AI가 바이오를 실험실에서 검색 공간으로 바꾸고 있다

바이오는 원래 기다림의 산업이었습니다. 세포를 키우고, 단백질을 정제하고, 동물실험을 돌리고, 임상에서 다시 기다립니다. 실패는 늦게 옵니다. 비용도 그때 가장 큽니다.

AI가 바꾸는 지점은 여기입니다. 실험을 없애는 변화가 아닙니다. 무엇을 실험할지 고르는 방식을 바꿉니다. 생명 현상을 먼저 계산 가능한 공간으로 옮깁니다. 그 안에서 가능성이 낮은 길을 더 빨리 지우는 겁니다.

핵심 정리

1. 01바이오에서 AI의 역할은 실험 대체가 아니라 실험 후보를 좁히는 일입니다.
2. 02AlphaFold 이후 구조 예측은 단백질 그림을 넘어 분자 상호작용의 질문으로 확장됐습니다.
3. 03신약 개발의 병목은 후보 생성보다 검증과 임상 실패 관리로 옮겨갑니다.
4. 04작은 바이오 팀에게 중요한 능력은 많이 만들기보다 빨리 버리기입니다.
5. 05규제기관과 투자자가 보는 기준은 AI 사용 여부가 아니라 설명 가능한 근거입니다.

용어 정리

타깃

약이 건드리려는 생물학적 대상입니다. 보통 단백질, 유전자, 경로가 됩니다.

TARGET

리간드

타깃에 붙어 기능을 바꾸는 분자입니다. 저분자 약물 후보를 떠올리면 쉽습니다.

LIGAND

젖은 실험실

컴퓨터 밖에서 세포, 단백질, 동물, 환자를 다루는 실제 실험 환경입니다.

WET LAB

마른 실험실

데이터와 모델로 가설을 만들고 후보를 좁히는 계산 환경입니다.

DRY LAB

이 구분이 중요한 이유가 있습니다. AI는 dry lab을 강하게 만듭니다. 그렇다고 wet lab이 사라지지는 않습니다. 오히려 wet lab은 더 비싼 반증 장치가 됩니다. 계산이 낸 후보를 현실이 걸러내는 구조입니다.

구조를 알면 질문이 달라진다

AlphaFold가 크게 보인 이유는 단순히 단백질 그림을 예쁘게 그려서가 아닙니다. 단백질이 어떤 모양으로 접히는지 알면 질문이 바뀝니다. 무엇과 결합할지, 어떤 변이가 기능을 바꿀지, 어디를 건드려야 약이 될지 물어볼 수 있게 됩니다.

AlphaFold 3 논문은 단백질 하나의 구조를 넘어, 생체 분자 사이의 상호작용 예측으로 범위를 넓힌 사례입니다. 단백질과 DNA, RNA, 리간드는 따로 움직이지 않습니다. 서로 붙고 밀어내며 기능을 만듭니다. 바이오의 질문도 그만큼 복잡합니다.

구조 예측이 중요해진 이유는 예쁜 3D 모델 때문이 아닙니다. 실험 전에 "어디를 봐야 하는가"를 좁혀주기 때문입니다.

노벨위원회가 2024년 화학상에서 구조 예측과 단백질 설계를 함께 다룬 것도 같은 흐름입니다. 한쪽은 자연이 만든 단백질을 읽는 일이고, 다른 한쪽은 새로운 단백질을 설계하는 일입니다. 읽기와 만들기가 붙을 때 바이오는 검색 가능한 공간처럼 바뀝니다.

한 바퀴는 이렇게 돈다

AI 바이오는 한 가지 기술이 아닙니다. 구조 예측과 생성 모델이 먼저 붙습니다. 자동화된 실험과 임상 데이터 해석이 뒤를 받쳐야 힘이 납니다. "AI가 신약을 만든다"보다 "바이오 의사결정 루프가 짧아진다"가 더 정확한 표현입니다.

1. 01질병 질문
2. 02타깃 후보
3. 03구조 예측
4. 04분자 생성
5. 05wet lab 검증
6. 06실패 학습

예를 들어 폐섬유증이나 암처럼 질병이 복잡한 영역을 떠올려 볼 수 있습니다. 먼저 문헌과 오믹스 데이터에서 의심되는 경로를 좁힙니다. 그다음 타깃 단백질의 구조와 결합 가능성을 모델로 봅니다. 후보 분자를 여럿 만들고, 세포 실험에서 약한 후보를 버립니다. 남은 후보만 동물실험과 임상으로 갑니다.

