Chai Discovery와 GSK의 계약, 빠른 제약업계 확장을 알리지만 임상적 입증은 아직 남아 있다

Chai Discovery는 성공적인 실험실 평가를 거쳐 GSK와 계약을 체결했으며, 이로써 AI 스타트업은 9개월 만에 여섯 번째 주요 제약사 파트너를 확보했다. Chai Discovery와 GSK의 계약은 단백질 모델을 시연 단계를 넘어 GSK 연구 파이프라인 전반의 신약 발굴 업무로 확장한다.

핵심 성과는 단순히 또 하나의 기업 간 계약이 아니라는 점이다. GSK는 컴퓨터로 생성된 설계를 여러 생물학적 표적에 대해 시험했으며, 평가한 모든 표적에서 결합체를 확인했다고 밝혔다. 결합체는 표적 단백질에 붙는 분자로, 설계를 유용한 치료제로 전환하기 위한 첫 번째 조건인 경우가 많다.

이 결과는 Chai에 유리한 소프트웨어 벤치마크보다 더 강력한 상업적 근거를 제공한다. 그러나 이는 통제된 실험실 작업에서 나온 초기 증거일 뿐, AI가 설계한 의약품이 동물이나 환자에서 성공할 것이라는 증명은 아니다. 이제 핵심 경쟁은 빠른 초기 설계와 분자가 의약품이 될 수 있는지를 결정하는 더 느린 생물학적 검증 사이에서 펼쳐진다.

Chai Discovery와 GSK의 계약은 실험실 시험에서 시작됐다

GSK는 자체 실험실에서 Chai가 생성한 분자를 시험한 뒤에야 협력 관계를 확대했다.

양사는 2026년 10월 9일 협력을 발표했다. 계약에 따라 GSK는 자사의 신약 파이프라인 전반의 프로그램에 Chai의 단백질 접힘 및 분자 설계 모델을 포함한 플랫폼을 활용할 수 있게 된다.

양측은 재무 조건, 표적 명칭, 질환 분야, 프로그램 수 또는 소유권 구조를 공개하지 않았다. 이 정보의 부재는 계약의 잠재적 상업 가치를 판단하는 데 한계를 둔다. 또한 기술이 아직 초기 도입 단계에 있는 동안 양사가 유연성을 유지하려 한다는 점을 시사한다.

가장 유용한 세부 사항은 계약에 앞서 이뤄진 평가다. Chai는 표적별 학습을 받지 않은 상태에서 다양한 GSK 표적을 위한 분자 설계를 생성했다. 이후 GSK는 해당 설계를 내부적으로 시험했고, 평가 대상의 모든 표적에서 결합체를 발견했다고 밝혔다.

이 접근법은 제로샷 설계로 알려져 있다. 모델은 특정 표적을 위해 별도로 만들어진 사례로 학습하지 않고 새로운 과제를 시도한다. 분자 발굴에서 설득력 있는 제로샷 결과는 모델이 서로 다른 단백질 간에도 전이되는 패턴을 학습했다는 점을 시사한다.

GSK는 표적의 수나 정체를 공개하지 않았다. 연구진이 시험한 설계 수, 결합체가 된 설계 수, 기존 신약 발굴 방법과 비교한 결과도 공개하지 않았다. 각 표적에서 결합체를 하나 이상 찾은 것은 고무적이지만, 실험의 효율성을 보여주지는 않는다.

결합 친화도는 또 다른 증거 층을 더한다. 이는 한 분자가 다른 분자에 얼마나 단단히 결합하는지를 설명하는 측정치로, 더 강한 결합은 추가 개발을 뒷받침하는 경우가 많다. GSK R&D 기술 부문 수석 부사장인 Christopher Austin은 이 평가가 다양한 표적 전반에서 강한 결합 친화도를 지닌 설계를 만들어냈다고 말했다.

Austin은 또한 Chai의 시스템이 GSK의 내부 모델을 보완한다고 설명했다. GSK는 자체 실험실 데이터로 해당 모델을 지속적으로 재학습한다. 이 발언은 외부 파운데이션 모델이 설계를 생성하고, 독점 실험이 후보 선정과 검증을 정교화하는 하이브리드 운영 모델을 가리킨다.

