인공지능 과장광고를 넘어: 약물 발견에서 생성 AI의 실제 영향
인실리코 메디슨(Insilico Medicine)이 생성 AI를 사용하여 특발성 폐 섬유증(IPF) 치료제를 개발한 이래로, 이 기술이 약물 발견을 어떻게 바꿀 수 있을지에 대한 기대감이 커지고 있다. 기존 방법은 느리고 비용이 많이 들기 때문에 AI가 속도를 높일 수 있다는 아이디어가 제약 산업의 주목을 받았다. 신생 기업들이 등장하여 분자 구조를 예측하고 생물학적 시스템을 시뮬레이션하는 것과 같은 프로세스를 보다 효율적으로 만들고자 한다. 맥킨지 글로벌 연구소(McKinsey Global Institute)는 생성 AI가 이 분야에 연간 600억~1,100억 달러를 추가할 수 있다고 추정한다. 하지만 많은 열광이 있는 반면, 여전히 상당한 과제가 남아 있다.
약물 발견에서 생성 AI를 둘러싼 과대광고
생성 AI는 전통적으로 느리고 비용이 많이 드는 약물 발견 프로세스를 획기적으로 가속화할 수 있는 잠재력으로 제약 산업의 상상력을 사로잡았다. 이러한 AI 플랫폼은 수천 개의 분자 조합을 시뮬레이션하고, 효능을 예측하고, 심지어 임상 시험이 시작되기 훨씬 전에 부작용을 예상할 수 있다. 일부 업계 전문가들은 한때 개발에 10년이 걸렸던 약물이 생성 AI의 도움으로 몇 년 또는 몇 달 만에 만들어질 것이라고 예측한다.
신생 기업과 기존 회사는 약물 발견을 위한 생성 AI의 잠재력을 활용하고 있다. 제약 거대 기업과 AI 신생 기업 간의 파트너십은 거래에 활력을 불어넣었고, Exscientia, Insilico Medicine, BenevolentAI와 같은 회사는 수백만 달러 규모의 협업을 확보했다. AI 기반 약물 발견의 매력은 새로운 치료법을 더 빠르고 저렴하게 만들어 업계의 가장 큰 과제 중 하나인 신약을 시장에 출시하는 데 드는 높은 비용과 긴 타임라인에 대한 솔루션을 제공한다는 약속에 있다.
초기 성공 사례
생성 AI는 단순한 가설적 도구가 아니라 이미 결과를 제공할 수 있는 능력을 입증했다. 2020년 Exscientia는 강박 장애에 대한 약물 후보를 개발했는데, 프로그램이 시작된 지 12개월도 채 안 되어 임상 시험에 들어갔다. 업계 표준보다 훨씬 짧은 기간이다. Insilico Medicine은 AI 생성 모델을 사용하여 섬유증에 대한 새로운 화합물을 발견한 것으로 헤드라인을 장식했으며, 이는 약물 발견에서 AI의 실질적인 잠재력을 더욱 잘 보여준다.
AI는 개별 약물을 개발하는 것 외에도 제약 파이프라인의 다른 병목 현상을 해결하는 데 사용되고 있다. 예를 들어, 회사는 생성 AI를 사용하여 약물 제형과 설계를 최적화하고, 특정 치료에 대한 환자 반응을 예측하고, 이전에는 타겟팅하기 어려웠던 질병에 대한 바이오마커를 발견하고 있다. 이러한 초기 적용은 AI가 약물 발견에서 오랜 과제를 해결하는 데 확실히 도움이 될 수 있음을 나타낸다.
생성 AI가 과대평가되었을까?
흥분 속에서 생성 AI의 과대평가가 얼마나 근거가 있는지, 과장된 기대치인지에 대한 회의론이 커지고 있다. 성공 사례가 헤드라인을 장식하는 동안, 많은 AI 기반 약물 발견 프로젝트는 초기 약속을 실제 임상 결과로 전환하는 데 실패했다. 제약 산업은 악명 높게 느리게 움직이고 있으며, 계산 예측을 효과적이고 시장에 출시할 수 있는 약물로 전환하는 것은 여전히 어려운 과제이다.
비평가들은 생물학적 시스템의 복잡성이 현재 AI 모델이 완전히 이해할 수 있는 것을 훨씬 넘어선다고 지적한다. 약물 발견에는 복잡한 분자 상호 작용, 생물학적 경로 및 환자별 요인을 이해하는 것이 포함된다. 생성 AI는 데이터 기반 예측에 뛰어나지만, 인간 생물학에서 발생하는 불확실성과 미묘한 차이를 탐색하는 데 어려움을 겪는다. 어떤 경우에는 AI가 발견하는 데 도움이 되는 약물이 규제 검토를 통과하지 못하거나 임상 시험의 후반 단계에서 실패할 수 있다. 이는 기존 약물 개발 방법에서 이전에 본 적이 있는 일이다.
