요약
앤트로픽이 협력사 여섯 곳과 함께 Claude로 신약 개발 속도를 높인 초기 성과를 공개했습니다.
앤트로픽 생명과학팀이 지난 몇 달 동안 바이오 기업과 제약사 등 여섯 곳과 협력하고, 자체 신약 개발도 시작한 경과를 정리했습니다. 대부분 전임상(사람에게 시험하기 전 단계) 결과이고, 앤트로픽과 협력사가 직접 보고한 내용입니다.
왜 중요한가
- 분자 설계뿐 아니라 데이터 재해석, 제조 문서 검토, 임상 계획 평가까지 개발 여러 단계에 AI를 쓴 사례입니다.
- AI 모델 회사가 신약 개발 회사를 인수해 직접 치료제를 만들기 시작했습니다.
- 작은 팀이 과학·행정 부담을 덜고 평소보다 많은 신약 프로그램을 돌리는 방식도 시험하고 있습니다.
핵심 내용
- 앤트로픽은 1인 회사 미스릴 메디슨을 인수했고, 이 회사의 희귀 소아 근이영양증 후보 약은 18개월 안에 쥐 실험에서 유망한 결과를 냈습니다.
- 후보 약이 계속 좋은 결과를 내면 이르면 2028년 말 사람 대상 임상시험에 들어갈 수 있다고 했습니다.
- 다이버전스 랩스의 식품 알레르기 연구에서는 Claude가 한 달 만에 항체 설계 약 3만 5천 개를 거의 스스로 만들었습니다.
- 제너레이트 바이오메디슨스의 CAR-T(면역세포를 개조해 암을 공격하는 치료) 설계는 유전 정보를 약 70% 줄이고도 암 인식 수용체를 10배가량 더 만들었습니다.
- 엔베다에서는 제조 문서 1,061쪽을 검토해 사람이 찾은 문제 11개를 모두 잡고 7개를 더 찾았으며, 검토 시간을 89% 줄였습니다.
HN 반응
- 분자 설계는 신약 개발 노력의 10~20%뿐이고, 약이 인체에서 어떻게 작용할지 예측할 수 없는 임상 단계가 진짜 병목이라는 지적이 많았습니다.
- AI 신약 스타트업에서 9년 일했다는 이용자는 AI가 만든 후보일수록 규제 당국이 임상 설계를 어려워해, 건너뛴 작업을 결국 다시 하게 된다고 보충했습니다.
Citrini Research의 James van Geelen이 이번 주 팟캐스트에서 좋은 지적을 했습니다. 분자를 설계하는 일은 약을 시장에 내놓기까지 드는 노력의 10~20% 정도에 불과하다는 겁니다. 지금도 실제로 개발되는 것보다 가능한 약물 설계가 더 많습니다.
AI 신약이 다른 약보다 2상 시험을 통과할 가능성이 더 높을 수도 있고 나머지 과정에도 AI를 적용할 수 있겠지만, AI가 근본적인 변화를 일으키려면 넘어야 할 큰 병목이 여전히 많습니다.
https://podcasts.apple.com/gb/podcast/monetary-matters-with-jack-farley/id1769093906?i=1000798030524
이건 대체로 다들 동의하는 문제입니다. 오히려 이상한 건 왜 논의에서 이 문제가 그렇게 자주 슬쩍 빠지느냐는 거죠. 분자가 인체 생물학과 어떻게 상호작용할지는 아무도 모릅니다. 컴퓨터로 시뮬레이션해서 데이터를 만들 수도 없고(너무 느립니다), 전체 규모로 보면 데이터도 많지 않아서 분자가 인체와 일으키는 상호작용을 실제로 예측하는 모델을 학습시킬 수도 없습니다.
그리고 제가 여기서 한 말 중에 독창적인 생각이나 통찰은 하나도 없습니다.
우리가 약물 안전성을 너무 높은 수준으로 맞춰 놓은 나머지, 사회 전체가 입는 부정적 영향이 부작용으로 인한 비용보다 훨씬 크다고 볼 수도 있습니다. 물론 탈리도마이드 같은 참사가 또 일어나길 바라는 건 아닙니다. 하지만 위험에 훨씬 덜 민감한 집단, 예를 들어 노인이나 말기 진단을 받은 사람들 가운데 시험 대상 후보군이 크게 있다고 생각합니다. 지금은 말기 환자에게 약물 시험을 아주 제한적인 경우에만 허용하고, 그나마도 치료제가 말기 진단과 관련된 경우로 한정합니다. 지금 나이 든 사람들이 처방 목적 외로든 신약으로든 온갖 실험적 노화 방지 약물을 복용하는 걸 보고 있습니다. 그런데 이들이 하는 일이 합법이 아니라서 이 데이터는 하나도 경험적으로 수집되지 않고 있습니다.