Chai의 GSK 협력 발표에 따르면, 회사의 모델은 GSK가 습식 실험실 평가를 수행하기 전에 설계를 생성했다. 습식 실험실은 컴퓨터 시뮬레이션에만 의존하는 대신 연구자들이 생물학적 물질을 시험하는 물리적 실험실이다.

이 순서는 중요하다. GSK는 공개된 벤치마크를 검토한 뒤 단순히 모델을 라이선스한 것이 아니다. GSK 과학자들은 실증 시험을 수행했고, 결과를 확인한 뒤 협력을 확대했다.

따라서 이 계약은 평가에서 도입으로의 전환을 의미한다. 이 전환은 후속 치료 성공에 대해서는 독자에게 거의 알려주지 못하지만, 이 이야기에서 가장 분명한 상업적 신호다.

Chai는 Joshua Meier, Jack Dent, Matthew McPartlon, Jacques Boitreaud가 2024년 샌프란시스코에서 설립했다. 창립자들은 OpenAI, Meta, Stripe, 분자공학 및 학술 연구 분야의 경험을 갖고 있었다.

이러한 배경은 Chai가 주요 투자자와 기술적 관심을 빠르게 끌어들이는 데 도움이 됐다. 그러나 회사의 핵심 주장은 의학 분야에서 인공지능이 제공할 수 있다는 일반적인 약속보다 더 좁다. 특정 표적을 위한 분자를 만들기 위해 제약 과학자들이 사용할 수 있는 컴퓨터 보조 설계 시스템을 제공하고자 한다.

GSK 평가는 이 주장을 검증하는 하나의 시험이다. 이제 더 광범위한 협력은 결합을 훨씬 넘어서는 요구사항이 적용되는 실제 신약 발굴 프로그램 전반에서 동일한 접근법이 계속 유용한지를 보여줄 기회를 Chai에 제공한다.

제로샷 단백질 설계가 GSK에 중요한 이유

전략적 가치는 실행 가능한 출발 분자를 만들기 위해 필요한 실험실 주기 수를 줄이는 데 있다.

전통적인 신약 발굴팀은 흔히 기존 분자의 대규모 라이브러리를 탐색하고, 이를 실험적으로 시험하며, 유망 후보를 반복 주기를 통해 수정한다. 각 주기는 재료, 과학 인력 및 실험실 역량을 소모할 수 있다.

생성형 단백질 모델은 이 작업 흐름의 일부를 뒤집는다. 연구자들이 이미 보유한 것만 선별하는 대신, 시스템은 원하는 생물학적 상호작용을 바탕으로 새로운 분자 구조를 제안한다. 이후 과학자들은 더 작은 설계 그룹을 합성하고 시험할 수 있다.

Chai는 자사의 모델이 생물학적 구조와 상호작용을 예측한 뒤 선택된 표적에 결합할 수 있는 분자를 생성한다고 말한다. 자사의 분자 설계 플랫폼은 항체와 더 작은 단백질 결합체를 포함한 단백질에 초점을 맞춘다.

항체는 특정 분자적 특징을 인식할 수 있는 면역 단백질이다. 치료용 항체는 이러한 선택성을 활용해 질환 관련 표적을 차단하거나 활성화하거나 치료제를 전달한다.

항체 설계는 결합하는 구조를 찾는 것 이상을 요구한다. 유용한 후보는 안정성을 유지하고, 바람직하지 않은 면역 반응을 피하며, 제조를 뒷받침하고, 체내에서 예측 가능하게 작동해야 한다.

제로샷 성능이 중요한 이유는 제약팀이 실험 데이터가 부족한 표적을 지속적으로 마주하기 때문이다. 새로운 표적마다 대규모 맞춤형 데이터셋이 있어야 대응할 수 있는 모델이라면, 기존 준비 부담의 상당 부분이 그대로 남는다.

반면 전이 가능한 모델은 연구자들이 광범위한 표적별 학습 데이터를 축적하기 전에 초기 후보군을 생성할 수 있다. 이 과정은 프로그램을 실험 기반 학습 단계로 더 빠르게 진입시킬 수 있다.

