최근 몇 년간 테크 뉴스와 바이오 업계를 지켜보신 분들이라면 심한 괴리감을 느껴보셨을 것입니다.

한쪽에서는 실리콘밸리 벤처캐피털과 미디어들이 “생물학이 드디어 디지털화되었다”, “AI가 암을 정복하고 모든 질병을 해결할 것이다”, *“수십 년 걸리던 실험실 연구는 이제 데이터센터 서버가 대신할 것이다”*라며 열광했습니다.

하지만 다른 한쪽의 현실은 냉혹합니다. 병원에 가도 의사 선생님이 “AI가 개발한 기적의 알약”을 처방해 주지 않으며, 한때 천문학적인 기대를 모았던 AI 바이오 스타트업들의 주가는 고점 대비 80~95% 폭락했습니다. 인류를 괴롭히는 암과 치매는 여전히 정복되지 않았습니다.

이런 상황을 보면 누구라도 다음과 같은 합리적 의심을 품게 됩니다.

“생물학에 AI를 도입한다는 거, 소문만 무성하고 실제 결과물은 없는 전형적인 거품(Hype) 아닌가요?”

결론부터 솔직하게 말씀드리겠습니다. 여러분이 느끼신 회의감은 지극히 타당합니다. 하지만 “아무런 실질적 성과가 없다”고 생각하신다면, 인류 과학사에서 지금 벌어지고 있는 가장 거대한 패러다임 전환의 핵심을 놓치고 계신 것입니다.

문제는 기술 자체가 아니라, “인체 생물학을 스마트폰 소프트웨어처럼 다룰 수 있다”고 착각한 실리콘밸리의 오만이었습니다. 마케팅 수사와 금융 거품을 걷어내고 2026년 현재의 연구실과 임상 현장을 들여다보면 결코 ’허상’이 아닙니다.

AI가 타깃 발굴부터 분자 설계까지 완료한 신약들이 이미 실제 환자를 대상으로 한 임상 2상과 3상에서 유의미한 치료 효과를 입증하고 있으며, 지난 반세기 동안 인류가 풀지 못했던 생물학의 물리적 난제들이 하나씩 해결되고 있습니다.

비전문가도 직관적으로 이해할 수 있도록 복잡한 전문 용어를 배제하고, 신약 개발이 왜 그토록 어려운지, AI가 어디서 진짜 성과를 내고 있으며, 왜 아직 모든 병을 고치지 못하는지 그 물리적 병목점까지 명쾌하게 정리해 드립니다.

1. 신약 개발이란 무엇인가: ‘외계 우주선 엔진’ 비유

AI가 생물학에서 왜 대단한 혁신인지 이해하려면, 먼저 기존의 신약 개발이 얼마나 무모할 정도로 어려웠는지를 알아야 합니다.

인체는 정밀한 시계가 아니라 **30조 개의 세포(시민)**가 유기적으로 얽혀 사는 거대한 초거대 메트로폴리스입니다. 그리고 각 세포 안에는 수만 개의 극미세 나노 기계인 **‘단백질(Protein)’**들이 쉴 새 없이 움직이고 있습니다. 단백질은 산소를 나르고, 손상된 DNA를 수리하며, 신경 신호를 전달하고, 영양소를 분해합니다.

우리가 암, 치매, 류마티스 관절염 같은 질병에 걸리는 이유는 대개 이 2만여 종의 단백질 나노 기계 중 특정 기계 하나가 고장 나거나 폭주하기 때문입니다.

기존의 신약 개발은 비유하자면 **“설계도도 사용 설명서도 없는 외계 우주선의 고장 난 엔진을 고치는 일”**과 같았습니다. 보통 다음의 4단계를 거칩니다.