이 장면에서 중요한 것은 화려한 모델이 아닙니다. 루프가 짧아졌다는 점입니다. 예전에는 후보 하나를 만들고 확인하는 데 조직의 체력이 대부분 쓰였습니다. 이제는 후보를 만들고 버리는 속도가 올라갑니다. 좋은 아이디어보다 더 중요한 것은, 나쁜 아이디어를 덜 비싸게 버리는 능력입니다.

그래서 신약 개발은 어떻게 달라지나

신약 개발에서 AI가 가장 먼저 바꾸는 일은 "후보를 생각해내는 속도"입니다. 사람이 손으로 가설을 하나씩 세우던 일을 모델이 넓게 펼쳐줍니다. 타깃 후보와 결합 부위를 함께 봅니다. 분자 골격과 독성 가능성도 초기에 살펴볼 수 있습니다.

하지만 병목이 완전히 사라지는 것은 아닙니다. 병목은 옮겨갑니다. 후보 생성이 쉬워지면 검증할 후보도 늘어납니다. 그러면 문제는 "만들 수 있는가"에서 "무엇을 믿고 다음 단계로 보낼 것인가"로 바뀝니다.

이 표가 말해주는 것은 단순합니다. AI는 앞단을 빠르게 만듭니다. 대신 뒤쪽 검증의 기준을 더 중요하게 만듭니다. 후보가 많아질수록 조직은 더 엄격해져야 합니다.

약은 컴퓨터 안에서 완성되지 않는다

여기서 과장을 조심해야 합니다. AI가 후보를 잘 만든다고 해서 약이 바로 나오지는 않습니다. 세포에서는 좋아 보여도 사람에게 듣지 않는 후보가 많기 때문입니다. 안전성은 모델 점수만으로 닫히지 않습니다.

FDA의 AI 의약품 개발 페이지가 모델의 사용 맥락과 신뢰성 평가를 강조하는 이유도 여기에 있습니다. 규제기관이 보고 싶은 것은 "AI를 썼다"가 아닙니다. 어떤 의사결정에 썼고, 그 출력이 왜 믿을 만하며, 틀렸을 때 어떤 위험이 생기는지입니다.

AI 바이오의 승부처는 멋진 데모가 아닙니다. 모델과 실험의 연결이 출발점입니다. 임상과 규제까지 끊기지 않는 운영 체계가 필요합니다. 빠른 계산만으로 충분하지 않습니다. 검증 기준도 같이 촘촘해져야 합니다.

작은 회사에는 어떤 기회가 생기나

대형 제약사는 이미 AI 신약 플랫폼과 손을 잡고 있습니다. Isomorphic Labs처럼 AI 기반 drug design engine을 전면에 내세우는 회사도 등장했습니다. 그래도 변화가 큰 회사에만 유리한 것은 아닙니다.

생물학적 가설을 빠르게 좁히는 일은 작은 연구팀에도 곧장 닿습니다. 문헌과 공개 데이터에서 놓친 연결을 찾는 것도 가능합니다. 실험 설계도 더 촘촘해집니다. 작은 팀은 모든 것을 자동화하지 못합니다. 대신 어떤 실험을 하지 않아도 되는지 판단할 수 있습니다.

한국의 작은 바이오 팀이라면 처음부터 "우리가 AI 신약 회사를 하겠다"고 말할 필요는 없습니다. 더 현실적인 질문은 이것입니다.

• 어떤 실험을 하지 않아도 되는가.
• 어떤 후보를 더 빨리 버릴 수 있는가.
• 어떤 데이터가 쌓이면 다음 판단이 쉬워지는가.
• 규제기관과 투자자에게 설명 가능한 근거는 무엇인가.

이 네 질문이 팀의 운영 방식을 바꿉니다. 실험 하나를 줄이면 연구비가 줄어듭니다. 후보 하나를 일찍 버리면 임상 리스크도 작아집니다. 보고서 한 줄의 근거가 명확해지는 일. 그것이 투자자 설득의 재료가 됩니다.

바이오 혁명의 기준

AI가 바이오를 바꾼다는 말은 이제 새롭지 않습니다. 새로워야 하는 것은 기준입니다. 논문 그림이 근사한지만 보면 부족합니다. 데모가 빠른지, 후보가 많이 나왔는지도 충분한 기준이 아닙니다. 실제로 실패의 위치가 앞당겨졌는지를 봐야 합니다.

실패가 빨라지면 연구는 덜 낭비됩니다. 좋은 후보가 남으면 임상은 더 또렷해집니다. 그때 AI는 바이오의 장식이 아니라, 생명과학이 스스로 질문하는 방식을 바꾼 도구가 됩니다.

바이오 혁명은 약을 컴퓨터가 대신 만드는 순간이 아니라, 실험실이 더 나은 질문만 남기기 시작하는 순간에 옵니다.