AstraZeneca insitro 계약, AI 표적 발굴에 15억 달러 투자

AstraZeneca가 insitro와 최대 약 15억 달러 규모의 계약을 체결하며, 간 및 심장 질환 신약 파이프라인의 출발점에 AI를 배치했다. AstraZeneca insitro 계약은 단순히 질환과 함께 나타나는 표적이 아니라 실제로 질환을 유발하는 생물학적 표적을 선택하는 고질적인 문제를 겨냥한다.

양사는 MASH로 알려진 대사이상 관련 지방간염과 심장 근육에 영향을 미치는 심근병증에 집중할 예정이다. 이 진단명들은 생물학적으로 다양한 환자 집단을 포괄하기 때문에 두 질환 모두 모델링과 치료가 어렵다. 이번 협업은 AstraZeneca가 수년간의 실험실 및 임상 연구를 투입하기 전에 머신러닝이 이러한 숨은 질환 기전을 구분할 수 있는지를 묻는다.

이러한 구분은 계약의 헤드라인 가치보다 더 중요하다. 발표된 대가 대부분은 향후 발굴, 개발 및 상업화 마일스톤에 달려 있다. 즉각적인 약정 규모는 훨씬 작으며, 임상적 검증은 여전히 AstraZeneca의 책임이다. 이 구조는 알고리즘이 실험, 임상시험 또는 규제 심사를 대체할 수 있다는 주장 없이 insitro에 대형 제약 파트너를 제공한다.

이번 계약은 Gilead Sciences, Bristol Myers Squibb, Eli Lilly를 위해 수행한 insitro의 기존 작업과 중요한 비교 지점도 만든다. AstraZeneca는 완성된 의약품이나 검증된 표적을 사들이는 것이 아니다. 어떤 생물학적 가설이 신약 프로그램으로 발전할 가치가 있는지 더 잘 선정하는 시스템에 비용을 지불하는 것이다.

AstraZeneca insitro 계약이 실제로 다루는 범위

이 계약은 AI가 생성한 임상 개발 지름길이 아니라 표적 발굴과 전임상 후보물질 선정을 지원한다.

양사가 공개한 계약 조건에 따르면, AstraZeneca는 insitro에 선급금 4,000만 달러를 지급한다. insitro는 발굴, 개발 및 상업화 관련 잠재적 마일스톤을 통해 최대 약 14억6,000만 달러를 받을 수 있다.

이 회사는 향후 전 세계 매출에 대해 한 자릿수 로열티도 받을 수 있다. 이러한 지급은 프로그램이 관련 조건을 충족할 만큼 진전되는지에 달려 있다. 이미 이전됐거나 보장된 수익으로 해석해서는 안 된다.

AstraZeneca는 협업을 통해 확인된 선정 프로그램을 발전시킬 독점적 전 세계 권리를 받는다. insitro는 AstraZeneca가 지명한 표적을 발굴 단계에서 개발 후보물질 단계까지 이끌게 된다. 이후 AstraZeneca가 임상 개발, 규제 업무 및 상업화를 통제한다.

이 역할 분담은 프로젝트의 실제 범위를 보여준다. insitro의 역할은 인과적 질환 생물학을 규명하고 선정 표적을 잠재적 의약품으로 전환하는 데 기여하는 것이다. 인체에서의 안전성과 유효성을 입증하는 책임은 AstraZeneca에 남는다.

협업 대상은 MASH와 심근병증이다. MASH는 지방 축적, 염증 및 세포 손상을 수반하는 진행성 간 질환이다. 심근병증은 심장 근육의 구조 또는 기능을 변화시키는 질환이다.