[1. 타깃 발굴] ──> [2. 분자/키 설계] ──> [3. 전임상 독성 검증] ──> [4. 사람 대상 임상시험]
 어떤 부품이 고장?    그 부품만 멈출 열쇠     간을 파괴하진 않는가?      실제 환자에게 듣는가?
   (1~3년 소요)         (4~6년 소요)             (7~9년 소요)              (10~15년 소요)
  1. 타깃 발굴 (Target Discovery - 고장 난 부품 찾기): 인체 내 2만여 개 단백질 중 어떤 녀석이 이 질병의 진짜 원인인가? 지난 수십 년간 과학자들은 논문을 뒤지고 수많은 동물 실험을 거치며 추측에 의존해 범인을 찾았습니다.
  2. 리드 최적화 / 분자 설계 (Molecule Design - 전용 열쇠 깎기): 범인 단백질을 찾았다면, 그 단백질의 특정 주머니(홈)에 딱 맞아들어가 작동을 멈추게 할 초미세 화학물질(저분자 화합물)이나 항체 단백질을 만들어야 합니다. 문제는 가능한 화학 분자의 가짓수가 우주에 존재하는 원자 수보다 많은 $10^{60}$개에 달한다는 점입니다. 전통 제약사는 플라스틱 시험관 수십만 개에 무작위 화합물을 일일이 섞어보며 “제발 하나만 걸려라” 식의 운에 기댔습니다.
  3. 전임상 독성 및 체내 동태 검증 (ADMET - 지옥의 생존 테스트): 시험관에서 단백질에 잘 달라붙는 물질을 찾았다고 끝이 아닙니다. 물에 잘 녹는가? 세포막을 뚫을 수 있는가? 입으로 삼켰을 때 간 효소에 3분 만에 분해되지 않는가? 심장 근육의 칼륨 통로(hERG)를 마비시켜 환자를 심장마비로 몰고 가진 않는가? 이를 약리학에서는 ADMET(흡수·분포·대사·배설·독성)이라 부릅니다.
  4. 인체 임상시험 (Clinical Trials - 진실의 무대):
    • 임상 1상 (안전성): 건강한 지원자 20~100명을 대상으로 인체에 치명적인 독성이 없는지 확인.
    • 임상 2상 (유효성): 실제 질환을 앓는 환자 100~300명을 대상으로 약효가 실제로 나타나는지 검증.
    • 임상 3상 (대규모 확증): 수천 명의 대규모 환자군을 대상으로 기존 표준 치료제보다 뛰어난지 비교.

가혹한 현실의 숫자들

AI가 도입되기 전, 전통 제약 산업의 성적표는 처참했습니다:

  • 개발 기간: 실험실 아이디어에서 약국 출시까지 평균 10년~15년.
  • 개발 비용: 신약 하나를 최종 승인받는 데 들어가는 비용 평균 15억26억 달러 (약 2조3조 5,000억 원) (실패한 모든 프로젝트 비용 포함).
  • 실패율: 인간 대상 임상시험에 진입한 후보물질 중 무려 90%가 중도 탈락.

이것이 바로 신약 개발이 직면한 냉혹한 현실의 기준선입니다.

2. 왜 “소문만 무성하고 성과는 없다”고 느껴졌을까?

이처럼 기존 방식이 턱없이 비효율적이었는데, 왜 대중의 눈에는 AI 바이오가 실속 없는 거품처럼 비쳤을까요?

원인은 두 가지입니다: **‘18개월 소프트웨어의 착각’**과 ‘금융 시장의 숙취’ 때문입니다.

1) 18개월 소프트웨어의 착각

IT 소프트웨어는 번개처럼 빠릅니다. 코드를 작성해 5초 만에 서버에 올리고, 전 세계 수억 대의 스마트폰에 배포하며, 매주 업데이트를 찍어냅니다.

모바일 앱과 SaaS로 수천억을 번 실리콘밸리 투자자들은 생물학도 똑같은 소프트웨어 코드라고 착각했습니다. “딥러닝 모델이 단백질을 접었으니, 2년이면 블록버스터 신약이 쏟아져 나올 것”이라며 호언장담했습니다.

하지만 인체 생물학은 코드가 아닙니다. 인간의 신체 반응과 질병의 진행 속도는 엔비디아 GPU로 ’오버클럭’할 수 없습니다.

  • 인간 간세포가 약물을 대사하고 분해하는 속도를 인위적으로 10배 빠르게 돌릴 수 없습니다.
  • 각양각색의 유전적 배경을 가진 환자들의 면역계가 어떻게 반응하는지는 실제로 약을 투여하고 수개월을 관찰해야만 알 수 있습니다.
  • 암 환자의 생존 기간이 12개월 연장되는지를 확인하려면, 말 그대로 12개월의 물리적 시간이 흘러야 합니다.

