AstraZeneca의 AI 신약 비전은 여전히 실험실에 달려 있다

MIT Technology Review는 완고한 제약 하나에도 불구하고 바이오의약품 설계 기간을 단축하려는 AstraZeneca의 노력을 자세히 다뤘다. 소프트웨어만으로는 의약품이 안전하게 효과를 낸다는 사실을 입증할 수 없다는 점이다.

7월 23일자 기사는 AI 모델이 단백질 후보를 선정하고, 로봇이 이를 시험하며, 실험 결과가 다시 모델로 흘러 들어가는 과정을 설명한다. AstraZeneca는 이 폐쇄형 루프가 처음부터 설계한 의약품으로 나아가는 경로가 될 것으로 본다.

이 비전이 중요한 이유는 신약 개발 과정에서 후보 물질이 매 단계마다 탈락하기 때문이다. 알고리즘은 더 많은 설계를 탐색할 수 있지만, 디지털 후보 목록이 커진다고 해서 환자에게 이익이 돌아가는 것은 아니다. 후보 물질은 여전히 실험실 시험, 제조, 임상시험, 규제 심사를 통과해야 한다.

따라서 진짜 경쟁 구도는 AI와 인간 과학자의 대결이 아니다. 계산 속도와 생물학적 불확실성의 대결이다. AstraZeneca는 점점 더 자동화되는 연구 시스템 안에서 두 영역을 연결하되, 중대한 결정의 책임은 과학자에게 남기려 한다.

다만 원 기사는 맥락을 함께 고려할 필요가 있다. 이 기획은 AstraZeneca가 발의하고 자금을 지원했으며, 해당 매체의 편집국이 아닌 맞춤형 콘텐츠 부문이 제작했다. 기술적 주장은 AI 기반 바이오의약품 설계가 신약 개발의 실패 문제를 해결했다는 독립적 증거가 아니라 회사의 전략으로 읽어야 한다.

MIT Technology Review가 조명한 AstraZeneca의 폐쇄형 실험실

AstraZeneca는 모든 물리적 실험을 다음 계산적 의사결정을 위한 학습 데이터로 다루는 시스템을 구축하고 있다.

회사의 접근 방식은 설계, 제작, 시험, 분석의 순환을 따른다. 모델은 과학자들이 실험실 자원을 투입하기 전에 가능한 분자를 생성하거나 순위를 매긴다. 이후 연구진은 선정된 후보를 제조하고 그 특성을 측정한 뒤, 결과를 후속 예측에 반영한다.

AstraZeneca의 R&D 바이오의약품 엔지니어링 및 종양학 표적 발굴 부문 수석 부사장인 Puja Sapra는 이 워크플로의 모든 요소가 계산 기술로 강화되고 있다고 설명한다. 그는 연구 생산성이 높아지는 동시에 주기 시간이 단축되고 있다고 말한다.

이는 단순히 소프트웨어로 데이터베이스를 검색하는 것보다 구체적인 접근이다. 제안된 시스템은 예측, 물리적 실험, 측정, 모델 개선을 결합한다. 각 루프는 연구진이 약한 설계를 더 일찍 걸러내고, 제한된 실험실 자원을 더 강력한 후보에 집중하도록 도와야 한다.

AstraZeneca는 매사추세츠주 케임브리지의 Kendall Square에 이른바 “미래의 실험실”을 개발하고 있다. MIT Technology Review 기획 기사에 따르면, AI가 실험을 제안하고 로봇 장비가 이를 수행하며 과학 장비가 결과를 포착하게 된다.

이 데이터는 장비, 보고서, 연구팀 전반에 흩어진 채 남지 않고 모델로 다시 흘러 들어가게 된다. AstraZeneca는 자동화 시스템이 궁극적으로 매주 수천 건의 분자 상호작용을 만들고 평가할 것이라고 말한다.

“궁극적으로”라는 단어에는 많은 의미가 담겨 있다. 이 기사는 독립적으로 측정된 임상 결과를 갖춘 완성형 자율 신약 발굴 엔진이 아니라, 현재 구축 중인 시설과 운영 모델을 제시한다.

그럼에도 이 구조는 실질적인 병목을 겨냥한다. 바이오의약품은 단백질이나 생물 시스템의 다른 산물을 기반으로 한 치료제다. 연구진은 항상 함께 개선되지는 않는 수많은 특성을 최적화해야 한다.