GSK의 결과는 이보다 좁은 명제를 뒷받침한다. Chai의 모델은 표적별 학습 없이도 시험 가능한 설계를 생성한 것으로 보이며, GSK는 시험 패널 전반에서 결합체를 찾았다. 그렇다고 모든 표적이 유사하게 반응한다는 것이 입증된 것은 아니다.

공개되지 않은 표본 크기는 특히 중요하다. 소수의 신중하게 선택된 패널에서의 성공은 서로 무관하고 어려운 다수 표적에서의 성공과는 다른 의미를 갖는다. 발표 내용만으로는 독자가 두 경우를 구분할 수 없다.

또한 각 프로그램에서 “강한” 친화도가 무엇을 의미하는지도 설명하지 않는다. 결합 요건은 표적, 치료 기전 및 분자 유형에 따라 다르다. 추가 신약 발굴 라운드를 정당화하는 결과라도 개발 후보 기준에는 미치지 못할 수 있다.

그럼에도 이 협력은 AI 신약 발굴의 더 큰 변화와 맞닿아 있다. 모델은 공개 구조 벤치마크에서 실제 개발 결정과 연결된 실험으로 이동하고 있다.

2026년 신약 발굴 검토 논문은 유용한 평가는 모델을 명확한 프로젝트 맥락 및 의사결정 지점과 연결해야 한다고 주장했다. 생물학적 데이터는 실험 조건에 크게 의존하기 때문에, 일반적인 모델 성능만으로는 임상적 관련성을 입증할 수 없다.

GSK의 평가는 이러한 프로젝트 중심 패턴을 따른다. 연구진은 표적을 선정하고, 생성된 분자를 시험했으며, 결과를 바탕으로 관계를 심화할지 결정했다.

GSK에 이 플랫폼은 분자 가설을 얻는 또 하나의 원천을 제공한다. GSK의 내부 모델은 외부 공급업체가 이용할 수 없는 독점 실험 데이터로 학습할 수 있기 때문에 여전히 큰 우위를 유지한다.

Chai는 이를 보완하는 파운데이션 계층을 제공한다. GSK는 Chai의 제안을 내부 시스템과 비교하고, 회사 데이터와 결합하며, 어떤 후보에 실험실 자원을 투입할지 결정할 수 있다.

이 구조는 또한 GSK를 단일 AI 공급업체 의존으로부터 보호한다. 이 제약사는 과학적 판단을 외주화하는 대신 기존 연구 프로세스 안의 구성 요소로 외부 시스템을 다룰 수 있다.

Chai에는 이 협정이 어려운 표적과 까다로운 제약 기준에 반복적으로 노출될 기회를 만든다. 기밀 데이터가 파트너 환경 안에 남더라도, 성공적인 각 프로그램은 다른 구매자에게 플랫폼의 신뢰성을 높일 수 있다.

이 차이는 이 계약이 소프트웨어 구독보다 중요한 이유를 설명한다. 제품이 모델 생성과 물리적 실험 간 피드백 루프에 진입하고 있기 때문이다.

회사가 유용한 실험 신호를 받으면 이 루프는 의사결정을 개선할 수 있다. 동시에 계산적 확신이 생물학적 행동을 예측하지 못하는 지점도 드러낼 수 있다.

6개 제약사 파트너가 모델을 상업적 네트워크로 전환하다

Chai의 빠른 파트너 성장세는 임상 검증이 उपलब्ध하지 않은 상황에서도 제약사들이 자사 모델을 시험할 의향이 있음을 보여준다.

GSK 계약으로 Chai는 2026년 초 이후 여섯 번째 주요 제약사 파트너를 확보한 것으로 전해진다. 발표된 명단에는 Eli Lilly, Pfizer, Novartis, argenx, Bristol Myers Squibb, GSK가 포함된다.

이들 관계가 모두 동일한 형태인 것은 아닌 것으로 보인다. 일부는 Chai 소프트웨어 접근권을 제공하고, 다른 일부는 항체 발굴이나 특정 연구 프로그램에 집중한다. 공통된 주제는 기존 제약 조직 내에서 생성형 분자 설계를 활용한다는 점이다.