2) 1세대 AI 바이오 상장사들의 주가 폭락

2020~2022년 사이, “우리는 순수 AI 신약 개발사”라는 타이틀을 달고 수많은 기업들이 스팩(SPAC) 합병과 IPO를 통해 천문학적인 몸값으로 나스닥에 상장했습니다. 그러나 신약 개발의 냉혹한 임상 현실에 부딪히며 거품이 꺼졌습니다:

  • 베네볼런트AI(BenevolentAI): 유럽 스팩 상장 당시 기업가치 15억 파운드(약 2조 5천억 원)를 기록했으나, 2023년 주력 아토피 피부염 치료제(BEN-2293)가 임상 2a상에서 유효성 입증에 실패하며 주가가 95% 이상 폭락했습니다.
  • 엑센시아(Exscientia): 30억 달러 가치로 상장했으나 임상 지연과 경영진 교체를 겪은 끝에 리커전(Recursion)에 대폭 할인된 가격으로 흡수합병되었습니다.
  • 리커전 파마슈티컬스(Recursion): 2021년 주당 40달러에 육박했으나, 임상 실패율을 단숨에 없앨 수 없다는 현실이 드러나며 한 자릿수 주가로 내려앉았습니다.

대중과 투자자들은 이 주가 폭락을 목격하며 *“결국 AI 신약 개발도 허풍선이들의 사기극이었구나”*라는 결론을 내렸습니다.

하지만 그것은 금융 거품이 꺼진 것이지, 기술의 실패가 아니었습니다. 보이지 않는 연구실 수면 아래에서 진짜 과학 혁명은 무르익고 있었습니다.

3. 회의론자를 설득하는 4가지 실질적 반박과 팩트

그렇다면 2026년 오늘날, AI가 생물학과 바이오 제약 산업에서 실제로 무엇을 이뤄냈을까요?

단순한 컴퓨터 시뮬레이션이나 희망 섞인 주장이 아닌, 학술 동료평가(Peer-reviewed)를 거친 논문과 실제 환자 임상 데이터로 입증된 4가지 사실을 소개합니다.

팩트 1: 진짜 환자에게 약효를 낸 임상 2·3상 신약의 등장

AI가 설계한 약이 실제로 환자의 병을 호전시킬 수 있는가? 2025년과 2026년에 걸쳐 가장 결정적인 임상 데이터들이 공개되었습니다.

1. 인실리코 메디슨(Insilico Medicine)의 렌토서팁(Rentosertib, ISM001-055)

’특발성 폐섬유증(IPF)’은 폐 조직이 딱딱하게 굳어 숨을 쉬지 못하게 되는 치명적인 불치병입니다. 기존 약물들은 구토, 설사 등 부작용이 극심하면서도 폐 기능 저하를 약간 늦추는 데 그쳤습니다.

인실리코 메디슨은 자체 생성형 AI 플랫폼을 통해:

  1. 폐 조직의 섬유화와 노화를 유발하는 핵심 단백질 타깃인 TNIK를 AI로 새롭게 찾아냈습니다.
  2. 이 TNIK 단백질만을 정확하게 억제하는 신규 화학 분자인 렌토서팁을 밑바닥부터 분자 단위로 설계했습니다.

타깃 발굴부터 분자 설계까지 100% AI로 완성된 약물이 실제 환자에게 투여된 것입니다. 그 결과는 어땠을까요?

2025년 6월, 최고 권위의 의학 학술지인 **《네이처 메디슨(Nature Medicine)》**에 공식 발표된 임상 2a상 결과(DOI: 10.1038/s41591-025-03743-2; NCT05938920)에 따르면:

  • 12주간 매일 60mg을 복용한 폐섬유증 환자군은 폐 기능(노력성 폐활량, FVC)이 평균 +98.4 mL 개선되었습니다. (가짜 약을 먹은 위약군은 오히려 -20.3 mL 악화되었습니다.)
  • 환자들의 약물 내약성과 안전성이 우수했으며, 섬유화 억제 바이오마커가 뚜렷하게 확인되었습니다.
  • 무엇보다 타깃 가설 설정부터 임상 1상 진입까지 걸린 시간은 불과 30개월, 비용은 약 260만 달러에 불과했습니다. 기존 전통 제약사의 수천만 달러, 5년 이상의 시간과 비교하면 경이적인 단축입니다.

