AI 기반 신약 개발의 현실과 한계 | 매거진에 참여하세요

신약 개발, 왜 이렇게 오래 걸릴까?

신약 개발은 평균 10~15년이 걸리고, 10억 달러 이상이 소요됩니다.

후보 물질을 수천 개 발굴해도 실제로 승인받는 약은 1~2개에 불과합니다.

• 초기 단계(타깃 발굴 → 후보 물질 찾기)에서 대부분 실패

• 임상시험에 들어가면 환자 반응, 부작용, 효과 부족으로 중도 탈락

이 막대한 시간과 비용의 낭비가 제약 산업의 가장 큰 문제였는데, 여기에 AI가 등장했습니다.

AI가 바꾸고 있는 신약 개발 단계

타깃 발굴

• 질병 원인이 되는 단백질·유전자 타깃을 찾는 과정

• 과거: 실험실 연구 중심, 수년 소요

• 지금: AI가 게놈 데이터와 논문을 분석해 유망 타깃을 신속하게 제시

후보 물질 디자인

• 전통적 방식: 화합물 라이브러리에서 무작위 탐색

• AI 방식: 생성형 모델(Generative Chemistry)이 새로운 분자를 직접 설계

• 예: Insilico Medicine은 AI로 설계한 분자를 동물 실험까지 진행

임상시험 최적화

• AI가 환자 데이터를 분석해 “누가 약에 더 잘 반응할지”를 예측

• 임상 실패 확률 감소, 비용 절감

대표 사례

Insilico Medicine

• AI가 발굴한 섬유증 치료제 후보물질을 임상 2상까지 진입 (2023년)

• “AI가 디자인한 약물이 실제 임상에 들어간 첫 사례”로 기록

DeepMind AlphaFold

• 단백질 2억 개 이상의 3D 구조를 예측해 공개 (2022년)

• 과학자들은 이를 활용해 신약 타깃 연구 속도를 수십 배 단축

BenevolentAI

• AI가 기존 약물의 새로운 용도를 찾아내는 약물 재창출(drug repurposing)에 강점

• 코로나19 초기, AI가 바리시티닙(baricitinib)을 유망 후보로 제시 → 실제 긴급 사용 승인

투자와 산업 구조 변화

• 글로벌 제약사(화이자, 노바티스, 아스트라제네카)는 모두 AI 스타트업과 파트너십 체결

• 2024년 한 해에만 AI 신약 개발 스타트업 투자액 60억 달러 이상

• “AI First Pharma”라는 용어가 등장 → 제약사들이 연구팀에 AI 엔지니어를 포함하는 것이 표준화

하지만 남아 있는 한계

1. 실험실 검증 필요성

   • AI가 제시한 분자는 여전히 실제 실험과 임상에서 확인해야 함

   • “AI 후보물질 = 100% 성공”은 아님

3. 데이터 품질 문제

   • 의료 데이터는 편향과 공백이 많음 → AI 결과에 왜곡 발생 가능

5. 규제 장벽

   • FDA, EMA 등 규제기관은 “AI가 설계한 약”에 대해 별도의 평가 기준을 마련 중

   • 아직 명확한 승인 가이드라인이 부족

7. 과도한 기대

   • 일부 미디어는 “AI가 신약 개발을 단숨에 해결할 것”처럼 과장

   • 실제로는 시간·비용은 줄이지만, 완전히 대체하지는 못함

결론: 혁신은 시작되었지만, 마법은 아니다

AI는 신약 개발에서 분명히 게임 체인저가 되고 있습니다.

• - 타깃 발굴 속도 단축

• - 후보 물질 설계 자동화

• - 임상시험 최적화

하지만 여전히 실험과 규제라는 현실의 벽이 존재합니다.

앞으로 10년, AI는 “신약 개발을 더 빠르고 저렴하게 만드는 보조 엔진”으로 자리잡을 것이고,

언젠가 “AI가 처음부터 끝까지 설계한 약”이 시판되는 순간이 올지도 모릅니다.