2024년에 설립된 회사로서는 이 속도가 눈에 띈다. 이는 Chai가 한 가지 도입 장벽, 즉 대형 제약사들이 플랫폼이 내부 과학 평가를 받을 가치가 있다고 설득하는 문제를 낮췄음을 시사한다.

Eli Lilly는 가장 이른 시기에 모습을 드러낸 도입 기업 중 하나였다. 이 제약사는 Chai의 생성형 모델을 자사의 생물의약품 전문성 및 독점 데이터와 결합할 계획이라고 밝혔다.

이 파트너십은 제약 연구용 AI 인프라에 대한 광범위한 투자 흐름 속에서 이뤄졌다. Lilly는 Nvidia와 별도의 AI 실험실 계획도 추진했으며, 이는 제약사들이 여러 기술 제공업체와 동시에 협력할 수 있음을 보여준다.

따라서 Chai의 상업 전략은 제약사의 전체 연구 스택을 대체하는 데 의존하지 않는다. 기존 데이터, 실험실 및 개발팀과 연결되는 전문 설계 역량을 판매할 수 있다.

이 포지셔닝은 내부 신약 파이프라인을 개발하고 소유하는 AI 네이티브 생명공학 기업과 다르다. 플랫폼 제공업체는 여러 파트너에게 기술을 배포할 수 있는 반면, 신약 개발사는 성공한 의약품에서 더 많은 가치를 확보하지만 더 큰 자본 및 임상 위험을 부담한다.

Chai는 두 전략의 요소를 혼합하는 것으로 보이지만, 현재 공개적으로 드러난 동력은 파트너십에서 나온다. 접근 계약과 협력은 자체 보유 의약품이 임상을 완료할 때까지 수년을 기다리는 것보다 더 이른 시장 검증을 제공한다.

이 모델은 9개월간의 급증세를 설명하는 데에도 도움이 된다. 제약사는 더 큰 약정을 하기 전에 제한된 표적군을 대상으로 설계 소프트웨어를 평가할 수 있다. 신약 발굴 운영 전체를 재편할 필요는 없다.

Chai의 Lilly 파트너십에 대한 앞선 보도는 이 회사의 모델이 범용 언어 모델을 개조한 것이 아니라 맞춤형 아키텍처라고 설명했다. 분자 기하학과 생화학적 상호작용에는 물리적 구조를 위해 구축된 표현 방식이 필요하기 때문에 이 구분은 중요하다.

Chai의 자금 조달은 확대되는 이 네트워크를 지원할 자원을 제공한다. 이 회사는 2025년 12월 Series B 투자를 유치했고, 이후 2026년에 추가 자금 조달을 발표했다.

그러나 자금 조달이 과학적 성과를 입증하는 것은 아니다. 이는 더 큰 규모의 모델 학습, 실험실 연구, 채용, 고객 지원을 가능하게 한다. 제약 파트너들은 각 프로그램에 대해 여전히 실험적 증거를 필요로 한다.

협업이 Chai에 다양한 표적 유형과 설계 문제를 접하게 한다면, 네트워크 자체가 강점이 될 수 있다. 더 많은 프로그램에서 축적한 경험은 반복되는 실패 패턴을 드러내고 과학자들이 시스템을 활용하는 방식을 개선할 수 있다.

데이터 접근은 여전히 복잡하다. 제약사들은 실험 결과와 화합물 정보를 엄격히 보호하므로, 플랫폼 공급업체는 모든 파트너의 독점 데이터가 공동 모델을 개선할 것이라고 가정할 수 없다.

계약은 모델의 실행 위치, Chai로 반환되는 정보, 생성된 분자의 소유권을 규정해야 한다. GSK 협업에 대해서는 이러한 약정이 공개되지 않았다.

따라서 형성되는 상업적 네트워크는 파트너 수가 시사하는 것보다 덜 통합돼 있을 수 있다. 여섯 개의 로고는 서로 다른 규칙, 목표, 기술 통합 수준을 지닌 여섯 개의 독립 배포를 뜻할 수 있다.

그럼에도 반복적인 전환은 중요하다. 대형 제약사는 외부 도구에 보안, 법무, 과학, 조달 검토를 적용한다. 여러 계약을 확보했다는 사실은 Chai가 이러한 요구 사항을 충족할 수 있음을 시사한다.

