Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본문은 신약 개발 과정에 AI를 적용하는 현황과 잠재력을 비판적으로 분석합니다. 후보 물질 발굴부터 임상시험까지 전 단계에서 AI 활용이 기대되지만, 생물학적 복잡성 및 규제 장벽으로 인해 실질적인 돌파구 마련에는 한계가 있다는 시각을 제시합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 RSS: GeekNews (한국어)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기Citrini Research의 James van Geelen이 이번 주 팟캐스트에서 짚었듯, 분자 설계는 신약 출시에 드는 노력의 10~20% 에 불과할 수 있음. 이미 실제로 개발할 수 있는 양보다 훨씬 많은 후보 설계가 존재함.
AI로 설계한 약물이 임상 2상을 통과할 가능성이 더 높고 나머지 개발 과정에도 AI를 적용할 수 있겠지만, 판도를 바꾸려면 여전히 큰 병목을 넘어야 함. https://podcasts.apple.com/gb/podcast/monetary-matters-with-...
그렇다면 3D 프린팅 주택처럼, 굳이 최적화할 가치가 없는 부분을 개선하는 데 그칠 것 같음.
신약과 치료법 연구 가속화는 기대해 온 AI 활용 분야임. 질환과 암 치료 연구가 빨라지면 인류에게 순이익이 될 수 있고, 연구개발비가 내려가 희귀질환 환자도 약을 감당할 수 있게 될지 모름.
다만 “새 치료법 개발을 크게 늘리려면 더 많은 생명공학 기업과 협력하고 개발 과정에 Claude를 더 깊이 통합해야 한다”는 문구는 지나치게 자사 이익을 앞세우는 느낌임. 신중한 낙관이 적절해 보임.
그래도 그 문구 자체는 맞는 말임. 생물학은 수학이나 소프트웨어처럼 혼자 종이 위에서 논리만으로 풀 수 있는 분야가 아님. 현상을 세밀하게 모델링하고 관측할 도구부터 턱없이 부족하므로, 에이전트를 여럿 투입한다고 해결되거나 시행착오의 피드백 주기를 마음대로 단축할 수는 없음.
Claude의 역할은 각 단계의 전문가가 일을 더 잘하도록 돕는 것에 가까울 듯함. 데이터를 분석·종합해 실험을 제안하고, 장비나 전혀 새로운 실험을 설계하고, 정보 흐름을 관리하며 맞춤형 지식 기반과 도구를 구축할 수 있음. 관련 시스템과 연구자에 깊이 연결될수록 정보를 더 빨리 종합할 수 있음.
다시 생각해 보면 기존 모델과 지식을 바탕으로 훨씬 나은 모델을 고안하는 미래도 가까울지 모름. 여러 데이터셋을 주고 “세포의 더 정교한 모델을 만들어 줄 수 있나?”라고 해 본 사람이 있을까?
당연히 자사 이익을 위한 문구임. AI 전반이 의학 발전에 기여할 가능성은 낙관하지만, Anthropic 자체를 낙관하는 것은 아님.
목표만 바꾸면 Claude가 치명적인 바이러스·세균·생물학 무기를 만드는 능력도 좋아진다는 뜻임. 에이전트가 “탈출해서 정부를 해킹했다”고 둘러댈 수도 있겠지만, 국가를 위해 활동하는 에이전트로 훈련시키는 게 아니라는 약속을 믿기는 어려움. 신중한 낙관보다는 강한 비관이 필요해 보임.
AI와 신약 개발의 연관성을 수년째 듣고 있는데, 실제 진전이 있었는지 모르겠음. 성과가 난 분야인지, 그저 관심받는 잠재적 활용처인지? 다른 문제와 달리 신약 개발이 특히 AI에 적합한 이유는 무엇인지? 그저 “AI는 암을 치료하고 세상에 이롭다”는 홍보는 아닌지?
신약 개발은 매우 엄격하게 규제되는 과정이며, 그럴 만한 이유가 있음. AI가 정복할 마지막 영역 중 하나일 것 같음.