게다가 약물 상호작용을 시뮬레이션하는 능력이 훨씬 좋아지고 있습니다. 저는 AI가 확률 모델을 새로 내놓아서, 신약 후보를 성공 가능성이 훨씬 높은 표적 시험으로 걸러 보내 줄 거라고 강하게 짐작합니다. 성공을 90% 확신하고 부작용이 적다는 점도 높은 확신으로 알 수 있다면, 사람 대상 시험을 훨씬 덜 엄격하게 해도 된다고 생각합니다. 그러면 비용이 훨씬 줄고 소요 기간도 훨씬 짧아집니다.
제 아내가 약리학 박사인데, 저도 아내에게 똑같은 주장을 해 봤다가 금방 논파당했습니다.
a) 말기 환자를 대상으로도 시험은 합니다. 다만 다른 모델에서 먼저 시험한 뒤에 합니다. b) 탈리도마이드는 사람에게 가할 수 있는 끔찍한 일들에 비하면 아무것도 아니었습니다. c) 이윤을 추구하는 산업은 인센티브를 극도로 뒤틀어 놓습니다.
그래도 저는 여전히 당신 쪽 주장에 더 기웁니다. 우리는 역사적으로 끔찍한 일을 하면서 엄청난 도약을 이뤄 왔으니까요.
사람 세포주나 조직을 바탕으로 더 나은 모델을 만들 수 있을지 궁금합니다. CRISPR가 그랬던 것처럼요.
다른 분들을 위해 이 부분을 조금 덧붙이겠습니다. 합성 오피오이드인 MPPP는 아주 정상적으로 합성해도 MPTP1가 생길 수 있는데, 이 물질은 도파민성 뉴런을 전부 파괴해서 영구적인 뇌 손상을 남깁니다. 이건 완전히 우연히 발견됐습니다. 또 카렌 웨터한(Karen Wetterhahn)은 장갑 낀 손에 유기수은 한 방울이 묻었을 뿐인데, 이후 1년 동안 뇌가 안쪽부터 썩어 들어가는 고통을 겪었습니다.
제가 기억하는 것만 해도 빙산의 일각입니다. 이런 장벽이 존재하는 데에는 분명하고 의심할 여지 없이 타당한 이유가 많습니다. 이 규칙들은 피와 눈물로 쓰인 것입니다.
경제학이 아닌 다른 분야 전문가들이 이런 주장을 자주 하는데, 제 생각에는 대개 아주 약한 주장입니다. 책임을 져야 하니 잠재적으로 위험한 제품을 내놓는 데 상당히 신중해질 수밖에 없는 인센티브가 있습니다. 특히 의약품은 집단소송이 쉽게 제기되고 법정에서 성공적으로 다퉈지기도 합니다. 게다가 위험한 실패작이 비교적 적은 수만 나와도 소비자 사이의 평판이 바닥으로 떨어집니다. 죽인 사람에게는 더 이상 약을 팔 수 없다는 점도 덧붙이고 싶습니다.
제약사에 가장 나쁜 금전적 인센티브는, 시장 논리상 많은 사람이 앓는 질병의 반복 치료제 쪽으로 쏠린다는 점입니다. 하지만 저는 그게 뒤틀렸다고까지 보기는 어렵습니다.
그건 사람들이 장기전을 한다는 전제가 깔려 있습니다. 한몫 챙기고 빠질 생각인 사람, 그리고 다음 한몫만 노리는 사람이 세상에 많다면 이 논리는 무너집니다.
백신 반대론자들이 거둔 성과 하나는 이 부분을 흐려 놓은 것입니다. 이제 대중적 평판은 실제 성과와 상관관계가 없습니다.
역사를 보면 이런 신중함이 전혀 없었던 사람이 줄줄이 있습니다.
당신은 이론 경제학의 접근법을 취하는 것 같습니다. 현실은 다릅니다. 사람은 완벽하게 합리적인 행위자가 아니고, 결과도 일관되게 따라오지 않습니다.
현실에서 실제로 일어나는 일을 보세요.
백신 반대론자들은 여전히 소수 비주류고, 대체로 사람들은 자기가 먹는 약이 안전하고 효과가 있다고 믿습니다.
바이오 업계에서 한몫 챙기고 빠지기는 꽤 어렵습니다. 수십억 달러의 자본을 끌어와야 하는데, 그런 돈은 대개 한몫 챙기고 빠지는 사람에게 흘러가지 않으니까요.