2. 릴레이 테라퓨틱스(Relay Therapeutics)의 조베갈리십(Zovegalisib, RLY-2608)

유방암 환자의 30% 이상에서 PI3Kα라는 유전자 변이가 암세포의 증식을 일으킵니다. 지난 25년간 전 세계 거대 제약사들이 이 단백질을 막는 약을 만들려 했지만 번번이 실패했습니다.

이유는 단순했습니다. 정상적인 PI3K 단백질은 체내 인슐린과 혈당을 조절하는 필수 부품입니다. 기존 화학 합성 약물들은 변이 단백질과 정상 단백질을 구분하지 못해 둘 다 차단해 버렸고, 그 결과 환자들은 극심한 고혈당과 발진으로 치료를 중단해야만 했습니다.

릴레이 테라퓨틱스는 단백질의 정지된 사진이 아니라, 단백질이 꿈틀거리며 움직이는 3차원 동역학을 머신러닝으로 계산했습니다. 그 결과, **오직 변이된 암 단백질에서만 순간적으로 열리는 ‘비밀 뒷문(Allosteric Pocket)’**을 찾아냈습니다.

이 뒷문만을 정밀 타격하는 **조베갈리십(RLY-2608)**을 개발한 결과:

  • 여러 차례 항암 치료에 실패한 전이성 유방암 환자들을 대상으로 무진행 생존기간(PFS) 11.0개월이라는 뛰어난 효능을 기록했습니다.
  • 정상 단백질을 건드리지 않기 때문에 고혈당 부작용으로 인한 투약 중단율이 극적으로 낮아졌습니다.
  • 이 성공을 바탕으로 릴레이는 2025년 중반부터 전 세계 대규모 **임상 3상(ReDiscover-2, NCT06982521)**을 개시하여 최종 신약 승인 단계에 돌입했습니다.

3. 제너레이트 바이오메디슨(Generate:Biomedicines)의 GB-0895

작은 화학 알약뿐만 아니라 거대 단백질 약물인 항체(Antibody) 분야에서도 혁신이 일어났습니다.

  • 제너레이트는 생성형 AI 확산 모델(Diffusion Model)을 사용해 중증 천식 치료용 항체인 GB-0895를 컴퓨터 안에서 설계했습니다.
  • 체내 지속 시간을 인공지능으로 극대화하여, 기존 치료제들이 매달 혹은 2주마다 맞아야 했던 주사를 **1년에 단 2회(6개월에 1회)**만 맞아도 되도록 개선했습니다.
  • 현재 글로벌 임상 3상(SOLAIRIA-1 및 SOLAIRIA-2)이 진행 중입니다.

팩트 2: 임상 1상 안전성 통과율이 2배로 수직 상승 (자야퉁가 연구)

“몇몇 유망한 바이오텍의 개별 성공 사례 아니냐”는 의문이 들 수 있습니다.

2024년, 자야퉁가(Madura K.P. Jayatunga) 연구팀은 학술지 **《드러그 디스커버리 투데이(Drug Discovery Today)》**에 AI 기반 신약 후보물질들의 임상 성적표를 전수 분석한 랜드마크 연구를 발표했습니다(DOI: 10.1016/j.drudis.2024.104009).

그 통계적 결과는 명확했습니다:

구분 전통 제약사 역사적 평균 AI 설계 신약 파이프라인
임상 1상 성공률 (인체 안전성·내약성) 40% ~ 65% 80% ~ 90%
임상 2상 성공률 (실제 약효 검증) 30% ~ 40% 약 40%
전체 개발 최종 성공 확률 약 5% ~ 10% 약 9% ~ 18% (2배 상승 전망)

임상 1상 통과율이 왜 4065%에서 8090%로 치솟았을까요?

임상 1상은 약이 사람 몸에서 치명적인 독성을 일으키지 않는지를 봅니다. 과거 인간 화학자들은 분자를 만들 때 “타깃에 잘 붙는 성질”을 높이려다 물에 안 녹게 만들고, 용해도를 고치려다 간을 파괴하는 독성을 유발하는 식의 두더지 잡기를 반복했습니다.

반면 최신 AI는 **‘다중 파라미터 동시 최적화’**를 수행합니다. 컴퓨터 안에서 수억 개의 후보를 가상으로 스크리닝하며 결합력, 체내 흡수율, 간 대사 안정성, 심장 독성 위험도를 동시에 계산해 가장 안전한 분자만을 실험실로 보냅니다. 덕분에 인체 투여 시 독성으로 중도 탈락하는 비율이 절반 이하로 줄어든 것입니다.