어떤 단백질은 질병 표적에 강하게 결합하지만 너무 빨리 분해될 수 있다. 다른 단백질은 안정적이지만 원치 않는 면역 반응을 유발할 수 있다. 또 다른 후보는 소규모 실험실 분석에서는 잘 작동하지만 일관되게 제조하기 어려울 수 있다.

AI는 방대한 설계 공간에서 이러한 절충안의 순위를 매길 수 있다. 또한 인간 팀이 개별적으로 검토할 시간이 없는 조합을 찾아낼 수도 있다. 이후 실험실은 이런 예측이 생물학이라는 현실과 맞닿았을 때도 유효한지 시험한다.

이 피드백 루프가 이 이야기의 핵심 발전이다. 이는 AI를 고립된 예측 도구에서 다음 실험을 결정하는 데 도움을 주는 인프라로 전환한다.

이 접근법은 독점 데이터가 전략적으로 중요해진 이유도 설명한다. 성공한 모든 실험은 유용한 패턴을 제공하지만, 실패한 실험도 그에 못지않게 유익할 수 있다. 어떤 서열, 구조, 생산 방식에 이후 더 낮은 신뢰도를 부여해야 하는지 보여주기 때문이다.

AstraZeneca는 자사의 데이터셋에 분자 구조, 결합 측정값, 안전성 프로필, 제조 결과가 포함된다고 말한다. 이러한 기록은 다양한 질병 영역과 의약품 유형에 걸쳐 있어, 회사가 일반 모델을 자사의 연구 우선순위에 맞게 조정할 수 있는 자료를 제공한다.

강점은 알고리즘 하나를 보유하는 데서만 나오지 않는다. 유사한 모델링 기법은 논문, 공급업체, 오픈소스 프로젝트를 통해 확산될 수 있다. 관련성이 높고 정밀하게 측정된 실험 데이터에 반복적으로 접근하는 능력은 재현하기가 더 어렵다.

이는 강화되는 순환을 만든다. 더 나은 데이터는 더 유용한 예측을 뒷받침한다. 더 나은 예측은 더 많은 정보를 제공하는 실험을 낳는다. 그러면 그 실험은 다음 단계를 위한 가용 데이터를 확장한다.

하지만 폐쇄형 루프는 측정값이 연구진이 실제로 답을 얻어야 하는 질문을 대표할 때만 가치가 있다. 편리한 분석법으로 학습한 모델은 환자 체내에서 일어나는 일을 놓친 채 실험실 대리 지표를 최적화하는 데 매우 뛰어나질 수 있다.

이 격차는 더 넓은 제약 산업이 마주한 압박을 보여준다. 후보 생성 속도가 빨라지는 것은 유용하지만, 신뢰할 수 있는 평가의 중요성을 줄이지 않고 오히려 높인다.

더 빠른 후보 생성은 잘못된 선택의 비용을 높인다

AI는 아이디어의 비용을 낮추는 동시에 실험적 판단의 가치를 높여 초기 신약 발굴의 경제성을 바꾼다.

전통적인 신약 연구는 흔히 알려진 생물학적 지식, 스크리닝 라이브러리, 기존 치료제 설계에서 파생된 제한된 분자 집합으로 시작된다. 팀은 이런 선택지를 시험하고 반복 실험을 통해 가장 유망한 후보를 수정한다.

생성형 시스템은 훨씬 더 많은 후보를 제안할 수 있다. 단백질 언어 모델은 아미노산 서열 내 통계적 관계를 학습하고, 구조 모델은 그 서열이 어떻게 접히거나 상호작용할지 추정한다. 확산 모델은 반복적인 계산 정제를 통해 새로운 분자 형태를 구성할 수 있다.

분자 설계 문헌은 이것이 매력적인 이유를 보여준다. 머신러닝은 생성과 필터링을 결합할 수 있지만, 연구진은 여전히 방대한 탐색 공간과 까다로운 실험적 평가 지표에 직면한다.

따라서 AstraZeneca의 단기 목표는 무제한적인 발명보다 선별에 있다. 모델은 올바르게 결합하고, 안정성을 유지하며, 명백한 안전성 문제를 피하고, 실용적인 제조를 뒷받침할 것으로 예측되는 후보의 우선순위를 정할 수 있다.