현실에서 일어나는 일은 이렇습니다. 사람들이 안전하고 효과적인 약을 만들려고 정말 열심히 노력하고, 대부분 실패하고, 승인된 약은 대체로 안전하고 효과가 있습니다.
무슨 소리를 하는 겁니까? 주주들은 지속 가능한 성장 전망을 원합니다. 사람을 여럿 죽이면 주가가 폭락하고, 경영진은 바로 그 주가로 보수를 받습니다. 이런 문제는 처음 떠오른 생각 너머까지 생각해 봐야 합니다.
그중에 제약사를 운영한 사람은 없습니다.
아니요, 저는 현실을 설명하고 있고 당신은 포퓰리즘으로 논쟁하고 있습니다.
그런데 사모펀드가 (비교적) 빠르게 한몫 챙기려고 멀쩡한 걸 망가뜨린 사례는 왜 그렇게 많죠?
저도 부인 말씀에 동의하고, 이렇게 덧붙이고 싶습니다.
d) 노인과 허약한 사람은 몸이 약해진 상태라서, 약이 일으킬 수 있는 예기치 못한 합병증에서 회복하기가 더 어렵습니다.
e) 질병 자체가 약물의 독성 효과를 가리는 교란 요인이 됩니다. 약을 먹었더니 간이 멈췄다고 해 봅시다. 약 때문일까요, 아니면 원래 앓던 병 때문일까요? 이 때문에 프로그램이 너무 일찍 중단되는 일이 생길 수 있고, 계속 갔으면 성공했을 치료제 개발이 실제로 가로막힐 수 있습니다.
말기 환자에게 그 사람의 병이 아닌 다른 목적으로 약을 시험해 봐야 의미 있는 데이터는 나오지 않습니다.
사람 몸에 약을 넣었을 때 신호를 뽑아내는 일이 얼마나 어려운지 오해하고 계시는 겁니다. 그래서 말기 암 같은 조건이 없는, 아주 좁은 기준을 충족하는 사람이 대규모로 필요한 거고요.
뒤쪽 아이디어는 좋고, AI가 도움이 되길 바랍니다. 말씀하신 대로 준비가 됐는지는 경험적으로 알게 될 겁니다. 시험 실패율이 0을 향해 갈 테니까요. 지금은 실패율이 90%에 가깝고, 올바른 방향으로 가고 있는지도 분명하지 않습니다.
건강한 자원자라면 오늘 당장 1상 시험에 등록할 수 있다는 건 아시죠? 꽤 짭짤하게 벌 수도 있습니다.
도덕적 거리낌은 차치하더라도, 노인과 말기 환자를 대상으로 대표성 있는 기준선을 세우기가 어려울 것 같습니다.
왜 슬쩍 빠지는지는 뻔하지 않나요? 여러 회사가 AI가 모든 걸 바꿀 거라는 전제로 수조 달러 가치를 내걸고 상장하려고 하는데, 모든 걸 AI로 풀 수 있다는 여론을 만드는 데 수억에서 수십억 달러를 쓰지 않는 게 오히려 이상하죠.
AlphaFold 이전에는 단백질 구조 예측이 바로 그런 상태였습니다. 그 모델은 DNA로부터 단백질 구조를 만들 때 생물학이 쓰는 "언어"를 알아낸 것처럼 보입니다. 단백질 상호작용에도 비슷한 것이 존재할 가능성이 꽤 있다고 믿는 게 무리는 아닙니다.
정밀도가 낮더라도 바람직하지 않은 반응이 일어날 가능성이 높은 약물을 걸러낼 수만 있다면 여전히 가치가 있을 겁니다. 다만 그 작업에 LLM이 이상적일지는 잘 모르겠습니다.
AlphaFold는 실험으로 얻은 구조 데이터가 풍부한, 훨씬 좁은 문제를 풀었습니다. 약물이 인간 전체와 어떻게 상호작용하는지 짐작하는 건 규모가 완전히 다른 일입니다. 단백질 상호작용을 안다고 해도, 그 상호작용이 인체 시스템 전체로 어떻게 퍼져 나가는지, 약이 안전하고 효과가 있을지는 알 수 없습니다.
그렇게 표현하면 해결이 불가능해 보입니다.
하지만 단백질 구조의 대부분은 기능적으로 비활성입니다. 활성을 띠면서 여러 화학 반응의 속도론에 영향을 주는 부분은 비교적 작은 영역인 경우가 많습니다. 비슷한 상호작용이 다른 단백질의 기계적 특성에 영향을 주기도 합니다.
