모델의 성능이 아니라, 실험 결과가 자동으로 모델 학습 데이터로 전환되는 데이터-모델 환류 구조의 자동화 수준에서 결정된다.