이는 낭비되는 실험을 줄일 수 있다. 또한 과학자들이 모든 계산상 가능성에 동일한 노력을 들이지 않아도 되므로, 더 의도적인 시험을 수행할 수 있게 한다.

압박은 실험실, 자동화, 데이터 시스템이 여전히 파편화된 제약회사에 가해진다. 모델을 구매한다고 해서 폐쇄형 연구 운영 체계가 만들어지는 것은 아니다. 조직은 소프트웨어 예측을 물리적 시료, 검증된 분석법, 장비, 추적 가능한 의사결정과 연결해야 한다.

또한 결과가 이 계층들 사이를 이동할 수 있게 하는 데이터 표준도 필요하다. 결합 측정값은 실험 조건, 시료 준비, 장비, 불확실성, 정확히 어떤 분자가 시험됐는지에 관한 정보 없이는 유용하지 않다.

부실한 메타데이터는 값비싼 실험을 질 낮은 학습 자료로 바꿀 수 있다. 일관되지 않은 측정값은 모델에 근본 생물학이 아닌 실험실 변동에서 비롯된 패턴을 학습시킬 수 있다.

이 때문에 AstraZeneca는 멀티모달 데이터를 강조한다. 멀티모달 모델은 단백질 서열, 분자 구조, 분석 결과, 이미지 등 여러 데이터 유형을 아우른다. 이런 신호를 결합하면 단일 출처가 제공하는 것보다 더 많은 맥락을 모델에 부여할 수 있다.

다만 데이터가 많다고 해서 자동으로 더 나은 증거가 되는 것은 아니다. 독점 컬렉션에는 과거의 표적 선택, 이용 가능한 분석법, 연구 우선순위에서 비롯된 역사적 편향이 담겨 있을 수 있다. 모델은 새로운 영역을 탐색하는 것처럼 보이면서도 그러한 편향을 보존할 수 있다.

기업은 무엇을 최적화할지도 결정해야 한다. 효능, 안정성, 안전성, 용량, 제조 가능성은 설계를 서로 다른 방향으로 이끌 수 있다. 이 특성들의 평균 점수에서 높은 평가를 받은 후보라도 결정적인 기준치를 통과하지 못할 수 있다.

다중특이성 바이오의약품은 이 과제를 더 첨예하게 만든다. 이들 공학 단백질은 둘 이상의 표적과 상호작용하거나, 선택된 세포에 치료용 페이로드를 전달할 수 있다. 더 큰 설계 유연성을 제공하지만, 추가되는 기능마다 또 하나의 실패 가능성이 생긴다.

AstraZeneca는 AI가 과학자들이 두세 개의 표적을 선택하고 여러 분자 특성을 함께 최적화하도록 도울 수 있다고 주장한다. 이는 상충하는 요구 사항의 균형을 맞춘 설계를 찾는 다목적 최적화의 신뢰할 수 있는 활용 사례다.

그러나 이것이 올바른 생물학적 목표를 안다는 뜻은 아니다. 연구진은 먼저 어떤 경로가 질병을 유발하는지, 어떤 환자가 그 기전을 공유하는지, 어떤 개입이 유용한 반응을 낼지를 이해해야 한다.

모델은 놀라운 효율로 잘못된 표적을 최적화할 수 있다. 또한 이후 인간 대상 연구에서 실패하는 질병 가설에 대해서도 그럴듯한 설계를 제시할 수 있다.

이 구분은 AI 투자 결정을 내리는 경영진에게 중요하다. 더 빠른 초기 발굴은 최종 승인 건수를 늘리지 못한 채 후보 흐름만 개선할 수 있다. 가치는 더 나은 선별이 개발 전 과정에서 이어질 때에만 나타난다.

같은 교훈은 과학자와 엔지니어에게도 적용된다. 성공은 생성된 분자 수, 모델 점수, 완료된 실험 수로 측정할 수 없다. 의미 있는 지표는 검증된 기능, 재현성, 안전성, 제조 가능성, 그리고 궁극적인 환자 결과다.

AI는 공정의 시작점에서 속도 제한을 높인다. 그 뒤에 이어지는 모든 길을 단축하지는 않는다.