GSK 계약은 다음 단계의 기준을 높인다. 또 다른 파트너 발표는 기존 프로그램이 개발 후보물질을 선정했다는 증거보다 정보 가치가 낮을 것이다.

이것이 시장 관심과 치료적 진전의 차이다. Chai는 전자를 이례적인 속도로 축적했다. 다음 과제는 후자에 대한 증거를 만드는 일이다.

이 거래가 경쟁 AI 신약 발굴 플랫폼에 가하는 압력

Chai는 단순히 단백질 벤치마크에서 최고 점수를 놓고 경쟁하는 것이 아니라, 제약사 실험실 내부의 자리를 두고 경쟁하고 있다.

이 시장에는 AI 네이티브 신약 개발사, 소프트웨어 플랫폼, 연구 기관, 분자 모델을 보유한 기술 기업이 포함된다. 경쟁사로는 Isomorphic Labs, Generate Biomedicines, Absci, EvolutionaryScale 및 기타 단백질 설계 전문 기업들이 있다.

Google DeepMind의 AlphaFold는 단백질 구조 예측에 대한 기대를 바꿨다. Isomorphic Labs는 관련 방법론을 상업적 신약 발굴과 자체 치료제 프로그램으로 확장하고 있다.

Chai는 제약팀이 합성하고 시험할 수 있는 분자를 설계하는 다음 운영 단계에 초점을 맞춘다. 이는 생성형 항체 및 단백질 플랫폼을 구축하는 기업들과 경쟁 영역을 형성한다.

경쟁의 단위는 모델 출시가 아니다. 제약 개발 기준을 충족하는 분자를 만들어 내는 검증된 신약 발굴 프로그램이다.

Chai의 여섯 파트너 확보는 유통 기반을 제공한다는 점에서 압박을 만든다. 모든 배포는 독점 모델, 스크리닝 프로세스, 기존 공급업체와 함께 자사 시스템을 배치한다.

제약 연구자는 측정 가능한 결과를 바탕으로 생성된 분자를 비교할 것이다. 유용한 지표에는 히트율, 결합 친화도, 선택성, 안정성, 제조 가능성, 필요한 실험 라운드 수가 포함된다.

Chai는 자사 모델의 강력한 결과를 공개했지만, 정면 비교는 여전히 어렵다. 기업들은 흔히 서로 다른 실험실 조건에서 다른 표적군을 시험한 뒤, 제한적인 방법론 세부 정보와 함께 선별된 결과를 보고한다.

이러한 분절성은 파트너의 행동을 유의미한 정보로 만든다. GSK가 자체 평가 후 협력을 확대하기로 한 결정은 공급업체가 전적으로 선정하고 수행한 벤치마크보다 더 큰 무게를 지닌다.

그렇다고 Chai가 모든 대안을 능가했다는 증거는 아니다. GSK는 이 기술을 자사 내부 시스템을 보완하는 것으로 설명했으며, 이를 대체재로 규정하지는 않았다.

이 표현은 핵심 경쟁 구도를 드러낸다. 외부 기반 모델은 폭넓은 분자 지식을 약속하는 반면, 제약사 내부 모델은 독점 실험 데이터와 프로그램 맥락의 이점을 갖는다.

광범위한 모델은 익숙하지 않은 표적 전반에서 아이디어를 생성할 수 있다. 내부 모델은 특정 기업의 정확한 분자, 장비, 과학적 우선순위를 중심으로 설계된 분석법에서 학습할 수 있다.

유력한 승자는 한 가지 모델 유형이 아닐 것이다. 실험 추적 가능성을 유지하면서 두 데이터 원천을 연결하는 운영 체계가 될 것이다.

이는 실험실 워크플로에 쉽게 통합되는 공급업체에 유리하다. 매력적인 구조를 생성하지만 파트너의 데이터 거버넌스나 검증 절차에 맞지 않는 모델은 평가 단계를 넘어가기 어려울 것이다.

강력한 내부 AI 팀을 갖춘 제약사에도 유리하다. 이들은 외부 결과물을 검증하고, 유의미한 실험을 설계하며, 독점 결과를 활용해 모델을 재학습할 수 있다.