두 범주 모두 상당한 생물학적 다양성을 포함한다. 두 환자가 같은 진단을 받더라도 유전적 동인, 질환 경과 또는 치료 반응은 다를 수 있다. 따라서 평균적인 환자를 겨냥한 치료법은 특정 하위 집단에서 질환을 유발하는 기전을 놓칠 수 있다.

insitro는 자사의 Virtual Human 플랫폼이 대규모 인간 데이터, 세포 측정치, 유전학 및 머신러닝을 결합한다고 설명한다. 이 플랫폼은 유전적 변이와 측정 가능한 질환 특성 및 세포 행동을 연결하는 패턴을 탐색한다.

“인과적 질환 생물학”이라는 표현은 이 제안의 핵심이다. 상관관계는 특정 단백질, 유전자 또는 바이오마커가 질환 환자에게서 나타난다는 사실을 보여줄 수 있다. 인과적 증거는 표적을 변화시키면 질환 과정 자체도 바뀌어야 한다는 점을 시사한다.

이 차이는 표적이 생산적인 신약 프로그램이 될지, 비용만 큰 막다른 길이 될지를 결정한다. AstraZeneca 임원 Sharon Barr는 표적 선택을 연구개발에서 가장 어려운 결정 중 하나라고 설명했다.

target-selection 인터뷰에서 Barr는 모든 연구 그룹이 읽을 수 있게 된 발표 경로는 더 이상 새로운 것이 아니라고 말했다. AstraZeneca는 덜 명확한 생물학적 연결고리를 더 일찍 찾아낸 뒤 세포 시스템에서 검증하려 한다.

따라서 이 계약은 정보 우위에 대한 베팅이다. AI가 제약 개발의 필요성을 없애는 것은 아니다. 그보다는 해당 과정에 진입하는 가설의 품질과 시점을 개선하는 것이 목표다.

MASH와 심근병증이 AI 전략에 부합하는 이유

AstraZeneca는 대규모 데이터셋에 유용한 신호가 존재하지만 광범위한 진단명이 서로 다른 생물학적 원인을 가릴 수 있는 질환을 선택했다.

MASH는 지방, 염증, 섬유화, 대사 및 유전학이 환자마다 다르게 상호작용하기 때문에 신약 개발사를 반복적으로 좌절시켜 왔다. 질환 진행도 크게 다르다. 일부 환자는 안정적으로 유지되지만, 다른 이들은 간경변이나 간암으로 진행한다.

이러한 다양성은 분자 설계 문제가 되기 전에 표적 선택 문제를 만든다. 의약품이 의도한 표적에 작용하더라도, 등록된 환자 중 충분한 수에서 그 표적이 질환을 유발하지 않는다면 실패할 수 있다.

심근병증도 유사한 과제를 제시한다. 이 범주에는 심장 근육을 약화시키거나, 확대하거나, 비대하게 하거나, 경직시키는 여러 유전성 및 후천성 질환이 포함된다. 서로 다른 유전적 변화가 비슷한 임상 증상을 만들 수 있다.

전통적인 발굴은 흔히 공개된 연구로 이미 뒷받침되는 기전에서 시작한다. 이후 과학자들은 분석법을 구축하고, 화합물을 시험하며, 해당 기전을 중심으로 증거를 수집한다. 이 접근법은 여전히 필수적이지만, 풍부한 데이터를 보유한 익숙한 표적을 선호할 수 있다.

머신러닝은 탐색 범위를 넓힐 수 있다. 이미지, 유전 변이, 분자 측정치, 임상 기록 및 실험적 교란을 함께 검토할 수 있다. 목표는 수백만 건의 관측치 전반에서 사람이 알아차리기 어려운 연결고리를 찾아내는 것이다.

insitro 창업자 Daphne Koller는 현대 생물학이 연구자가 수작업으로 검토할 수 있는 수준보다 더 상세한 측정치를 만들어낸다고 주장해 왔다. AI 신약 발굴 인터뷰에서 그는 환자 하위 집단에 맞는 적절한 개입을 선택할 만큼 복잡한 질환을 충분히 이해하는 것이 과제라고 설명했다.