또 다른 과제는 데이터 자체이다. AI 알고리즘은 훈련을 위해 방대한 데이터 세트에 의존하며, 제약 산업은 많은 데이터를 보유하고 있지만 종종 노이즈가 많고 불완전하거나 편향되어 있다. 생성 AI 시스템은 정확한 예측을 위해 고품질의 다양한 데이터가 필요하며, 이러한 필요성은 산업의 데이터 인프라에 격차를 노출시켰다. 게다가 AI 시스템이 과거 데이터에 지나치게 의존하면 진정으로 새로운 솔루션으로 혁신하기보다는 기존 편향을 강화할 위험이 있다.
혁신이 쉽지 않은 이유
생성 AI가 유망해 보이지만 AI에서 생성된 아이디어를 실행 가능한 치료 솔루션으로 변환하는 과정은 어려운 작업이다. AI는 잠재적인 약물 후보를 예측할 수 있지만 임상 전 및 임상 시험을 통해 후보를 검증하는 것이 진짜 도전이 시작되는 곳이다.
한 가지 주요 장애물은 AI 알고리즘의 '블랙박스' 특성이다. 기존의 약물 발견에서 연구자는 개발 프로세스의 각 단계를 추적하고 특정 약물이 효과적일 가능성이 있는 이유를 이해할 수 있다. 반면 생성 AI 모델은 종종 예측에 도달한 방법에 대한 통찰력을 제공하지 않고 결과를 생성한다. 이러한 불투명성은 규제 기관, 의료 전문가, 심지어 과학자조차도 기본 메커니즘을 이해하지 않고는 AI에서 생성된 솔루션에 전적으로 의존하기 어려워 신뢰 문제를 일으킨다.
게다가 AI를 약물 발견에 통합하는 데 필요한 인프라는 아직 개발 중이다. AI 회사는 제약 거대 기업과 협력하고 있지만 협력은 종종 일치하지 않는 기대치를 보여준다. 신중하고 엄격하게 규제되는 접근 방식으로 알려진 제약 회사는 종종 스타트업 AI 회사가 기대하는 속도로 AI 도구를 채택하기를 꺼린다. 생성 AI가 최대한의 잠재력을 발휘하려면 양측이 데이터 공유 계약, 규제 프레임워크, 운영 워크플로에 대해 합의해야 한다.
생성 AI의 실제 영향
생성 AI는 의심할 여지 없이 제약 산업에 패러다임 전환을 가져왔지만, 실제 영향은 기존 방식을 대체하는 것이 아니라 보완하는 데 있다. AI는 통찰력을 생성하고, 잠재적 결과를 예측하고, 프로세스를 최적화할 수 있지만, 인간의 전문성과 임상 시험은 여전히 신약 개발에 중요하다.
현재로서는 생성 AI의 가장 즉각적인 가치는 연구 프로세스를 최적화하는 데 있다. 방대한 분자 후보군을 좁히는 데 탁월하여 연구자가 가장 유망한 화합물에 집중할 수 있다. AI는 발견 초기 단계에서 시간과 리소스를 절약함으로써 제약 회사가 그렇지 않으면 너무 비용이 많이 들거나 위험하다고 여겨졌을 수 있는 새로운 길을 추구할 수 있도록 한다.
장기적으로 약물 발견에서 AI의 진정한 잠재력은 설명 가능한 AI, 데이터 인프라, 업계 전체 협업의 발전에 달려 있을 것이다. AI 모델이 더 투명해지고 규제 기관과 연구자에게 의사 결정 프로세스가 더 명확해지면 제약 산업 전반에 AI가 더 광범위하게 도입될 수 있다. 또한 데이터 품질이 향상되고 회사에서 보다 강력한 데이터 공유 관행을 개발함에 따라 AI 시스템은 획기적인 발견을 할 수 있는 더 나은 장비를 갖추게 될 것이다.
결론
생성 AI는 과학자, 투자자, 제약 회사 임원의 상상력을 사로잡았으며 그럴 만한 이유가 있다. 약물 발견 방식을 혁신하여 시간과 비용을 모두 절감하고 환자에게 혁신적인 치료법을 제공할 수 있는 잠재력이 있다. 이 기술은 약물 발견의 초기 단계에서 가치를 입증했지만 아직 전체 프로세스를 혁신할 준비가 되지 않았다.
약물 발견에서 생성 AI의 진정한 영향은 기술이 발전함에 따라 앞으로 몇 년 동안 드러날 것이다. 그러나 이러한 진전은 데이터 품질, 모델 투명성, 제약 생태계 내 협업과 관련된 과제를 극복하는 데 달려 있다. 생성 AI는 의심할 여지 없이 강력한 도구이지만 진정한 가치는 적용 방법에 따라 달라진다. 지금의 과대광고가 과장된 것일 수도 있지만, 그 잠재력은 진짜이며 우리는 그것이 무엇을 이룰 수 있는지 아직 알아내기 시작했을 뿐이다.