핵심 경쟁은 계산과 생물학적 불확실성의 대결이다

결정적인 우위는 가장 많은 그럴듯한 단백질을 생성하는 모델이 아니라, 신뢰할 수 있는 실험으로부터 학습하는 시스템에 돌아갈 것이다.

단백질 설계는 이미 추측성 연구 아이디어의 단계를 넘어섰다. 2024년 노벨 화학상은 계산 단백질 설계에 기여한 David Baker와 단백질 구조 예측에 기여한 Demis Hassabis, John Jumper를 선정했다.

AlphaFold2는 정교하게 학습된 모델이 아미노산 서열로부터 단백질 구조를 얼마나 정확하게 추론할 수 있는지 보여줬다. 노벨상 발표는 연구자들이 이를 사용해 사실상 확인된 모든 단백질의 구조를 예측했다고 밝혔다.

예측과 설계는 관련돼 있지만 서로 대체할 수는 없다. 자연적으로 존재하는 서열이 어떻게 접히는지 예측하는 일은 진화가 빚어낸 분자에서 출발한다. 의약품 설계는 까다로운 조건에서 선택한 기능을 수행하는 새로운 서열을 찾아내는 일이다.

AstraZeneca의 장기적 목표는 de novo 바이오의약품 설계다. De novo는 알려진 치료제 스캐폴드를 수정하는 대신, 지정된 특성을 지닌 새로운 단백질 서열을 만드는 것을 의미한다.

이상적으로 모델은 구조, 생물학적 활성, 체내 거동, 안전성, 제조 특성을 판단하는 데 도움을 줘야 한다. 이는 컴퓨터상에서 그럴듯해 보이는 단백질을 생성하는 것보다 훨씬 더 광범위한 과제다.

학계와 상업 조직은 유사한 방향을 추구하고 있다. Baker's Institute for Protein Design과 연계된 연구자들은 새로운 결합체와 단백질 구조를 위한 계산 방법을 개발해 왔다. Google DeepMind는 구조 예측을 단백질, 핵산, 더 작은 분자 간의 상호작용으로까지 확장했다.

생명공학 기업들도 생성형 생물학을 중심으로 사업을 구축해 왔다. Generate:Biomedicines는 머신러닝으로 단백질 치료제를 개발하고, Absci는 생성형 모델과 습식 실험실 검증을 결합한다. Isomorphic Labs는 DeepMind 연구에 뿌리를 둔 기술을 활용해 AI 지원 신약 설계에 집중한다.

이들 조직은 표적, 모델, 사업 구조가 서로 다르다. 하지만 디지털 설계가 의학적으로 의미를 갖기 위해서는 실험을 통해 그 작동 특성이 입증되어야 한다는 동일한 검증 과제를 공유한다.

AstraZeneca는 소프트웨어만 보유한 신규 진입자보다 한 가지 중요한 이점을 지닌다. 신약 개발 경험, 내부 분석법, 제조 지식, 질환 프로그램, 과거 결과를 갖추고 있기 때문이다. 이러한 자산은 모델의 출력이 흥미롭지만 실용적이지 않은 경우를 연구자들이 식별하는 데 도움이 될 수 있다.

스타트업은 더 집중된 플랫폼과 적은 레거시 시스템으로 이에 대응할 수 있다. 특정 모델 아키텍처나 치료제 유형을 중심으로 빠르게 반복 개선할 수 있다. 이후 파트너십을 통해 내부에 부족한 실험실 및 개발 전문성에 접근할 수 있다.

경쟁의 경계는 계속 유동적일 것이다. 제약 기업은 모델을 구축하고, 소프트웨어를 구매하며, AI 기업과 협력하거나 전문 팀을 인수할 수 있다. 모델 개발자는 실험실을 구축하고 자체 신약 파이프라인을 발전시킬 수 있다.

가장 방어력 있는 위치는 계산 기술과 반복 가능한 실험 학습을 결합하는 방식일 가능성이 크다. 관련 데이터가 없는 모델은 그럴듯한 추측을 내놓을 위험이 있다. 현대적 계산 기술이 없는 실험실은 이용 가능한 설계 공간의 너무 작은 부분만 탐색하게 된다.