이 주장은 MASH에 특히 관련성이 크다. 모델은 진단이 비슷해 보여도 섬유화가 서로 다른 분자 경로를 따르는 환자를 구별할 수 있다. 연구자들은 이후 한 경로와 연결된 표적을 추적하고, 이에 해당하는 환자군을 중심으로 임상시험을 설계할 수 있다.

같은 논리는 심장 질환에도 적용된다. 영상 패턴, 유전 정보, 순환 바이오마커 및 세포 실험은 질환에 대한 고차원적 그림을 만들 수 있다. 고차원 데이터에는 함께 분석해야 하는 많은 측정 특성이 담겨 있다.

그러나 데이터가 많다고 해서 더 나은 인과적 결론이 자동으로 나오는 것은 아니다. 의료 데이터셋은 누가 검사를 받았는지, 측정값이 어떻게 수집됐는지, 어떤 결과가 기록됐는지를 반영한다. 이러한 선택은 편향을 유발할 수 있다.

세포 모델도 인체 내부 환경을 단순화한다. 배양 세포를 변화시키는 표적이 여러 장기, 면역 반응 및 장기 치료 기간에서는 다르게 작동할 수 있다. 머신러닝은 가설의 우선순위를 정할 수 있지만, 그 순위가 생물학적 현실에서도 유지되는지는 실험으로 판단해야 한다.

insitro의 Virtual Human 접근법은 인간 유전학을 세포 시스템과 연결해 이러한 격차를 줄이려 한다. 유전 변이는 평생 지속되는 생물학적 차이와 질환 결과를 연관지을 수 있기 때문에 자연 실험처럼 작용한다.

연구자들은 이후 세포에서 관련 경로를 교란하고 결과를 측정할 수 있다. 인간 유전학과 실험실 효과가 같은 방향을 가리키면, 표적의 인과적 근거는 더 강해진다.

AstraZeneca는 다음 단계를 제공한다. 이 회사의 과학자들은 표적이 약물화 가능한지, 즉 의약품이 안전하고 일관되게 영향을 미칠 수 있는지 평가할 수 있다. 또한 제안된 기전이 기존의 임상 및 질환 지식과 부합하는지도 평가할 수 있다.

이 결합된 워크플로는 양사가 이질적인 두 질환을 선택한 이유를 설명한다. 이들은 단순히 새로운 의약품을 위한 큰 시장이 아니다. 데이터 통합이 광범위한 진단명 안에 숨은 실행 가능한 환자 하위 집단을 드러낼 수 있는지 검증하는 시험대다.

진짜 경쟁은 더 많은 표적이 아니라 더 나은 표적이다

AstraZeneca insitro 계약은 계산 예측의 속도나 양이 아니라 표적의 품질을 개선할 때만 의미를 갖는다.

AI 시스템은 유전자, 단백질, 경로 및 분자로 이루어진 긴 목록을 생성할 수 있다. 이러한 풍부함은 진전의 인상을 줄 수 있다. 그러나 신약 발굴은 가장 긴 목록에 보상하지 않는다. 반복적인 검증 이후에도 신뢰성을 유지하는 소수의 가설에 보상한다.

insitro의 핵심 주장은 자사 플랫폼이 인간 생물학에 기반한 표적의 우선순위를 정할 수 있다는 것이다. 이 플랫폼은 인구 수준 데이터와 세포에서 수행한 실험을 결합한다. سپس 머신러닝을 사용해 질환 특성과 잠재적 동인을 연결한다.

이 방법은 언어 모델을 사용해 과학 문헌을 요약하는 것과 다르다. 또한 알려진 단백질을 상대로 화학 라이브러리만 스크리닝하는 방식과도 다르다. 제안된 장점은 표적을 선택하기 전에 여러 형태의 생물학적 증거를 통합하는 데서 나온다.

AstraZeneca의 역할은 협업이 소프트웨어만의 작업이 되는 것을 막는다. 제약 과학자들은 예측이 타당한 기전, 적절한 안전성 프로필 및 실용적인 개발 경로를 갖추고 있는지 판단해야 한다.