핵심 생물학적 과정 대부분의 경로도 상당수 알려져 있습니다. 물론 인간 전체를 시뮬레이션하는 데는 한참 못 미치지만, 핵심 생물학적 경로에 강한 영향을 주는 약물 후보를 걸러내는 건 충분히 가능합니다.
대체로 보면 이건 쥐 같은 대리 동물로 대사, 생식, 간 기능 등에서 고도로 보존된 경로에 걸쳐 독성을 시험하는 것과 크게 다르지 않습니다. 오히려 훨씬 다루기 쉬운 문제이기도 하고요.
수많은 단백질이 중요한 화학 경로에 미치는 영향에 대해서는 실험 데이터가 많습니다. 제약사들은 약물 후보 가운데 얼마나 많은 것이 핵심 경로와 반응하거나 간섭하는지에 대해 더 많은 정보를 갖고 있을 것으로 짐작합니다.
제 추측은, 세밀한 상호작용까지 알 필요는 없고 정밀도가 낮은 필터링만으로도 가치가 있을 거라는 겁니다. 예를 들어 약물 XYZ가 세로토닌에 아주 잘 결합하지만 위장의 핵심 단백질에도 친화력이 높다는 걸 알 수 있다면, 유망한 항우울제가 많은 환자에게 심한 위장 장애를 일으킨다는 사실을 알아내려고 비싼 연구를 할 필요가 없어집니다.
유전체 변이를 단백질 구조 변이와 연결할 수 있다면 더 좋습니다. 심한 부작용이 있는 환자군과 없는 환자군을 구분하는 데 도움이 될 테니까요.
저는 AI에, 특히 신약 개발에 대해 매우 낙관적입니다. 하지만 AI 신약이 다른 약보다 2상 시험을 통과할 가능성이 높다는 믿음은, AI가 주로 안전한 적응증(같은 기전으로 작동하는 치료제가 이미 있는 표적을 겨냥한 미투 약물)에 쓰일 거라는 가정에 기대고 있거나, 아주 먼 미래에는 AI가 인체 생물학으로의 전이를 더 잘 이해하지만 그것이 문서화되거나 사람에게 공유되지 않을 거라는 믿음에 기대고 있습니다. 후자는 결국 현실이 될 거라고 생각하지만, 사람들은 지금 이런 점을 잊곤 합니다. 사람 대상 임상시험은 비용이 극도로 많이 들기 때문에, 전임상 후보는 규제 기관, 컨설턴트, 사내 지식이 제안한 모든 가능한 시험을 이미 거친 상태입니다. 그래서 신약이 실패하는 이유는 그전에 동물, 세포, 시험관 환경에서 했던 모든 시험과 사람 사이에 나타나는 "예상 밖의" 차이뿐입니다. 지금 AI는 임상 후보에 예전보다 훨씬 빠르게, 더 적은 자원으로 도달하게 해 줄 수 있습니다. 하지만 이것이 성공률 향상으로 이어진다는 생각에는, 고정된 표적이든 새로운 표적이든 아마 맞지 않는 가정이 들어 있다고 봅니다. 제가 근본적인 무언가를 놓치고 있을 가능성도 열어 두고 있으니 의견을 듣고 싶습니다.
또 이런 식으로 개발한 전임상 후보는 사람 대상 시험으로 넘어가기가 더 어렵습니다. 후보를 만든 방법이 새롭다 보니 규제 기관과 신약 개발자가 안전하고 유익한 시험을 어떻게 설계해야 할지 모르기 때문입니다. 그래서 결국 AI 덕분에 건너뛴 작업을 상당 부분 다시 해야 나머지 작업을 할 수 있게 됩니다. 어쩌면 "설명 가능한" AI의 미래 혁신이 여기에 도움이 될지도 모릅니다. 하지만 그런 기술 자체도 이 문제를 풀려면 임상적으로 검증받아야 할 겁니다.
출처: AI 신약 개발 스타트업에서 9년을 일했습니다. 임상 후보 8개를 진전시켰는데, 모두 이 문제의 어떤 변형에 부딪혔습니다.
그렇다면 3D 프린터로 지은 집처럼 될 겁니다. 최적화할 가치가 없는 거죠.
이 직설적인 의견은 우리 생각보다 더 중요합니다. 기능을 추가하는 일은 (예: 소프트웨어 개발 자동화) 그 어느 때보다 최적화됐지만, 많은 시스템과 프로세스는 이미 꽤 최적화돼 있습니다. 제가 본 에이전트 구현 중 상당수는 프로세스를 최적화하지 않고 그대로 복제하거나 자동화할 뿐입니다. 그래서 이미 최적화된 것들이 있다는 생각이 들었습니다. 개선 여지야 늘 있지만, 모든 일에 AI를 쓰자는 경쟁에서 그런 이득이 항상 비용을 정당화하지는 않을 수 있습니다.