MIT Technology Review는 AstraZeneca의 시스템을 이러한 역량을 결합하는 방식으로 제시한다. AI가 후보를 제안하고, 자동화가 이를 생산·시험하며, 기기가 증거를 생성하고, 과학자들이 결과를 해석하는 방식이다.

실험 결과는 단순한 답으로 도착하는 경우가 드물기 때문에 인간의 판단은 여전히 핵심적이다. 과학자들은 측정 오류, 예상치 못한 기전, 분석법의 한계, 그리고 모델의 목표에는 없었던 상충관계를 식별해야 한다.

또한 불확실성을 언제 수용할 수 있는지도 판단해야 한다. 초기 발견 단계에서는 탐색적 예측을 허용할 수 있다. 임상시험, 제조 또는 환자 안전에 영향을 미치는 결정에는 더 강한 증거와 명확한 책임성이 필요하다.

따라서 가장 중요한 경쟁은 단백질 모델 간 리더보드 비교가 아니다. 각 실험이 다음 의사결정의 품질을 개선하도록 조직이 만들 수 있는지가 관건이다.

안전성 예측은 여전히 가장 어려운 미해결 고리다

모델은 인체 면역계가 이를 견딜 수 있는지 알지 못한 채 실행 가능한 단백질 설계를 생성할 수 있다.

AstraZeneca는 안전성 예측을 de novo 설계에서 가장 어려운 문제 중 하나로 꼽는다. 이 같은 인정은 발견 속도 향상에 대한 포괄적 주장보다 더 큰 의미를 지닌다.

단백질은 역동적인 생물학적 시스템과 상호작용한다. 후보물질은 비표적 결합, 면역 활성화, 조직 분포, 분해 산물 또는 단순화된 분석법이 포착하지 못하는 상호작용을 통해 의도치 않은 영향을 일으킬 수 있다.

계산 모델이 활용할 수 있는 안전성 데이터는 제한적이고 불균등하다. 심각한 이상 결과는 상대적으로 드물고, 임상 기록은 통합하기 어려울 수 있으며, 독점적 증거는 조직별로 분리된 상태로 남아 있다.

학습 라벨 역시 불확실성을 숨길 수 있다. 실패로 분류된 분자는 생물학, 용량, 제조, 시험 설계 또는 상업적 우선순위 때문에 실패했을 수 있다. 모든 실패를 같은 신호로 취급하면 모델을 오도할 수 있다.

AstraZeneca는 AI를 고도화된 세포 시스템 및 미세 규모 장기 모델과 결합하고 있다고 말한다. 이러한 물리적 시험 플랫폼은 인간 조직의 일부 특성을 재현해 임상시험 전에 연구자들에게 더 풍부한 신호를 제공하려 한다.

이러한 시스템은 후보를 비교하고 더 단순한 분석법이 놓친 문제를 드러내는 데 도움이 될 수 있다. 다만 통상적인 의미의 가상 임상시험에 해당하지는 않는다. 문서화해야 할 경계를 가진 전임상 모델로 남는다.

MIT Technology Review의 특집을 논의할 때도 이 구분은 분명히 유지되어야 한다. 이 기사는 제안된 발견 루프를 센서와 모델이 자율주행차를 안내하는 방식에 비유하는 자동차 비유를 사용한다.

이 비유는 피드백을 설명하지만, 생물학은 도로보다 관측 가능성이 낮다. 차량은 조향의 많은 즉각적 결과를 측정할 수 있다. 반면 약물의 효과는 대사, 질환 상태, 유전적 특성, 다른 치료, 그리고 시간이 지나며 나타나는 변화에 좌우될 수 있다.

따라서 신뢰할 수 있는 불확실성 추정이 필수적이다. 모델은 모든 후보에 동일한 확신을 부여하는 대신, 예측이 학습 경험의 범위를 벗어나는 경우 이를 표시해야 한다.

설명 가능성도 중요하지만, 검증을 대체할 수는 없다. 연구자들은 어떤 데이터가 권고에 영향을 미쳤는지, 모델이 무엇을 예측하도록 설계됐는지, 성능이 어디에서 측정됐는지를 이해해야 한다.

규제기관은 이미 AI 지원 증거의 증가에 대비하고 있다. FDA는 산하 Center for Drug Evaluation and Research가 2016년부터 2023년까지 AI 구성 요소를 포함한 500건 이상의 제출을 받았다고 밝힌다.

