신약 하나에 10년 넘게 걸리는 이유
신약 하나가 나오기까지 보통 10년에서 15년, 비용은 수조 원이 든다고 해요. 더 놀라운 건 임상시험에 들어간 후보 물질 중에 최종 승인까지 가는 게 열에 하나 정도라는 거예요. 기술이 발전할수록 신약 하나당 개발 비용은 오히려 늘어왔는데, 무어의 법칙(Moore's Law)을 거꾸로 뒤집어서 ‘이룸의 법칙(Eroom's Law)’이라고 부르기도 해요.
Anthropic이 공개한 연구 글은 이 문제에 Claude를 써본 초기 성과를 다루고 있어요. 제목부터 ‘early progress’라고 선을 긋고 있으니까 ‘AI가 신약을 만들었다’는 얘기로 읽으면 안 돼요. 신약 개발 과정의 어떤 병목에서 LLM이 실제로 시간을 줄여줄 수 있는지 살펴보는 글로 읽는 게 맞아요.
신약 개발은 ‘실험’만큼 ‘지식 노동’이에요
신약 개발이라고 하면 흰 가운 입고 피펫 드는 장면이 먼저 떠오르죠. 그런데 실제로는 엄청난 양의 지식 노동이 같이 돌아가요. 단계별로 보면 이래요.
- 타깃 발굴: 어떤 단백질이나 유전자가 병의 원인인지 찾는 단계예요. 논문 수만 편과 유전체 데이터를 뒤져야 해요.
- 후보 물질 탐색과 최적화: 타깃에 붙는 분자를 찾은 다음, 독성은 낮추고 효과는 높이도록 다듬어요.
- 전임상과 임상: 동물실험과 사람 대상 임상시험을 설계하고 진행해요. 임상시험 프로토콜 하나만 해도 수백 페이지예요.
- 허가 신청: 규제 기관에 내는 문서가 수천, 수만 페이지 단위로 쌓여요.
에이전트로 일하는 LLM
이번 흐름에서 눈여겨볼 건 LLM이 ‘질문에 답하는 챗봇’에서 ‘도구를 쓰는 에이전트’로 바뀌고 있다는 점이에요. 에이전트가 뭐냐면, 스스로 계획을 세우고 검색, 코드 실행, 데이터베이스 조회 같은 도구를 골라 쓰면서 여러 단계짜리 작업을 끝까지 해내는 AI예요.
Anthropic은 작년에 Claude for Life Sciences를 발표하면서 Benchling 같은 연구 데이터 플랫폼, PubMed 같은 논문 데이터베이스와 Claude를 잇는 커넥터를 내놨어요. 예를 들어 연구자가 “이 유전자 관련 최근 임상 논문을 찾아 정리하고, 우리 실험 데이터랑 비교하는 분석 코드를 짜줘”라고 하면, Claude가 논문 검색, 요약, 사내 데이터 조회, 파이썬 분석 코드 작성, 결과 정리까지 이어서 해요. 이번 글은 이런 방식이 실제 연구 현장에서 어떤 효과를 냈는지 보여주는 중간 보고서라고 보면 돼요.
업계 맥락: 전문 모델 vs 범용 에이전트
AI 신약 개발은 이미 꽤 치열한 분야예요. 2024년 노벨 화학상을 AlphaFold를 만든 딥마인드의 데미스 허사비스와 존 점퍼가 받은 게 상징적인 전환점이었어요. 딥마인드 자회사 Isomorphic Labs는 이 기술로 직접 신약 개발에 뛰어들었고요. Insilico Medicine은 AI로 발굴한 특발성 폐섬유증 치료 후보 물질의 임상 2a상 결과를 2025년에 학술지에 발표했어요.
LLM 쪽에서는 구글이 여러 AI 에이전트가 토론하면서 가설을 만드는 ‘AI co-scientist’를 선보였어요. 이 시스템이 제안한 약물 재창출(이미 있는 약을 다른 병에 쓰는 것) 후보가 실험실에서 검증되기도 했죠. FutureHouse 같은 연구 조직도 과학 연구를 자동화하는 에이전트를 내놓고 있어요.
정리하면 분자를 다루는 전문 모델과 연구 과정 전체를 조율하는 범용 에이전트가 역할을 나눠 가는 모양새예요. Claude는 후자에 가깝고, 앞으로는 에이전트가 AlphaFold 같은 전문 도구를 필요할 때 불러 쓰는 구조가 자연스러워 보여요.
물론 냉정하게 봐야 할 부분도 있어요. LLM은 그럴듯하지만 틀린 내용을 지어낼 수 있는데(환각), 신약 개발에서 이건 치명적이에요. 세포를 키우고 임상 환자를 모집하는 데 드는 시간은 AI가 줄여줄 수도 없고요. 그래서 ‘초기 성과’라는 표현이 오히려 정직하게 느껴져요. 진짜 평가는 이렇게 개발된 약이 임상을 통과하느냐로 내려질 테니까요.
한국 개발자에게 주는 시사점
한국 제약바이오 업계도 요즘 분위기가 좋아요. 유한양행의 폐암 치료제 렉라자가 2024년 미국 FDA 승인을 받았고, 여러 제약사가 데이터를 직접 넘기지 않고도 AI 모델을 같이 학습시키는 정부 주도 연합학습 프로젝트(K-MELLODDY)도 진행 중이에요.
개발자한테는 꽤 구체적인 기회예요. 바이오 현장에 LLM 에이전트를 붙이려면 누군가는 데이터 파이프라인, 사내 시스템 연동, 보안과 감사 로그를 만들어야 하거든요. 특히 환자 데이터나 미공개 연구 데이터는 민감도가 높아서, 클라우드 리전 선택이나 데이터 반출 통제 같은 설계가 핵심이에요. MCP(Model Context Protocol, AI가 외부 도구와 데이터에 접속하는 표준 규격)를 익혀두면 사내 LIMS(실험 정보 관리 시스템)나 문서 시스템에 에이전트를 붙일 때 바로 써먹을 수 있어요.
바이오 지식이 없어서 망설여진다면 오히려 지금이 시작하기 좋은 때예요. 도메인 전문가와 AI 에이전트 사이를 이어줄 엔지니어가 아직 많지 않거든요.
마무리
핵심 한 줄: AI는 신약을 ‘발명’하기보다, 신약 개발을 느리게 만드는 지식 노동의 병목부터 풀고 있어요.
LLM이 과학 연구에서 어디까지 믿을 만하다고 보세요? 규제가 엄격한 제약 분야에서 AI가 만든 결과물을 검증할 책임은 누가, 어떻게 져야 할까요?
🔗 출처: Hacker News