다만 최적화는 다차원 문제 공간이라는 점을 짚고 싶습니다.
AI를 쓴다고 프로세스 자체가 직접 더 저렴해지지는 않을 수 있지만, 이윤을 쫓는 쪽이 부딪히는 다른 문제들은 피해 갈 수 있습니다. 사람들이 쉬는 날을 원한다든지, 인권 같은 성가신 것들 말이죠.
3D 프린터로 지은 집이 기존 주택보다 우월해지는 기술을 영영 개발하지 못할 거라고 가정하는 것 같은데요... 미래를 볼 수 있으세요?
우주비행사에게 시추를 가르치는 게 쉬울까요, 시추공에게 우주비행사가 되는 법을 가르치는 게 쉬울까요?
저는 앤트로픽이 일라이 릴리가 되는 쪽보다 일라이 릴리가 AI를 활용해서 신약을 개발하는 쪽에 걸겠습니다. 물론 시추공에게 우주비행사가 되는 법을 가르치는 쪽이 영화로는 더 낫긴 하죠.
NASA, 대학, 여러 산업 분야에서 과학자와 비소프트웨어 전문가들과 일해 보니, 큰 성과는 전문가들이 선봉에서 코딩을 배우고 이후 소수의 엔지니어가 넘겨받아 프로덕션 단계를 맡을 때 나왔습니다. AI의 도움을 받으면 이 말이 더욱 맞다고 생각하고, 제품화에 무엇이 남을지는 잘 모르겠습니다. 다만 변화가 빠르다는 것만은 확실합니다.
저는 소프트웨어 쪽 출신으로 전문가들과 일하면서 이게 늘 싫었습니다. 저는 항상 전문 공학 분야를 배우는 "소프트웨어 담당"이 되고 싶었거든요. 하지만 늘 물살을 거슬러 헤엄치는 기분이었고, 기존 전문가들은 언제나 직접 만들고 싶어 했습니다.
그렇다고는 해도, 어떤 분야 전문가들은 코딩이 도저히 체질에 맞지 않습니다. 소프트웨어와 너무 멀리 떨어져 있다 보니, AI의 도움을 받아도 뭔가를 만드는 데 거부감이 있습니다. 그런 경우에는 소프트웨어 전문가와 짝을 이루는 게 폭발적인 효과를 냅니다.
일하기 가장 좋은 곳은 R&D의 'R'과 'D' 사이에 상호 존중이 높은 곳입니다. 어느 한쪽이 상대의 가치를 깎아내리고 모두가 인수인계를 쉽게 하려고 조금씩 양보하는 것을 그만두면, 모두가 괴로워질 뿐입니다.
맞아요. 이런 AI 논의에서 말로 나오지 않는 부분이, 각자 자기 아이디어를 밀어붙이면 협업 문화가 그냥 증발해 버린다는 점입니다.
서로 논의하고 브레인스토밍하는 일이 거의 없습니다. 예전에는 소프트웨어를 만드는 속도가 느렸기 때문에 이런 논의가 거의 필수였는데, 지금은 협업을 완성하는 일이 아니라 사후 비판(PR "리뷰")이 됐습니다.
기술적으로는 괜찮지만, 문화에 어떤 영향을 줄지는 궁금합니다.
"큰 성과는 전문가들이 코딩을 배울 때 나온다"
예전에 영상 인코딩을 하는 스타트업에서 일했습니다. 컴퓨터 비전 과학자가 많았는데, 제대로 된 C++ 코딩 관행을 배우길 거부하는 사람들이었습니다. 이들이 만든 건 제대로 동작한 적이 없고 기여한 것도 별로 없었습니다. 코딩을 꽤 잘하는 과학자도 몇 명 있었는데, 진전은 거의 전부 그들에게서 나왔습니다.
일부 데이터 과학자에게서도 같은 모습을 봅니다. 순수한 데이터 과학만 하고 싶어 하고, 데이터를 실제로 얻기 위한 코딩은 거부합니다. 그러다 보니 항상 떠먹여 줘야 하고 진행이 아주 느립니다.
우주비행사, 시추공, AI 연구자, 신약 개발자까지... 벤 애플렉과 브루스 윌리스는 못 하는 게 없네요!
그런데 2024년 노벨 화학상은 구글 딥마인드 연구자들에게 돌아갔잖아요.