FDA의 AI drug development 업무는 안전성, 유효성, 품질을 포괄하는 위험 기반 프레임워크를 강조한다. 또한 모델이 개발 의사결정을 지원할 때 후원자가 규제기관과 조기에 협의하도록 권장한다.

2026년 1월, FDA와 European Medicines Agency는 신약 개발에서의 우수 AI 관행을 위한 10가지 원칙을 발표했다. 이 원칙들은 인간 중심 설계, 명확한 맥락, 데이터 거버넌스, 문서화된 모델 개발, 성능 평가, 수명주기 관리를 강조한다.

이러한 요구사항은 폐쇄형 루프 실험실의 실질적 약점과 맞닿아 있다. 데이터가 바뀌면 모델도 바뀐다. 기기, 프로토콜 또는 팀이 바뀌면 분석법도 바뀐다. 결합된 시스템에는 일회성 정확도 점수보다 지속적인 모니터링이 필요하다.

과학자들은 정량화된 것처럼 보인다는 이유만으로 기계의 권고를 선호하는 경향인 자동화 편향도 방지해야 한다. 높은 모델 점수는 연구자들이 기저 가정을 검증하기 전에 주의를 좁힐 수 있다.

AstraZeneca는 엔지니어들이 불확실성 정량화, 멀티모달 융합, 폐쇄형 루프 최적화, 해석 가능성을 연구하고 있다고 말한다. 이는 적절한 기술적 우선순위이지만, 동시에 얼마나 많은 문제가 아직 해결되지 않았는지도 보여준다.

스폰서드 기사는 제안된 시스템의 비교 성능 데이터를 제공하지 않는다. 모델이 선택한 후보가 기존 선택 방식과 비교해 어떤 성과를 내는지, 예측이 얼마나 자주 실패하는지, 또는 워크플로가 임상 성공을 개선했는지를 보고하지 않는다.

이러한 부재가 전략의 타당성을 무효화하는 것은 아니다. 다만 오늘날 독자가 내릴 수 있는 결론을 제한한다.

합리적인 판단은 AI가 초기 연구에서 탐색 및 우선순위화 비용을 줄일 수 있다는 것이다. 안전하고 승인된 의약품을 제공할 확률을 높인다는 더 강한 주장은 개발 전반에 걸친 종단적 증거를 필요로 한다.

제약 산업에서는 전체 파이프라인을 개선하지 못한 채 한 단계를 개선한 도구가 많았다. 고속 스크리닝은 시험되는 화합물 수를 늘렸다. 유전체학은 새로운 표적을 드러냈다. 더 나은 구조적 방법은 분자 상호작용을 명확히 했다.

각 발전은 유용했지만, 신약 개발은 여전히 실패 가능성이 높았다. AI는 이 역사에 비추어 평가되어야 하며, 그 예외로 제시되어서는 안 된다.

De Novo 의약품 설계는 더 나은 벤치마크에 달려 있다

다음 단계에는 동일한 실험 조건에서 AI 생성 후보가 신뢰할 수 있는 대안보다 우수하다는 증거가 필요하다.

AstraZeneca는 이 분야에 더 풍부한 표준화 데이터, 더 강력한 벤치마크, 그리고 머신러닝과 생물학을 결합한 팀이 필요하다고 말한다. 이는 부차적인 구현 세부사항이 아니다. de novo 시스템을 비교하고 신뢰할 수 있는지를 결정한다.

소비자 AI의 벤치마크는 흔히 고정된 데이터세트에서의 성능을 측정한다. 신약 설계에는 더 어려운 평가 방식이 필요하다. 모델이 물리적 시험에서 살아남지 못하는 패턴을 활용할 수 있기 때문이다.

유용한 벤치마크는 신규성, 표적 활성, 선택성, 안정성, 제조 가능성, 안전성을 측정해야 한다. 또한 모델이 설계를 선택한 뒤 수행되는 전향적 실험도 포함해야 한다.

학습 세트에 평가 사례와 관련된 분자가 포함되면 후향적 시험은 진전을 과장할 수 있다. 단백질 패밀리 간의 미묘한 중복조차 시스템이 실제보다 일반화에 더 뛰어난 것처럼 보이게 할 수 있다.