신약 후보를 발굴하는 일은 전체 과정에서 가장 쉬운 부분임. 속도를 높이기보다는 컴퓨터 시뮬레이션으로 실패 가능성이 낮은 화합물을 제안하거나 생산 규모 확대를 도울 여지는 있겠지만, 둘 다 어렵고 후자는 학습 과정에서 자료를 읽어 익히기도 더 어려움.
이 분야는 이미 1960년대부터 AI의 목표 응용 분야였음. 신약 개발에 종사했지만 다시는 생명과학 분야에 발을 들이지 않을 생각임.
흥미롭지만, 본문은 후보 발굴에만 초점을 맞추지 않음. 약물 표적과 적합한 약물 유형을 찾는 초기 연구, 원하는 특성의 분자 설계, 안정적인 대량생산을 위한 최적화, 임상시험 규제 서류 작성, 시험 설계·운영 등을 열거하고 있음.
전략도 이 모든 업무에 AI의 참여를 점점 늘리는 것이라고 명시함.
그렇다면 어려운 부분은 무엇인지? 여기까지 읽기로는 사람을 대상으로 한 시험, 혹은 그 시험을 시작하기 위한 승인 절차 같은데, 이렇게 이해하면 맞는지?
나도 그렇게 이해하고 있음. 10억 달러짜리 과정의 20달러짜리 부분을 개선하는 것처럼 보이고, 그 부분은 이미 최첨단 AI와 시뮬레이션을 적극 활용하고 있음. 컴퓨터는 이미 시험관에서 현실적으로 검증할 수 있는 양보다 많은 후보를 쏟아내고 있음.
연구 결과가 올라올 때마다 여기서 “생쥐에서만”이라는 농담이 나오는 이유를 생각하면 됨. 컴퓨터 기반 선별에서 실제 사람에게 투여하는 약물까지는 아주 긴 과정이 필요함.
생명과학에서 마음이 돌아선 이유가 무엇인지? 이 분야로 옮기는 것을 검토 중이라 직접 겪은 일을 듣고 싶음.
치료법이 없는 희귀질환을 앓고 있음. Claude가 우리를 어떻게 도울 수 있을지 기대하지만, 실제로 얼마나 진전시킬 수 있을지는 조심스러움. 생쥐 모델 실험도 시간이 걸리고 임상시험도 느림. 대부분의 생명공학 기업이 이 단계에서 적자를 볼 것 같음.
더 많은 기업과 협력하고 개발 과정에 Claude를 더 깊이 통합해야 한다는 문구는 지나치게 파고들려는 것처럼 들림.
효과가 없다면 원인은 당연히 “Anthropic 제품에 돈을 충분히 쓰지 않아서”이고, 해결책은 더 많이 쓰라는 셈임.
공개된 모델 중 가장 성능이 좋은 모델로 직접 시도해 봤는지?
생물학과 의학에서도 Mathocalypse급 진전을 기다리고 있음. 다만 현실 세계와 사람의 생명이 걸려 있고 여러 사정도 있으니, 그렇게 빨리 진행되지는 않는 듯함.
수학은 완전히 추상적이고, 기본 규칙과 작동 방식이 매우 명확하게 형식화되어 있음. 그것이 학문 자체의 취지이기도 함. 생물학은 정반대임.
AI의 기여를 제한하는 요소 중 하나는 인간 자체임. 감정, 법, 도덕, 책임 등이 모두 제약으로 작용함.
OpenAI가 로봇팔 같은 물리적 장비를 제어하는 에이전트를 만들어 현실에서 해법을 반복 개선하게 할 수 있다고 생각해 왔음. 복잡한 실험, 조립 조정, 시험처럼 사람의 작업이 필요한 일도 자동으로 반복하며 가속할 수 있을 것임.
그렇지 않으면 AI는 가상 시스템에 갇힌 채 계속 사람의 개입을 기다려야 함. 나도 AI가 처리를 끝냈는데 다음 단계 작업을 지시할 시간이 없는 경우가 많음. 생산성 향상은 바라면서 AI가 현실에 개입하는 것은 두려워하고, 업계 기업가치는 치솟는 이 모순이 답답함.
공리 중심의 연구에서 AI 활용이 먼저 크게 진전하고, 생물학처럼 복잡한 실증적 기반에 의존하는 과학은 뒤따를 것으로 예상함.