소규모 바이오테크 기업은 대규모 컴퓨팅 팀을 구축하지 않고도 고도화된 설계 시스템에 접근할 수 있다. 그러나 데이터 사용, 독점권, 후속 소유권에 대한 협상력은 더 약할 수 있다.

따라서 Chai의 AI 신약 발굴 전략은 외부 공급업체와 내부 연구 그룹 모두에 경쟁 압력을 높인다. 공급업체는 전향적 결과를 제시해야 하고, 내부 팀은 외부 모델이 언제 가치를 더하는지 설명해야 한다.

이는 하나의 AI 연구소가 신약 설계를 지배할 것이라는 통념도 복잡하게 만든다. 주요 제약사는 각 플랫폼이 분자 형식과 표적에 따라 다르게 작동할 수 있기 때문에 여러 기술 관계를 일상적으로 유지한다.

GSK의 표현은 이러한 복수 플랫폼 접근을 강화한다. GSK의 과학자들은 Chai의 모델이 내부 습식 실험실 데이터로 학습된 시스템과 함께 작동할 것으로 기대한다.

이는 Chai에 까다로운 시장을 만든다. 초기 성과는 접근권을 얻는 데 도움이 될 수 있지만, 지속적인 비교는 취약한 영역을 빠르게 드러낼 수도 있다.

경쟁사들은 모든 과학 과제에서 Chai를 이길 필요가 없다. 더 나은 통합, 더 강력한 독점 데이터셋, 더 명확한 지식재산권 조건, 또는 특정 치료 방식에서의 더 깊은 전문성을 통해 경쟁할 수 있다.

따라서 제약 파트너 수는 최종 성적표가 아니라 선행 지표다. 지속 가능한 우위는 과도한 실험적 보완 없이 진전하는 프로그램에서 나올 것이다.

습식 실험실 결과가 입증하지 못하는 것

초기 분석에서 결합한 분자는 안전하고 효과적인 의약품과는 아직 거리가 멀다.

Chai Discovery와 GSK의 거래는 분자 생성 과정의 한 단계를 검증한다. 신약 개발 과정 전체를 검증하는 것은 아니다.

결합은 많은 치료 기전에 필요하지만, 충분한 경우는 드물다. 분자는 강하게 결합하더라도 잘못된 단백질과 상호작용하거나, 빠르게 분해되거나, 면역 반응을 유발하거나, 관련 조직에 도달하지 못할 수 있다.

연구자들은 효능, 선택성, 용해도, 안정성, 약동학, 독성, 제조 가능성도 검토해야 한다. 이들 특성은 서로 충돌할 수 있으며, 팀은 더 실용적인 개발 프로필을 위해 친화도를 일부 포기해야 할 수 있다.

항체 프로그램에는 고유한 제약도 있다. 유망한 항체는 유용한 농도에서 특성을 유지하고 생산, 보관, 전달 조건을 견뎌야 한다.

잘 설계된 후보물질조차도 기저 생물학적 표적이 예상대로 질병에 영향을 미치지 않아 실패할 수 있다. 분자 설계는 인간 생물학에 관한 불확실성을 제거할 수 없다.

이것이 임상 검증이 AI 신약 발굴의 핵심 시험으로 남는 이유다. 초기 모델은 탐색 공간을 줄일 수 있지만, 선택한 가설이 의미 있는 효익을 내는지는 환자가 결정한다.

최근의 독립 분석은 이 격차를 강조했다. 임상 현실 점검은 업계의 열광이 시사하는 규모로 AI가 아직 신약 개발을 주도하지 못하고 있다고 밝혔다.

우려는 계산 도구가 가치가 없다는 것이 아니다. 초기 발굴의 개선이 개발 과정에서 가장 느리고 위험한 단계를 자동으로 해결하지는 않는다는 점이다.

임상시험은 안전성, 용량, 유효성, 기존 치료 대비 성과를 시험한다. 또한 환자 모집, 규제 당국과의 조율, 제조, 수년에 걸친 관찰을 요구한다.

AI 플랫폼은 더 나은 출발 분자를 생성하는 데 도움을 줄 수 있다. 그러나 이후의 모든 요구 사항을 같은 비율로 단축할 수는 없다.