이 작업에는 표적이 관련 조직에 존재한다는 점을 확인하는 일도 포함된다. 연구자들은 이를 조절했을 때 예상되는 효과가 나타나고, 다른 부위에서 용인할 수 없는 문제가 발생하지 않는다는 점을 보여야 한다. 또한 해당 표적에 도달하고 이를 제어할 수 있는 의약품을 찾아야 한다.

과정은 반복적으로 진행된다. 계산 결과가 실험을 이끌고, 실험 결과는 모델을 업데이트한다. 팀이 실패 이유를 기록하고 그 교훈을 시스템에 다시 반영한다면, 부정확한 예측도 정보를 제공한다.

이 기전은 두 가지 기존 접근법에 압력을 가한다. 첫 번째는 과학 문헌에 이미 잘 나타난 표적에 크게 의존한다. 두 번째는 표적이 이미 선택된 뒤 분자 생성에 집중하는 계산 플랫폼을 사용한다.

AstraZeneca와 insitro는 더 이른 결정에 집중하고 있다. 이들의 베팅은 약한 표적을 상대로 화합물을 더 빨리 설계하는 것보다, 더 강력한 질환 기전을 선택하는 편이 더 큰 가치를 만든다는 것이다.

제약 산업이 이 지점에 집중할 만한 이유는 충분하다. 화학적으로 우아한 분자라도 인간 질환에 의미 있는 영향을 미치지 않는 표적을 구제할 수는 없다. 잘못된 생물학적 가설은 임상시험이 오류를 드러내기 전까지 수년을 소모할 수 있다.

insitro는 이전에도 이 모델을 추구해 왔다. Gilead와의 2019년 간 질환 협업 역시 지방간 질환에 초점을 맞췄다. 이 프로젝트는 머신러닝, 인간 유전학 및 기능 유전체학을 활용해 질환 모델을 만들고 표적을 발굴했다.

따라서 이번 새 계약은 완전히 새로운 연구 분야를 여는 것이 아니라, 오랫동안 이어져 온 연구 방향을 기반으로 한다. 또한 AstraZeneca에는 자체 도구와 외부 파트너십에 더해 AI 지원 표적 발굴에 접근할 또 하나의 경로를 제공한다.

AstraZeneca는 이전에 BenevolentAI와 만성 신장질환 및 특발성 폐섬유증 표적을 연구한 바 있다. 또한 임상 데이터 분석, 바이오마커 연구 및 기타 발굴 프로그램에서 AI 활용을 확대해 왔다.

insitro에게 이번 계약은 Gilead, Bristol Myers Squibb, Eli Lilly를 포함한 파트너 목록에 또 하나의 대형 제약사를 더한다. 각 협력 관계는 서로 다른 질환 전문성, 개발 역량 및 실험 피드백을 제공한다.

경쟁의 핵심은 어떤 기업이 AI를 사용하는지가 아니다. 이제 거의 모든 주요 제약사는 어느 정도의 AI 역량을 보유했다고 주장한다. 의미 있는 비교는 어떤 조직이 모델을 독점 데이터, 반복 가능한 실험 및 개발 의사결정과 연결할 수 있는지에 달려 있다.

이러한 통합에는 인프라와 조직적 규율이 필요하다. 데이터 과학자는 샘플이 어떻게 수집됐는지 이해해야 한다. 생물학자는 모델이 무엇을 추론할 수 있는지 알아야 한다. 신약 개발자는 흥미로운 패턴과 투자할 준비가 된 프로그램을 구별해야 한다.

팀에는 실패한 가설에 대한 추적 가능한 기록도 필요하다. 이런 기록이 없으면 모델은 과학 문헌이 긍정적 결과를 선호한다는 점에서 비롯되는 출판 편향을 물려받을 수 있다. 성공한 실험만 반복하면 생물학적으로 실제 가능한 것이 무엇인지에 대한 불완전한 그림만 남는다.