팀은 AI가 선택한 후보를 확립된 방법과 비교해야 한다. 이러한 기준선에는 전문가가 설계한 분자, 스크리닝 라이브러리, 유도 진화 또는 기존 계산 접근법이 포함될 수 있다.

비교에는 동일한 분석법과 의사결정 기준을 사용해야 한다. 그렇지 않으면 새 모델은 더 많은 실험실 노력이나 더 유리한 평가 지표의 혜택을 받으면서 그 차이에 대한 공로를 인정받을 수 있다.

부정적 결과도 공개할 가치가 있다. 기업이 성공한 설계만 공개하고 얼마나 많은 후보가 실패했는지, 어떤 제약이 완화됐는지, 얼마나 많은 인간 개입이 있었는지를 보고하지 않으면 연구자들이 얻는 정보는 거의 없다.

“AI-designed”라는 라벨은 특히 모호하다. 이는 전적으로 모델로 생성된 분자, 계산적으로 최적화된 알려진 스캐폴드, 또는 사람이 설계한 라이브러리에서 선택된 후보를 뜻할 수 있다.

명확한 출처 기록은 주장을 더 쉽게 해석할 수 있게 한다. 연구 기록은 어떤 단계가 모델에서 비롯됐는지, 어떤 결정이 과학자에게서 나왔는지, 어떤 증거가 설계를 진전시키게 했는지를 보여줘야 한다.

이는 부분적으로 지식 관리 문제다. 실험실 팀은 모델 버전, 원천 데이터, 가설, 프로토콜, 결과, 의사결정 사이의 추적 가능한 연결고리가 필요하다. 검색 가능한 knowledge blending 워크플로는 지식 노동자가 이러한 맥락을 보존하는 데 도움이 될 수 있지만, 규제 대상 실험실에는 특화된 검증 시스템이 필요하다.

벤치마킹은 경쟁에도 영향을 미칠 것이다. 대형 제약회사는 비공개 실험 이력을 활용할 수 있지만, 학계는 종종 공개 평가 방법을 주도한다. 스타트업은 집중된 데이터세트나 더 빠른 실험 주기를 제공할 수 있다.

공유된 표준은 이 분야가 모델 품질과 비용이 많이 드는 실험실 인프라에 대한 접근성을 구분하는 데 도움이 될 것이다. 또한 유리한 내부 결과를 일반적인 진전으로 마케팅하기 어렵게 만들 것이다.

MIT Technology Review는 AstraZeneca가 독점 데이터로 최첨단 모델을 미세 조정한다고 설명한다. 이 접근법은 가치 있는 내부 도구를 만들어낼 수 있지만, 외부 연구자는 데이터를 독립적으로 검토하거나 비교를 재현할 수 없다.

따라서 전향적 결과가 중요하다. 시스템이 실험 및 개발 이정표를 충족하는 후보를 반복적으로 진전시킨다면, 공개 학습 데이터가 없더라도 증거는 축적될 것이다.

임상 결과에는 더 많은 시간이 걸릴 것이다. 생물학적 제제는 발견 단계에서 유망해 보이더라도 이후 독성, 불충분한 효능, 용량 문제 또는 제조 제약에 부딪힐 수 있다.

따라서 산업에는 계층화된 증거가 필요하다. 초기 지표는 더 나은 후보 품질과 더 빠른 반복을 보여줄 수 있다. 전임상 연구는 더 현실적인 모델 전반에서 안전성과 기능을 시험할 수 있다. 임상 프로그램은 궁극적으로 이러한 이점이 환자에게서도 지속되는지를 보여줄 수 있다.

단일 벤치마크가 모든 질문에 답하지는 못한다. 목표는 AI가 가치를 더하는 지점과 전통적 불확실성이 남는 지점을 보여줄 만큼 강력한 증거 사슬을 구축하는 것이다.

전략이 효과를 내는지 보여줄 세 가지 신호

AstraZeneca의 비전은 더 큰 자동화 실험실만으로가 아니라, 검증된 후보물질과 반복 가능한 성과를 통해 신뢰를 얻는다.

첫 번째 신호는 전향적인 후보물질 성과다. AstraZeneca는 폐쇄형 루프를 통해 선정한 분자가 기존 워크플로우로 선택된 후보물질보다 사전 정의된 실험실 기준에 더 자주 도달하는지를 보여줘야 한다.