이 구분은 독자들이 GSK의 결과를 해석하는 방식을 이끌어야 한다. 시험한 모든 표적에 대한 결합체는 Chai가 생물학적으로 활성인 후보물질을 생성했다는 점을 시사한다. 이 결과는 안전성이나 임상적 효익에 대해 공개적으로 아무것도 말해주지 않는다.

누락된 분모도 중요하다. Chai와 GSK는 얼마나 많은 후보물질이 생성되고, 합성되고, 탈락했는지 밝히지 않았다.

가령 모델이 모든 표적에 대한 결합체를 만들었지만 표적당 수백 건의 시험이 필요했다고 가정해 보자. 이 결과는 소수의 설계만으로 동일한 범위를 달성한 경우와는 다른 생산성 향상을 의미한다.

두 회사는 음성 대조군, 기준 방법, 표적 난이도도 설명하지 않았다. 이런 세부 정보가 없으면 외부인은 이 모델이 GSK의 기존 워크플로를 얼마나 개선했는지 평가할 수 없다.

이러한 불투명성은 경쟁적인 신약 연구에서 이해할 수 있다. 표적의 정체와 실험 절차는 가치 있는 프로그램 정보를 드러낼 수 있다. 그러나 기밀성은 독립적인 검증을 제한한다.

따라서 현재 가장 강력한 증거는 행동에 있다. GSK는 협력 관계를 확장하고 Chai의 플랫폼을 더 많은 신약 발굴 작업에 투입할 만큼 충분한 내부 데이터를 확인했다.

이 결정은 Chai에 과학적·재무적 신뢰성을 어느 정도 더한다. 그렇다고 GSK의 명성이 스타트업이 제기한 모든 기술적 주장에 이전되는 것은 아니다.

또 다른 위험은 일반화와 관련된다. 제로샷 설계는 표적 간 전이를 목표로 하지만, 생물학적 시스템은 매우 다양하다. 용해성 단백질에서의 성과가 막 단백질, 유연한 복합체, 안정적인 구조가 없는 표적에서의 성공을 예측하지는 못할 수 있다.

실험실 피드백은 이러한 약점 일부를 해소할 수 있다. 과학자들은 한 배치를 시험하고, 실패 양상을 파악하며, 수정된 설계를 요청할 수 있다.

효율성 주장은 궁극적으로 이러한 반복 과정이 얼마나 사라지는지에 달려 있다. 팀이 최초의 모델 생성 결합체 이후에도 광범위한 최적화를 계속해야 한다면, 이 플랫폼은 개발 경제성을 변화시키지 못한 채 아이디어 발굴만 개선하는 셈이다.

강력한 향후 공개는 정의된 패널 전반의 전향적 성과를 보고할 것이다. 여기에는 설계 수, 실험적 히트율, 친화도 범위, 최적화 주기, 관련 기준선이 포함될 것이다.

더 강력한 임상 공개는 인간 대상 시험에 진입하는 Chai 설계 개발 후보물질을 식별할 것이다. 그 이정표 역시 승인을 보장하지는 않겠지만, 모델 결과물을 규제된 개발 과정과 연결할 것이다.

현재로서는 GSK의 평가는 계산에서 실험으로 넘어갔다는 점에서 의미가 있다. 신약 발굴에는 훨씬 더 많은 관문이 남아 있다는 점에서 그 한계도 마찬가지로 중요하다.

파트너십의 중요성을 보여줄 세 가지 신호

다음 증거는 파트너 축적에서 측정 가능한 프로그램 진전으로 옮겨가야 한다.

첫 번째 신호는 GSK가 Chai가 생성한 분자를 공식 후보물질 개발 단계로 진전시키는지 여부다. 그 지정은 해당 설계가 결합만을 넘어 더 폭넓은 요구 사항을 충족했음을 보여줄 것이다.

개발 후보물질은 일반적으로 활성, 선택성, 안정성, 제조 가능성, 초기 안전성에 관한 시험을 통과해야 한다. GSK는 이러한 이정표가 의미 있는 정보를 제공하도록 하기 위해 표적을 공개할 필요는 없다.