팩트 3: 자연계에 없던 단백질과 유전자 가위를 창조하다 (De Novo 설계)

지난 40억 년 동안 지구상의 생명체는 우연한 돌연변이와 자연선택에 의해서만 단백질을 진화시켜 왔습니다. 하지만 AI는 자연계에 단 한 번도 존재한 적 없는 완전히 새로운 생체 분자를 백지상태에서 설계하는 디노보(De Novo) 생물학 시대를 열었습니다.

  • 프로플루언트의 오픈크리스퍼(OpenCRISPR-1): 유전 질환 치료의 핵심인 3세대 유전자 가위(Cas9)는 박테리아가 바이러스에 대항하기 위해 만든 천연 효소입니다. 프로플루언트(Profluent) 연구진은 수억 개의 유전자 서열을 언어 모델에 학습시킨 뒤, 자연계의 SpCas9과 아미노산 서열이 무려 400개 이상 다른 완전 인공 유전자 가위를 생성해 냈습니다. 《네이처(Nature)》에 게재되고 GitHub에 오픈소스로 공개된 이 인공 효소는 인간 세포에서 기존 자연 효소보다 더 정밀하게 유전자를 교정하면서도 원치 않는 DNA 절단(오프타깃) 부작용을 줄였습니다.
  • 에볼루셔너리스케일의 ESM-3: 전 메타(Meta) AI 생물학 연구팀이 창업한 에볼루셔너리스케일(EvolutionaryScale)은 980억 파라미터 규모의 모델 ESM-3를 공개했습니다. 연구진이 모델에게 “초록색 형광을 내는 단백질을 만들어줘”라고 프롬프트를 주자, 모델은 자연계 해파리 단백질과 서열이 58개나 다른 esmGFP를 설계했습니다. 이는 자연 진화로 5억 년이 걸려야 도달할 수 있는 진화적 거리를 단 한 번의 컴퓨터 연산으로 건너뛴 것이며, 실제 실험실에서 합성했을 때 완벽하게 선명한 초록빛을 발산했습니다.
  • 아크 연구소의 에보(Evo / Evo 2): 스탠퍼드대와 아크 연구소(Arc Institute)가 《사이언스(Science)》와 《네이처(Nature)》에 발표한 게놈 파운데이션 모델 에보(Evo)는 수십만 개의 DNA 염기서열 문맥을 한 번에 이해합니다. 단백질뿐만 아니라 DNA 프로모터, RNA 조절 인자 등 게놈 전체의 복합 유기 시스템을 통째로 설계할 수 있는 길을 열었습니다.

팩트 4: 실험실 연구원들을 노가다에서 해방시킨 알파폴드

회의론자들은 종종 *“알파폴드(AlphaFold)는 단백질의 굳어있는 사진만 찍어줄 뿐, 그 자체로 약이 되는 건 아니지 않느냐”*라고 지적합니다.

맞는 말입니다. 정적 구조 하나 안다고 약이 뚝딱 나오는 것은 아닙니다. 하지만 알파폴드는 전 세계 수만 명의 생물학자들을 지난 60년간 괴롭혀 온 가장 고통스러운 실험실 병목인 **‘결정학 위상 문제(Crystallographic Phase Problem)’**를 하룻밤 사이에 해결했습니다.

단백질에 X선을 쬐어 구조를 알아낼 때, 산란된 빛의 세기만 측정되고 위상(Phase) 정보가 소실됩니다. 이 위상을 맞추기 위해 전 세계 대학원생과 연구원들은 수개월 동안 수은, 백금 같은 유독한 중금속을 단백질 결정에 침투시키며 수천 번의 노가다 실험을 반복해야 했습니다. 풀리지 않아 하드디스크에 버려진 단백질 회절 데이터만 수만 건이었습니다.

알파폴드 2와 2억 1,400만 개 단백질 구조 데이터베이스가 공개된 후, 터윌리거(Terwilliger et al.) 연구팀의 벤치마크에 따르면:

  • 알파폴드의 예측 구조를 가이드 템플릿으로 입력하자, 과거 수개월수년 동안 풀지 못했던 미지의 결정 데이터 중 9293%가 컴퓨터 자동 파이프라인으로 단 몇 분 만에 해석되었습니다.