가장 설득력 있는 증거에는 평가한 설계 수, 비교 방법, 그리고 여러 특성에 걸친 성과가 포함될 것이다. 실패한 설계도 실제 효율 계산에 영향을 미치므로, 선별적인 성공 사례만으로는 얻을 수 있는 정보가 제한적이다.

모델이 순위를 매긴 후보물질이 신뢰할 만한 기준선보다 일관되게 우수한 성과를 낸다면, 컴퓨팅 기반 선별의 근거는 강화된다. 반대로 물리적 시험 단계에서 그 우위가 사라진다면, 이 시스템은 지식보다 확신을 더 빠르게 만들어내고 있는 셈이다.

두 번째 신호는 복잡한 안전성 모델에서 나오는 증거다. AstraZeneca의 고도화된 세포 시스템과 미세 규모 장기 모델은 이후의 전임상 또는 임상 관찰을 예측하는 재현 가능한 결과를 만들어내야 한다.

연구자들은 회사가 각 모델의 사용 맥락을 어떻게 정의하는지 지켜봐야 한다. 특정 조직, 기전 또는 치료 분야에 대해 검증된 시스템이 더 폭넓은 안전성 주장을 자동으로 뒷받침해서는 안 된다.

초기 모델 출력과 후속 결과 사이의 일치도가 높아진다면 폐쇄형 루프 가설을 뒷받침할 수 있다. 반복되는 예상 밖의 결과는 생물학적 피드백이 여전히 지나치게 제한적임을 보여줄 것이다.

세 번째 신호는 AI 보조 최적화에서 명확히 문서화된 de novo 후보물질로의 이동이다. 이 분야에는 분자의 어느 정도가 생성형 설계에서 비롯됐고, 어느 정도가 알려진 스캐폴드나 수작업 수정에 의존했는지를 보여주는 투명한 정의가 필요하다.

후보물질이 정식 개발 단계에 진입한다면 주목할 만하지만, 진입만으로는 이 문제를 결론짓지 못한다. 독자는 이를 뒷받침하는 실험, 제조 프로파일, 인간의 감독, 그리고 후속 안전성 결과를 검토해야 한다.

규제기관과의 상호작용은 이 세 번째 신호 안에서 또 다른 증거 층을 제공할 것이다. FDA의 현재 프레임워크는 개발자에게 사용 맥락을 정의하고, 데이터를 관리하며, 성능을 평가하고, 수명주기 변경 사항을 문서화하도록 요구한다.

중요한 개발 결정을 뒷받침하는 모델은 새로운 데이터가 들어와도 추적 가능해야 한다. 이 요건은 처음부터 증거와 책임성을 중심으로 설계된 시스템에 유리하다.

더 큰 교훈은 명확하다. AI는 과학자들이 단백질 공간을 탐색하고, 실험의 우선순위를 정하며, 실험실 결과에서 더 빠르게 학습하도록 도울 수 있다. 이러한 역량은 생물학 연구의 효율을 높이고 연구자들이 진지하게 조사할 수 있는 설계의 범위를 넓힐 수 있다.

그렇다고 의학의 물리적 작업이 사라지는 것은 아니다. 세포, 조직, 제조 시스템, 그리고 환자는 여전히 최종 심판자다.

MIT Technology Review는 독자들에게 AstraZeneca가 지향하는 아키텍처를 유용하게 보여주지만, 후원 관계와 비교 성과의 부재는 신중한 해석을 요구한다. 이는 그럴듯한 메커니즘과 아직 끝나지 않은 검증을 바탕으로 한 대형 제약사의 방향성 표명이다.

차세대 의약품을 위한 질문은 AI가 또 하나의 단백질 서열을 발명할 수 있는가가 아니다. 연결된 과학 시스템이 나쁜 아이디어를 더 일찍 걸러내고, 불확실성을 정직하게 인식하며, 더 나은 후보물질을 임상 개발 단계로 이끌어낼 수 있는가다.

후보물질, 안전성 상관관계, 그리고 규제 증거를 지켜봐야 한다. 이러한 신호는 AstraZeneca가 더 빠른 발견 엔진을 구축했는지, 아니면 생물학의 가장 어려운 질문에 더 빨리 도달하는 방법을 만들었을 뿐인지를 드러낼 것이다.