[AI 시험대 선 K-바이오]④화려한 청사진 뒤, 현장의 '병목'

편집자주
인공지능(AI)이 제약·바이오 시장의 판도를 뿌리째 뒤흔들고 있다. 엔비디아가 글로벌 빅파마 일라이 릴리와 손잡고 10억달러(약 1조4990억원)를 들여 AI 신약 개발에 나서기로 한 건 지금까지와는 전혀 다른 문법으로 제약·바이오 산업사(史)가 다시 쓰이는 흐름의 상징과도 같다. 후보물질 발굴에 머물렀던 AI의 영토는 정교한 임상 설계와 최적 환자군 선별, 실시간 제조 공정 제어 등 신약 개발의 전 주기로 확장하며 산업의 경제성 자체를 근본적으로 재편하고 있다. 후보물질 도출에 드는 시간을 평균 3~4년에서 최대 1년여로 단축시켰고, 표적 단백질에 대한 3차원적 이해와 독성 예측 정확도를 무기로 통상 40~65%에 머물렀던 임상 1상 성공률을 80~90% 수준까지 끌어올렸다. 천문학적인 매몰 비용이 발생하는 초기 실패 리스크를 줄이는 AI의 효율성은 신약 개발의 '죽음의 계곡'을 넘어야 하는 기업들에게 유일한 돌파구다. 아시아경제는 'AI 시험대 선 K-바이오'라는 기획을 통해 '속도전'으로 재편된 2026년 글로벌 신약 개발 판도를 들여다보고 우리 바이오 산업이 나아가야 할 생존과 도약의 길을 모색한다.

인공지능(AI)이 신약개발의 시간을 바꿔놓을 것이라는 기대는 더 이상 과장이 아니다. 후보물질 발굴과 단백질 구조 예측, 신약 설계 단계에서 AI의 효율은 이미 입증되고 있다. 하지만 현장에서 들리는 얘기는 조금 다르다. AI를 활용한 후보물질 탐색 연구는 빠르게 확대되고 있지만 이게 산업화 단계까지 이어지는 흐름은 탄력을 받지 못한다는 것이다.

국내 AI 신약개발은 여전히 '전반부'에 집중돼 있다는 평가가 대체적이다. 문헌 탐색과 타깃 검증, 후보 구조 생성, 1차 필터링 등 후보물질 발굴 단계에서는 AI 활용이 확산했지만 이후 세포·동물실험이나 임상 전략, 허가 전략까지가 하나의 개발 루프로 이어지는 경우는 많지 않다는 설명이다.

국내 AI 신약 개발이 여전히 타깃 검증이나 1차 필터링 등에 머물러 있는 반면, 글로벌 주요 AI신약 기업들은 이미 32건의 파이프라인을 임상에 올렸다. 바이오업계 관계자는 18일 "수십만 개 구조를 생성하고 가능성 높은 후보를 추리는 단계까지는 AI가 확실히 역할을 한다"면서도 "실험 검증이나 개발 전략으로 넘어가면 결국 사람과 조직 역량에 의존할 수밖에 없다"고 말했다.

업계는 이러한 현상의 배경으로 AI 전문 인력 부족을 지목한다. AI 신약개발은 바이오 지식과 AI 역량을 동시에 이해하는 융합 인력이 핵심인데 현장에서는 두 영역이 여전히 분리돼 있다는 평가가 많다. 바이오 연구자들이 AI 활용 역량을 체계적으로 교육받기보다 온라인 강의나 공개 문서를 통해 개별적으로 학습하는 경우도 적지 않다. 제약업계 관계자는 "AI 엔지니어는 바이오를 잘 모르고 바이오 연구자는 AI를 깊이 있게 다루기 어렵다"며 "결국 두 분야 언어를 모두 이해하는 인력이 부족한 것이 가장 큰 문제"라고 말했다.

연구 인프라도 병목의 주요 원인으로 지목된다. AI 신약개발은 단백질·유전체·구조 데이터를 반복적으로 학습하고 시뮬레이션해야 하는 만큼 대규모 연산 자원이 필수다. 글로벌 기업들이 AI 경쟁력을 자본력과 컴퓨팅 인프라로 연결하는 이유다. 이런 흐름을 타고 글로벌 AI 신약개발 시장은 연평균 30%에 가까운 성장률을 기록하며 빠르게 확대되고 있다. 반면 국내 연구 환경에서는 그래픽처리장치(GPU) 확보를 넘어 이를 장기적으로 운영할 조직과 체계가 부족하다는 지적이 나온다.

김규리 카이스트 생명과학과 교수는 "GPU 숫자도 중요하지만 이를 안정적으로 관리하고 연구에 활용할 수 있는 인프라가 더 중요하다"고 말했다.

데이터 활용 구조 역시 과제로 꼽힌다. 신약개발용 AI의 성능은 결국 어떤 데이터를 얼마나 정교하게 학습시키느냐에 달려 있다. 바이오 연구는 텍스트 정보만으로 풀어 나아갈 수 없다. 유전체 정보와 단백질 서열, 3차 구조, 임상 기록이 결합된 멀티모달 데이터가 핵심이다.

김태형 바이오넥서스 대표는 "바이오는 워낙 복잡해 텍스트 데이터만으로는 한계가 있다"며 "유전자와 단백질, 구조, 임상 데이터까지 함께 학습시켜야 의미 있는 결과가 나온다"고 말했다. 결국 부족한 자원과 데이터를 극복하기 위해 국내에서도 자본·생산 인프라를 갖춘 대형바이오 기업과 기술력을 갖춘 AI 바이오텍 간의 결합이 생존을 위한 필수 요건이라는 인식이 확대되고 있다.

규제 역시 산업화의 속도를 좌우하는 변수로 꼽힌다. AI는 후보물질 설계와 임상시험 설계 등 다양한 영역에서 활용 범위를 넓히고 있지만 이를 어떻게 평가할 것인지에 대한 규제 기준은 아직 초기 수준이다. 한국바이오협회는 지난해 'AI 기반 신약개발 산업화 전략' 정책 보고서를 통해 "AI 신약개발에 사용되는 머신러닝 모델의 개발, 검증, 운영 전반에 대한 'GMLP(Good Machine Learning Practice)' 가이드라인을 마련해야 한다"고 지적했다.

GMLP란 의약품 제조 품질 관리 기준인 GMP나 임상시험 관리 기준인 GCP처럼, 인공지능 알고리즘이 의료 및 신약 개발 현장에서 안전하고 유효하게 작동하도록 보장하는 일종의 표준 품질 관리 체계를 뜻한다. AI 알고리즘이 편향된 데이터로 학습되거나 치명적인 오류를 내포한 채로 타깃 물질을 꼽아낼 경우, 이는 곧바로 환자의 생명과 직결된 치명적인 안전성 문제로 번질 수 있다. 규제 당국이 AI 신약의 인허가를 심사할 때 데이터와 모델 자체의 신뢰성을 평가할 수 있는 명확한 잣대가 반드시 필요한 이유다.

이성민 기자 minute@asiae.co.kr
정동훈 기자 hoon2@asiae.co.kr