알파폴드는 실험실을 없앤 것이 아닙니다. 안개 속에서 장님 문고리 잡듯 수년씩 걸리던 헛발질을 끝내고, 연구원들에게 초정밀 레이더를 쥐여준 것입니다.

4. 냉정한 현실: 왜 아직 모든 병을 정복하지 못했는가?

AI가 이토록 눈부신 성과를 내고 있다면, 왜 여전히 신약 개발은 느리고 비쌀까요?

그 이유는 인체 생물학에 어떤 첨단 신경망으로도 우회할 수 없는 4가지 물리적 병목의 벽이 존재하기 때문입니다.

┌────────────────────────────────────────────────────────────────────────┐
│                        생물학의 4대 물리적 철벽                        │
├───────────────────┬───────────────────┬───────────────────┬────────────┤
│ 1. 타깃 검증의 벽 │ 2. 데이터 기근    │ 3. 진화의 누더기  │ 4. 물리적  │
│   (열쇠와 자물쇠) │   (공개 데이터 X) │    스파게티 코드  │    임상 시계│
│                   │                   │                   │            │
│ 자물쇠에 맞는     │ 인터넷 글과 달리  │ 암세포는 A길을    │ 사람 몸에서│
│ 열쇠를 깎아도,    │ 바이오 데이터는   │ 막으면 알아서     │ 약효 확인엔│
│ 그 문이 엉뚱한    │ 비싸고 특허로     │ B, C길로 우회함   │ 절대적 시간│
│ 문이면 소용없음   │ 꽁꽁 묶여 있음    │ (단순 코딩 아님)  │ 필요함     │
└───────────────────┴───────────────────┴───────────────────┴────────────┘

병목 1: ’자물쇠는 열었는데 엉뚱한 문’인 문제 (타깃 검증)

AI는 지정된 단백질에 강력하게 들러붙는 분자를 기막히게 잘 만들어냅니다. 하지만 단백질에 약이 잘 붙는다는 것과, 환자의 병이 낫는다는 것은 완전히 다른 이야기입니다.

신약 임상 2상 실패의 약 60%는 효능 부족(Efficacy Failure) 때문입니다. 즉, 컴퓨터 계산대로 약이 단백질 A를 100% 완벽하게 틀어막았는데, 정작 인체 내에서는 단백질 A를 막아도 질병이 멈추지 않는 것입니다.

알츠하이머나 췌장암 같은 복합 질환은 수백 개의 유전자, 면역 세포, 대사 경로, 환경적 요인이 뒤엉켜 발생합니다. 열쇠를 완벽하게 깎는 것은 기술이지만, 애초에 어떤 자물쇠를 따야 방 안의 불을 끌 수 있는지는 여전히 현대 의학의 거대한 미스터리입니다.

병목 2: 데이터의 기근과 실패 데이터의 무덤

챗GPT 같은 거대 언어 모델이 성공한 이유는 인류가 30년간 인터넷에 공짜로 쏟아낸 수조 개의 텍스트 데이터가 있었기 때문입니다.

하지만 생물학에는 그런 무료 공공 인터넷이 없습니다.

  • 세포 하나를 정밀 분석하는 단일세포 시퀀싱 실험 한 번에 수백~수천만 원이 듭니다.
  • 글로벌 빅파마(다국적 제약사)들이 수십 년간 쌓아온 고품질 화합물 데이터는 전부 특허와 영업비밀로 금고 깊숙이 잠겨 있습니다.
  • 실패 데이터의 부재: 학술 논문에는 성공한 실험(“이 분자가 효과가 있었습니다!”)만 실립니다. 연구실에서 합성했다가 실패하고 버린 999개의 실패 데이터는 휴지통으로 직행합니다. AI가 화학의 경계면을 학습하려면 실패한 사례도 똑같이 봐야 하는데, 현실에서는 성공한 편향 데이터만 먹고 자라다 보니 예측 오차가 발생합니다.

병목 3: 38억 년 진화가 낳은 ‘누더기 스파게티 코드’

컴퓨터 소프트웨어는 깔끔한 논리 회로와 규칙에 따라 작동합니다. 버그가 나면 코드를 디버깅하면 됩니다.