AstraZeneca와 insitro의 계약은 파트너십이 이러한 피드백 순환을 개선한다면 우위를 만들어낼 수 있다. 그 가치는 약한 아이디어를 더 일찍 배제하고, 근거가 더 탄탄한 표적을 더 적게 전진시키는 데서 나올 것이다.

15억 달러 헤드라인이 플랫폼을 검증하지는 않는다

마일스톤 상한은 야망을 보여주지만, 플랫폼이 신약 개발 성과를 개선하는지는 생물학적·임상적 증거가 결정할 것이다.

계약 체결 시 확정되는 것은 선급금뿐이다. 잠재적 가치의 대부분은 성공적인 발굴, 개발 및 상업화를 포함한 미래 사건에 달려 있다. 이러한 구조는 과학적 위험의 상당 부분을 프로그램 자체에 이전한다.

또한 헤드라인 숫자는 즉각적인 신뢰도를 판단하는 데 적합하지 않은 지표가 된다. 성공한 의약품은 상당한 가치를 창출할 수 있기 때문에 대규모 마일스톤 패키지는 생명공학 파트너십에서 흔하다. 많은 프로그램은 후속 지급을 해제하는 단계에 도달하지 못한다.

양사는 AstraZeneca가 지명한 표적의 수를 공개하지 않았다. 특정 기전, 후보 물질, 개발 일정 또는 마일스톤 조건도 밝히지 않았다. 이 협력에 대한 비교 성능 데이터 역시 공개하지 않았다.

이런 공백은 초기 발굴 계약에서는 일반적이다. 그럼에도 외부인이 내릴 수 있는 결론을 제한한다. 발표는 파트너십과 그 재무적 틀을 확인할 뿐, 플랫폼의 임상적 성공을 입증하지는 않는다.

동료 심사를 거친 표적 발굴 검토 논문은 AI 시스템의 몇 가지 지속적인 한계를 지적한다. 여기에는 편향된 데이터, 제한적인 해석 가능성, 낮은 일반화 성능, 예측된 표적의 실험적 검증 필요성이 포함된다.

일반화란 모델이 개발에 사용된 데이터 밖에서도 신뢰성을 유지하는지를 뜻한다. 한 집단, 세포 유형 또는 측정 과정으로 학습된 시스템은 조건이 바뀌면 성능이 저하될 수 있다.

해석 가능성은 다른 문제를 제기한다. 모델은 명확한 생물학적 설명을 제공하지 않은 채 특정 표적의 순위를 높게 매길 수 있다. 연구자는 모델이 왜 그런 결과를 냈는지 파악할 수 없을 때 이를 확인하는 실험을 설계하기 어려울 수 있다.

인과 추론은 기준을 한층 더 높인다. 유전적 연관성은 표적을 뒷받침할 수 있지만, 인접 유전자나 연관 변이가 해석을 복잡하게 만들 수 있다. 세포 반응은 실험실 조건에서 경로가 변한다는 사실을 보여줄 수 있지만, 동일한 변화가 환자에게 이익을 준다는 것을 증명하지는 않는다.

MASH는 임상적 복잡성도 더한다. 질병 중증도를 판단하려면 흔히 영상, 바이오마커 또는 조직 평가가 필요하며, 이러한 측정값이 항상 일치하는 것은 아니다. 따라서 환자 선별은 실험 의약품의 효과 여부에 영향을 줄 수 있다.

심근병증 임상시험도 고유한 과제에 직면한다. 질병 진행은 느릴 수 있고 환자 집단은 작을 수 있으며 유전적 하위 유형은 서로 다를 수 있다. 연구자에게는 실용적인 시험 기간 안에 의미 있는 개선을 포착하는 평가변수가 필요하다.

AI는 이러한 제약을 없앨 수 없다. 환자, 바이오마커 및 기전을 식별하는 데 도움을 줄 수는 있지만, 규제기관에는 여전히 대조 연구에서 나온 신뢰할 만한 증거가 필요하다. 의사에게는 위험을 상회하는 이점이 여전히 필요하다.