틀릴 수도 있지만 로봇공학이 생물학보다 먼저 발전할 것으로 예상함. 적어도 로봇은 검증하기가 훨씬 쉬워서, 대부분의 사람이 작동을 보고 제대로 움직이는지 판단할 수 있음.
여기에 장기 칩을 결합하면 규모를 확대하면서 흥미로운 데이터를 생성할 수 있을 듯함.
개인과 조직이 자발적으로든 마지못해서든 돈까지 내며 학습 데이터를 늘려 주고 전문성을 AI 기업에 이전하는 모습으로 보임.
AI 기업은 다정하고 선량한 가족이 아니라 모두의 사업을 차지하려는 곳인데, 이런 선택은 어리석어 보임.
AI는 행정 업무와 처리 파이프라인 구축을 도와 과학자의 시간과 노력을 절약해 줌. 가치 있는 일이지만, 수학이나 공학에서처럼 새로운 아이디어를 내거나 문제를 해결하는 것은 아님.
생물학은 외계 기술을 역공학해 작동 원리를 알아내는 것과 비슷함. 수학과 공학은 명확히 정의된 부품으로 복잡한 것을 쌓아 올리는 쪽이고, 훨씬 더 결정론적임. 생물학에서 AI의 궁극적인 병목은 지능보다는 잘 정리된 폭넓은 데이터임.
운이 좋은 사람에게만 해당함. Anthropic은 더 나은 진통제 개발과 소외 열대질환 연구를 차단한 일을 공개적으로 자랑한 적이 있음.
특별 대우를 받는 사람이 아니면 위험한 수행 능력을 높여 준다는 이유로 연구비 신청서 작성조차 Claude로 할 수 없음. 농담이면 좋겠지만, 보고서의 해당 구절을 그대로 인용해 두었음. https://news.ycombinator.com/item?id=49651727.
비전문가보다도 지식이 부족하니 흘려들어도 되지만, 정말 그런지 궁금함. 수학이 LLM에 적합한 이유는 LEAN의 형식 체계와 AI의 탐색 유도를 결합할 수 있기 때문 아닐까? 사실상 무차별 탐색을 하되, AI가 탐색할 가지의 우선순위를 정해 주는 구조로 보임.
약물 상호작용에도 LEAN 같은 생물학 시스템이 있다면, AI의 예측으로 탐색 범위를 유도할 수 있지 않을까? 형식적 증명과 생물체의 확률적·화학적·물리적 성질이 다르다는 데는 동의하지만, 결정론적 시스템과 확률적 시스템의 차이가 정말 그만큼 큰 도약을 요구하는지 궁금함.
“도움”의 상당 부분이 사실 서류 작성이라는 게 우스움. 그게 병목이라면 AI로 문서를 쓰고 다시 AI로 읽게 하기보다, 절차를 둘러싼 관료주의 자체를 재검토해야 하지 않을까? 지금 방식은 어리석어 보임.
“그냥 서류 작성”이라고 하면 놓치는 부분이 있음. 규제기관 제출 문서는 내용이 방대하고 실질적인 판단이 많이 필요해서, 디지털 서식만으로 혁신되지 않았음.
AI 편집과 검토를 활용하면 여러 사람이 순차적으로 수정하고 검토를 주고받느라 걸리던 2주를, 모두 모여 2시간 동안 수정 사항을 짚고 즉시 반영하는 과정으로 줄일 가능성이 있음. 물론 새 증거를 만들거나 누락된 증거를 찾아 검토해야 하는 느린 과정은 남을 것임.
그래도 속도가 25%만 개선돼도 영향이 상당함. 제출 과정을 완전히 자동화해야만 가치가 있는 것은 아님.
생물학은 생명의 속도로 움직임이라는 문구가 기대치를 잡아 주는 훌륭한 표현임. 생명 시뮬레이션에 혁명적인 진전이 없다면, 소프트웨어 공학이나 수학과 같은 발전 속도를 기대해서는 안 됨.
생물학은 시뮬레이션은 부족하지만 대규모 병렬 처리가 가능함. 세포 배양 수준에서 시험할 수 있는 대상이라면, 고속 대량 실험 설비로 많은 일을 할 수 있음.