하지만 인간의 몸은 38억 년간 생존을 위해 덕지덕지 기워 붙인 진화의 누더기 코드입니다. 진화는 깔끔하게 코드를 리팩토링하지 않습니다. 치명적인 돌연변이가 생기면, 대충 그 옆에 엉성한 우회로를 하나 덧붙여 살아남는 방식을 택해왔습니다.

그래서 암세포에 AI로 설계한 정밀 유도탄을 쏴서 신호 전달 경로 A를 완벽히 차단하면, 암세포는 며칠 만에 우회로인 경로 B와 C를 가동해 내성을 획득합니다. 인체의 이 복잡한 상호작용 피드백 루프는 현재의 인공지능으로도 온전히 시뮬레이션하기 벅찬 영역입니다.

병목 4: 오버클럭할 수 없는 임상시험 시계

신약 개발 전체 비용과 시간의 약 70%는 사람 대상 임상시험에 들어갑니다.

심혈관 질환 치료제가 실제로 환자의 심근경색 사망률을 낮추는지 증명하려면 최소 3~5년 동안 수천 명의 환자를 추적 관찰해야 합니다. 이 과정은 환자의 생명과 직결되며 각국 보건당국(FDA 등)의 엄격한 법적 규제를 받습니다.

AI가 아무리 똑똑해도 살아있는 인간의 생물학적 시간 흐름을 건너뛸 수는 없습니다.

5. 최종 결론: 현대 의학의 ‘CAD 혁명’

이 모든 사실을 종합할 때, 우리는 AI in Biology를 어떻게 바라보아야 할까요?

AI 바이오를 **‘버튼 하나 누르면 내일 당장 만병통치약이 나오는 마법의 자판기(SaaS)’**로 기대했다면 실망할 수밖에 없습니다.

올바른 비유는 **항공우주 공학의 ‘CAD(컴퓨터 지원 설계) 및 전산유체역학(CFD) 혁명’**입니다.

CAD가 도입되기 전, 비행기를 만드는 일은 대단히 위험한 장인들의 도박이었습니다. 나무로 축소 모형을 깎아 풍동 실험실에서 연기를 날려보고, 실제 시제품을 만들어 목숨을 건 테스트 파일럿이 하늘로 몰고 올라갔습니다. 수많은 조종사들이 추락해 사망했습니다.

CAD 소프트웨어가 도입되었다고 해서 중력이 사라졌습니까? 비행기를 알루미늄과 탄소섬유로 깎아 만드는 물리적 제조 공정이 사라졌습니까? 미 연방항공청(FAA)의 엄격한 비행 안전 검사가 없어졌습니까?

아닙니다. 중력도, 물리적 공장도, 비행 테스트도 그대로 남았습니다.

하지만 CAD는 수천 번의 맹목적인 시행착오와 치명적인 추락 사고를 컴퓨터 화면 안에서 미리 걸러내 주었습니다. 비행기 설계를 주먹구구식 장인 기술에서 예측 가능한 ’정밀 공학’의 영역으로 끌어올린 것입니다.

┌────────────────────────────────────────────────────────────────────────┐
│                     신약 개발의 패러다임 전환                          │
├───────────────────────────────────┬────────────────────────────────────┤
│ 과거의 전통 제약 방식             │ AI가 결합된 현대 바이오텍          │
├───────────────────────────────────┼────────────────────────────────────┤
│ • 수십만 개 무작위 화합물을       │ • 타깃 맞춤형으로 분자를 바닥부터  │
│   시험관에 마구 섞어보는 모래밭   │   직접 디자인 (De Novo 생성)       │
│   바늘 찾기                       │                                    │
│ • 하나 고치면 다른 곳이 터지는    │ • 결합력, 독성, 흡수율을 컴퓨터로  │
│   두더지 잡기식 분자 수정 (4~5년) │   동시에 다중 최적화 (1~2년)       │
│ • 임상 1상 안전성 탈락률 40~60%   │ • 임상 1상 안전성 통과율 80~90%    │
│ • 풀리지 않아 하드디스크에 묵혀둔 │ • 미지의 단백질 결정 구조 93%를    │
│   단백질 X선 결정 데이터 방치     │   자동 파이프라인으로 즉각 해석    │
│ • 접근 불가능했던 난공불락 타깃   │ • 단백질 동역학 계산으로 숨겨진    │
│   (변이 암 단백질 등) 포기        │   비밀 뒷문(Allosteric) 공략 성공  │
└───────────────────────────────────┴────────────────────────────────────┘