최근의 임상 전환 분석은 생물학 데이터가 성공적인 다수 소비자 AI 애플리케이션을 뒷받침하는 안정적인 데이터셋과 다르다고 주장한다. 측정값은 실험 설계, 용량, 시점, 조직 및 환자 맥락에 따라 달라진다.

이 관찰은 핵심적인 상충 관계를 설명한다. 모델은 더 많은 데이터를 결합할수록 강점을 얻지만, 호환되지 않는 측정값을 결합하면 중요한 차이를 가릴 수도 있다. 규모는 기반 데이터가 생물학적 의미를 유지할 때에만 도움이 된다.

Insitro는 인간 및 세포 데이터로 구성된 대규모 멀티모달 컬렉션을 구축했다고 말한다. 멀티모달은 이 컬렉션에 유전학, 이미지, 분자 프로파일 등 여러 유형의 측정값이 포함된다는 의미다.

이 코퍼스의 규모는 두 질환과의 관련성보다 중요하지 않다. 결정적인 질문은 환자 다양성, 측정의 일관성, 질병 단계 및 독립적 검증에 관한 것이다.

또 다른 불확실성은 신규성에 관한 것이다. 이전에 알려지지 않았던 표적은 지식재산 및 경쟁상 이점을 만들 수 있다. 그러나 신규 표적은 근거가 더 적기 때문에 연구자가 그 기능을 잘못 이해할 위험도 높다.

익숙한 표적은 반대의 특성을 지닌다. 경쟁사들이 이미 이를 추구하고 있을 수 있지만, 과학자들은 해당 경로, 안전성 및 임상적 관련성에 대해 더 많이 알고 있다. AI 플랫폼은 신규성과 신뢰도 사이의 균형을 맞춰야 한다.

AstraZeneca는 둘 다 원하고 있는 것으로 보인다. Barr의 발언은 생물학적 연결성이 널리 알려지기 전에 이를 찾아내는 데 초점을 맞춘다. 그러나 회사의 개발팀은 여전히 비용이 큰 실험과 임상시험을 정당화할 충분한 증거를 요구해야 한다.

이러한 압력은 insitro에 유용한 규율을 만든다. 제약 파트너에게는 인상적인 모델 벤치마크만으로는 충분하지 않다. 내부 검토를 통과하고, 실행 가능한 의약품을 만들며, 궁극적으로 환자 결과를 개선하는 표적이 필요하다.

따라서 이 계약은 단계별로 평가해야 한다. 표적 지명은 첫 번째 신호다. 개발 후보 선정은 더 강한 신호다. 인체 시험 진입은 또 다른 수준의 증거를 제공한다.

임상 효능은 여전히 가장 엄격한 기준이다. 프로그램이 그 지점에 도달하기 전까지, 더 빠르거나 더 성공적인 신약 개발에 대한 주장은 잠정적인 것으로 남아야 한다.

세 가지 신호가 이 베팅의 성과를 보여줄 것이다

다음으로 의미 있는 증거는 프로그램 진전, 재현 가능한 생물학적 검증, 그리고 명확히 정의된 환자군에서 나올 것이다.

첫 번째 신호는 AstraZeneca가 정식 개발을 위해 표적을 선택하는지 여부다. 지명된 표적은 모델이 흥미로운 가설을 만들었다는 것을 보여준다. 개발 후보는 그 가설이 추가적인 생물학, 화학 및 안전성 검토를 통과했다는 것을 보여준다.

마일스톤 공개는 독자가 이러한 단계를 구분하는 데 도움이 될 수 있다. 발굴 관련 지급은 초기 진전을 나타내는 반면, 개발 마일스톤은 선택된 프로그램이 더 높은 내부 기준을 통과했음을 시사할 수 있다.

두 번째 신호는 독립적인 실험 검증이다. 유용한 증거에는 재현된 세포 연구 결과, 동물 연구, 유전 분석 또는 표적과 질병 진행을 연결하는 동료 심사 연구가 포함될 수 있다.