후보물질이 진전된다면 Chai AI의 신약 발견 논지는 더욱 강해질 것이다. 협력이 평가 단계에 머문다면 상업적 모멘텀은 파이프라인 진전과의 연관성이 더 약해 보일 것이다.

두 번째 신호는 Chai-3 또는 그 후속 모델의 전향적 성능 데이터다. 유의미한 보도에는 연구진이 설계한 분자 수, 실제로 시험한 분자 수, 그리고 그 과정이 적합한 분자를 얼마나 자주 만들어냈는지가 포함되어야 한다.

난도가 높은 표적에서 나온 결과는 특히 가치가 클 것이다. 이는 모델이 익숙한 작업을 단순히 가속하는 데 그치지 않고, 팀이 다룰 수 있는 생물학적 문제의 범위를 넓히는지 보여줄 수 있다.

독립 기관이나 파트너가 수행한 연구는 회사 단독 벤치마크보다 더 큰 신뢰를 얻을 것이다. 또한 구매자들이 현실적인 조건에서 GSK의 단백질 설계 모델, Chai의 플랫폼, 경쟁 시스템을 비교하는 데 도움이 될 것이다.

세 번째 신호는 기존 제약 파트너들이 약속을 얼마나 강화하는지다. 계약 갱신, 프로그램 수 확대, 추가 개발 마일스톤은 초기 평가가 지속적인 사용으로 이어지고 있는지를 보여줄 것이다.

기업들이 계약 구조를 공개할 때는 그 내용도 중요하다. 선급금은 의지를 시사하고, 연구 자금은 지속적인 작업을 뒷받침한다. 마일스톤 및 로열티 조항은 파트너들이 시간이 지나며 가치가 어떻게 발생할 것으로 예상하는지를 나타낸다.

6개 파트너라는 수치는 Chai에 설득력 있는 도입 스토리를 제공했다. 다음 단계에는 유지와 진전의 스토리가 필요하다.

독자들은 두 가지 성급한 결론을 경계해야 한다. 첫째는 GSK의 실험실 결과가 AI가 설계한 신약이 더 빨리 환자에게 도달할 것임을 입증한다는 결론이다. 둘째는 임상적 증거가 없다는 이유로 이 결과가 무의미하다는 결론이다.

더 타당한 판단은 그 중간에 있다. Chai는 세계 최대 제약 연구 조직 중 하나에서 의미 있는 초기 시험을 통과했고, 이후 그 결과를 더 폭넓은 접근 기회로 전환했다.

이제 Chai의 모델은 기밀 프로그램, 난도 높은 표적, 까다로운 개발 기준 전반에서 반복적으로 성과를 내야 한다. 이 과제는 벤치마크에서 승리하는 것보다 어렵고, 또 하나의 로고를 발표하는 것보다 더 가치 있다.

과학자와 엔터프라이즈 기술 구매자에게 더 폭넓은 교훈은 평가에 관한 것이다. 도메인 특화 AI는 구매자 자체의 조건에서 실제 의사결정을 개선할 때 신뢰를 얻는다.

GSK는 Chai의 주장에만 의존하지 않았다. 관계를 확대하기 전에 자체 실험실 증거를 만들어냈다. 이러한 평가 방식은 특화 AI 시스템을 도입하는 다른 기업에도 실용적인 기준을 제시한다.

팀은 범위가 제한된 과제를 정의하고, 기존 워크플로와 비교해 결과를 측정하며, 인간의 전문성이 여전히 필수적인 영역을 기록해야 한다. 검색 가능한 AI 지식 베이스는 연구 그룹이 장기간 프로젝트 전반에 걸쳐 가정, 실험적 결정, 상충하는 발견을 보존하는 데 도움을 줄 수 있다.

Chai Discovery와 GSK의 계약은 젊은 AI 기업이 빠르게 본격적인 제약 워크플로에 진입할 수 있음을 이미 보여줬다. 아직 보여주지 못한 것은 신속한 분자 생성이 더 나은 의약품으로 이어질지 여부다.

다음 질문은 구체적이다. GSK 또는 다른 파트너가 모델 성능과 치료적 진전을 연결할 수 있을 만큼 충분히 공개된 증거와 함께, Chai가 설계한 후보물질을 인체 대상 임상시험으로 진전시킬 것인가?