지금 AI가 생물학에서 하고 있는 일이 정확히 이것입니다:

  1. 초기 후보물질 발굴 기간을 5년에서 18개월로 단축시켜 수백억 원의 초기 헛돈을 아껴줍니다.
  2. 컴퓨터 사전 독성 스크리닝을 통해 임상 1상 안전성 통과율을 50%대에서 85% 이상으로 두 배 가까이 끌어올렸습니다.
  3. 25년간 정상 세포 독성 때문에 손도 못 대던 ’난치성 암 단백질(PI3Kα 변이체 등)’의 숨겨진 뒷문을 열어 신약으로 만들어냈습니다.
  4. 자연계가 40억 년간 진화시키지 못한 인공 유전자 가위와 형광 단백질을 백지상태에서 창조해 냈습니다.

생물학에 부는 AI 바람은 과장된 마케팅이었을까요?

단기 주가 펌핑을 노렸던 테크 거품은 꺼지는 것이 마땅했습니다. 하지만 그 잔해 속에서 피어난 생물학의 과학적 혁명은 가장 실질적이고 측정 가능한 데이터로 인간의 생명을 구하기 시작했습니다.

인간의 몸이 소프트웨어가 아닌 이상 기적의 알약이 내일 아침 배송되지는 않을 것입니다. 그러나 인류 역사상 최초로, 우리는 캄캄한 어둠 속에서 우연히 발견되던 기적에 기대는 대신 생명의 분자를 컴퓨터로 설계하고 제어하는 법을 배우고 있습니다. 이것만으로도 AI 바이오는 회의론을 넘어 인류가 계속 투자하고 주목해야 할 절대적인 가치가 있습니다.

검증 데이터 및 주요 참고 문헌

  1. AI 신약 임상시험 전수 분석 논문: Jayatunga, M. K. P. et al. “How successful are AI-discovered drugs in clinical trials? A first analysis and emerging lessons.” Drug Discovery Today 29, 104009 (2024). DOI: 10.1016/j.drudis.2024.104009
  2. 인실리코 메디슨 폐섬유증 치료제(ISM001-055) 임상 2a상 결과: Ren, F. et al. “A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial.” Nature Medicine (2025년 6월). DOI: 10.1038/s41591-025-03743-2 | ClinicalTrials.gov NCT05938920
  3. 인실리코 메디슨 타깃 발굴 및 전임상 검증 논문: Ren, F. et al. “A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models.” Nature Biotechnology (2024). DOI: 10.1038/s41587-024-02143-0
  4. 릴레이 테라퓨틱스 유방암 신약(조베갈리십) 글로벌 임상 3상: ReDiscover-2 Trial. ClinicalTrials.gov NCT06982521
  5. AI 생성 인공 유전자 가위(OpenCRISPR-1): Ruffolo, J. A. et al. Profluent. “Design of highly functional genome editors by modeling the universe of CRISPR-Cas sequences.” Nature (2025). GitHub 저장소
  6. 980억 파라미터 단백질 파운데이션 모델(ESM-3): EvolutionaryScale. ESM-3 기술 보고서 (2024).
  7. 게놈 파운데이션 모델(Evo 2): Arc Institute / Stanford University. “Genome modelling and design across all domains of life with Evo 2.” Nature (2026). DOI: 10.1038/s41586-026-10176-5 | Arc Institute 공식 사이트
  8. 알파폴드 2 논문 및 글로벌 단백질 구조 데이터베이스: Jumper, J. et al. “Highly accurate protein structure prediction with AlphaFold.” Nature 596, 583–589 (2021). DOI: 10.1038/s41586-021-03819-2 | AlphaFold Database
  9. 알파폴드를 통한 결정학 위상 문제 해결 연구: Terwilliger, T. C. et al. “AlphaFold predictions for macromolecular crystallography.” Acta Crystallogr D Struct Biol 79, 140–147 (2023). PubMed: 36735235
  10. 디노보 단백질 디자인(RFdiffusion): Watson, J. L. et al. “De novo design of protein structure and function with RFdiffusion.” Nature 620, 1089–1100 (2023). DOI: 10.1038/s41586-023-06415-8