참고: Hacker News — AI in drug discovery – what it is, where we stand and the path forward

신약 하나가 세상에 나오기까지 평균 10~15년이 걸린다. 수천 개의 후보물질 중 실제로 환자에게 쓰이는 것은 극소수에 불과하다. 실패는 곧 비용이고, 비용은 곧 시간이다. 그리고 시간은 환자의 생명과 직결된다. 여기에 AI가 끼어들기 시작했다.

최근 Hacker News에서 주목받은 분석 "AI in drug discovery — what it is, where we stand and the path forward"는 이 흐름을 차분하게 정리한다. 과장도 없고 비관도 없이. AI는 신약 개발의 가장 긴 단계 — 후보물질 발굴과 단백질 구조 이해 — 를 빠르게 압축하고 있다. 그러나 임상시험이라는 장벽은 여전히 건재하다. 오늘 이 글은 그 두 가지를 동시에 들여다보고, 마지막으로 개인이 이 흐름에서 얻을 수 있는 진짜 교훈을 짚는다.

단백질 접힘: 50년 난제를 AI가 뚫다

모든 생명 현상의 기반은 단백질이다. 단백질은 아미노산 서열로 이루어지지만, 실제 기능은 3차원 구조에서 나온다. 어떤 단백질이 어떻게 접히는가 — 이 '단백질 접힘 문제'는 생물학에서 반세기 이상 풀리지 않은 숙제였다. 실험실에서 하나의 단백질 구조를 규명하는 데 수개월에서 수년이 걸리기도 했다.

DeepMind의 AlphaFold는 이 문제를 혁신적으로 해결했다. 딥러닝 기반 모델로 아미노산 서열만 입력하면 3차원 구조를 높은 정확도로 예측한다. AlphaFold는 수십만 개 단백질 구조를 예측해 오픈 데이터베이스로 공개했고, 전 세계 연구자들이 이를 무료로 활용하고 있다. 과거에는 실험 장비와 수개월의 시간이 필요했던 작업이 이제 컴퓨터로 몇 분 만에 가능해졌다.

이것이 왜 신약 개발에 중요한가. 대부분의 약은 특정 단백질에 결합해 그 기능을 조절하는 방식으로 작동한다. 표적 단백질의 구조를 알면, 거기에 '잘 맞는' 분자를 설계하는 것이 훨씬 쉬워진다. 구조를 모르면 수백만 번의 시행착오를 거쳐야 하지만, 구조를 알면 훨씬 좁은 범위에서 탐색이 가능하다.

후보물질 스크리닝: 수억 개 분자 중 유망한 것 찾기

신약 개발의 또 다른 병목은 '어떤 화합물이 특정 단백질에 효과적으로 결합할까'를 찾는 작업이다. 전통적인 방법으로는 수천~수만 개 분자를 실험실에서 하나씩 테스트했다. 시간과 비용이 막대하다.

AI 기반 가상 스크리닝은 수억~수십억 개의 분자 구조를 컴퓨터 시뮬레이션으로 평가하고, 가장 유망한 후보를 추려낸다. 실험실에 투입되는 화합물의 수가 줄고, 처음부터 성공 가능성이 높은 후보만 실험에 올라간다. 생성형 AI를 활용해 기존에 없던 분자 구조를 '설계'하는 연구도 활발하다 — 단순히 후보를 고르는 것이 아니라 맞춤형 분자를 만드는 것이다.

실제로 여러 제약·바이오테크 기업과 AI 연구소가 이 방식으로 초기 후보물질을 빠르게 발굴하는 사례가 늘고 있다. 발굴 단계의 속도는 이전과 비교하기 어려울 정도로 빨라졌다.

그러나: 임상시험은 여전히 인간의 시간을 요구한다

여기서 균형이 필요하다. AI가 가속하는 것은 어디까지나 '발굴(discovery)' 단계다. 신약 파이프라인의 가장 긴 구간 — 임상 1·2·3상 시험 — 은 여전히 사람이 필요하고, 사람의 시간이 걸린다.

임상시험에는 구조적 이유가 있다. 인체는 컴퓨터 시뮬레이션이 완전히 재현하기 어려운 복잡계다. 세포 실험에서 효과를 보인 물질이 동물 실험에서 실패하고, 동물 실험을 통과한 물질이 인체 임상에서 실패하는 경우는 여전히 많다. AI가 제안한 후보물질도 예외가 아니다. 안전성·유효성·독성 검증은 실제 환자를 통해야만 알 수 있다.

규제 기관(FDA, EMA 등)의 심사 기준, 임상 설계, 피험자 모집, 데이터 수집과 분석은 AI가 자동화할 수 없는 영역이다. "AI가 신약 개발을 10배 빠르게 만들 것"이라는 헤드라인은 발굴 단계의 가속만을 이야기하는 경우가 대부분이다. 전체 파이프라인의 단축은 아직 제한적이며, 실패율도 여전히 높다.

정직하게 말하면: AI는 신약 개발의 입구를 크게 넓혔다. 하지만 출구까지의 거리는 여전히 길다.

개인 교훈: AI는 전문성을 증폭하지, 대체하지 않는다

신약 개발 AI 이야기가 일반인에게 가르쳐주는 것은 사실 다른 무언가다.

AlphaFold가 단백질 구조를 예측해도, 그 결과를 해석하고 신약 후보로 발전시키는 것은 구조생물학자·약화학자·임상의의 전문 지식이다. AI 가상 스크리닝이 수억 개 분자를 걸러내도, 최종 판단은 화학자와 약리학자가 내린다. AI는 전문가의 생산성을 비약적으로 높이지만, 전문성 자체를 만들어내지는 않는다.

이 원리는 어느 분야에나 똑같이 적용된다.

• 변호사가 AI를 쓰면 판례 리서치와 계약서 초안 작성이 빨라진다 — 하지만 법적 판단은 변호사가 내린다.
• 마케터가 AI를 쓰면 카피 테스트와 시장 분석이 빨라진다 — 하지만 브랜드 방향은 사람이 결정한다.
• 개발자가 AI를 쓰면 코드 작성과 디버깅이 빨라진다 — 하지만 아키텍처와 트레이드오프 판단은 개발자가 한다.

공통점이 하나 있다. '해당 분야를 이해하는 사람'이 AI를 쓸 때 효과가 최대화된다는 것이다. AI 도구 자체는 빠르게 평준화된다. 경쟁 우위는 도구를 아는 것이 아니라, 도구로 무엇을 해야 하는지 아는 것에서 나온다.

스스로에게 물어볼 질문은 하나다. "내 분야의 어떤 병목 — 리서치, 초안 작성, 반복 분석, 패턴 인식 — 에 AI를 붙이면 내 전문성이 증폭될까?" 신약 연구자들이 AlphaFold로 구조 예측 병목을 뚫은 것처럼, 각자의 분야에서 'AI로 뚫을 병목'을 찾는 것이 오늘의 실천 과제다.

AI는 신약 개발의 입구를 크게 넓혔다. 그러나 출구까지의 거리는 여전히 길다. 그리고 그 거리를 걷는 것은 여전히 사람이다. AI 시대의 핵심은 도구를 갖는 것이 아니라, 도구를 올바른 곳에 배치하는 판단력이다.