출판만으로 성공이 보장되지는 않는다. 그러나 명확한 방법론과 외부 재현은 플랫폼이 통계적 우연이 아니라 인과적 생물학을 식별하는지 평가하기 쉽게 만들 것이다.

세 번째 신호는 환자 층화다. 양사는 MASH와 심근병증을 이질적인 질환으로 설명하므로, 이들 프로그램은 궁극적으로 어떤 환자가 관련 기전을 지니는지 정의해야 한다.

바이오마커는 그 연결고리를 제공할 수 있다. 바이오마커는 질병 활성, 치료 반응 또는 환자 적격성을 식별하는 데 사용되는 측정 가능한 생물학적 특성이다. 강력한 바이오마커는 AstraZeneca가 각 의약품을 혜택을 받을 가능성이 가장 높은 집단에서 시험하는 데 도움이 될 것이다.

이러한 신호는 천천히 나타날 것이다. 협력은 후보 선정 이전에 시작되며, 제약 개발은 보통 수년에 걸쳐 진행된다. 초기 발표는 인체 시험 결과보다 표적이나 전임상 프로그램에 관한 것일 수 있다.

경쟁사 활동은 추가적인 맥락을 제공할 것이다. Gilead가 이전에 insitro와 진행한 협력은 간 질환 분야의 하나의 역사적 기준점이 된다. AstraZeneca의 다른 AI 파트너십은 서로 다른 발굴 시스템이 파이프라인에 진입하는 표적을 만들어내는지 보여줄 수 있다.

독자는 모든 마일스톤을 동등하게 취급해서는 안 된다. 계산적 예측, 검증된 표적, 개발 후보 및 성공적인 임상 의약품은 매우 다른 수준의 증거를 나타낸다.

AstraZeneca와 insitro의 계약이 중요한 이유는 AI를 중대한 병목 지점에 적용하기 때문이다. 잘못된 표적을 선택하면 뒤따르는 모든 과정을 약화시킬 수 있다. 더 나은 표적을 선택하면 이후의 모든 의사결정에서 성공 가능성을 높일 수 있다.

이 협력 구조는 제약사들이 AI 도입을 어떻게 설계하는지도 보여준다. AstraZeneca는 임상시험, 규제 및 상업화에 대한 통제권을 유지한다. Insitro는 전문화된 모델, 생물학 데이터 및 발굴 역량을 제공한다.

이 모델은 전문성을 분산시키면서도 책임성을 없애지는 않는다. 프로그램이 실패하면 표적 선정, 분자 설계, 안전성, 시험 설계 또는 인간 생물학에서 실패 원인이 발생할 수 있다. 단일 알고리즘이 전체 사슬을 통제하지는 않는다.

연구자와 기업 리더에게 이는 증거 관리가 모델 성능만큼 중요하다는 뜻이다. 팀은 모든 예측을 해당 데이터셋, 가정, 실험 및 의사결정과 연결해야 한다.

AI 지식 기반은 조직이 논문, 회의 및 실험 업데이트 전반에서 이러한 추적 경로를 보존하도록 도울 수 있다. 실질적인 목표는 정보를 더 많이 수집하는 것이 아니다. 판단이 바뀔 때마다 그 근거가 된 증거를 유지하는 것이다.

당면한 질문은 분명하다. 이 파트너십은 AstraZeneca가 개발로 전진시키는 표적을 지명할 것인가? 그 이후 독자는 재현된 생물학적 근거와 구체적인 환자 선별 전략을 지켜봐야 한다.

이러한 결과는 협력이 더 나은 발굴 기전을 찾아냈는지, 아니면 그럴듯한 가설을 대규모로 추가 생산했는지를 보여줄 것이다. 15억 달러라는 상한은 주목을 끌지만, 첫 번째 신뢰할 만한 신약 후보가 훨씬 더 중요할 것이다.