AI 신약 개발, 월가의 기대만큼 빠르지 않다

인공지능(AI)이 알츠하이머나 암과 같은 질병 치료제도 획기적으로 빨리 만들어줄 수 있을까?

월스트리트저널(WSJ)은 많은 사람이 주목하는 이 질문에 대해 '월가가 기대하는 것만큼 빨리하는 건 힘들다'고 진단했다.

WSJ은 AI가 제약사들의 신약 개발 연구의 효율성을 크게 향상하고 있지만 '인간 생물학적 특성'이라는 어려운 현실에 부딪혀 아직 경제적 이익으로 되돌아오지는 못하고 있다고 12일(현지시간) 보도했다.

연구실에서는 AI가 이미 단백질 구조 예측, 잠재적 약물 표적 식별, 수백만 개의 분자 가상 스크리닝 등을 통해 효율성을 획기적으로 높이고 있다.

전통적인 신약 개발 방식에서는 연구자들이 주로 수작업으로 약물 표적을 선정해 왔다. 자신이 가장 잘 아는 분야의 자료를 바탕으로 어떤 질병이 어느 단백질과 관련이 있을지 판단하고, 그 가설을 실험실에서 수개월 또는 수년에 걸쳐 검증하는 식이다.

하지만 AI는 이를 바꾸고 있다. 글로벌 제약사 로슈의 자회사 제넨텍에서 전산 생물학자로 일하는 아비브 레게브는 '루프형 연구실'을 만들어 AI를 활용하고 있다. AI 모델이 유망한 표적과 분자를 예측하면, 연구원들이 이를 검증하고, 그 결과를 다시 AI 모델에 입력하여 다음 예측 정확도를 높이는 식이다.

레게브는 이 연구 방식으로 현실적으로 할 수 있는 연구 프로그램의 범위가 확대됐다고 말했다.

그는 "AI가 개별 연구자들보다 더 똑똑한 것은 아니지만, AI는 관련 정보를 매우 광범위하게 인코딩할 수 있어 도움이 된다"고 말했다.

하지만 새 아이디어를 인간에게 유효한 의약품으로 개발하는 건 다른 문제다. 임상 시험에 들어가는 신약 후보 물질 중 실제로 시장에 출시되는 건 10% 정도에 불과하며, 그것도 수년간의 연구와 수십억 달러의 돈이 들어가야 한다.

컴퓨터 분야에서는 칩 성능의 기하급수적 향상을 말할 때 '무어의 법칙'으로 설명하지만 신약 연구는 이와 정반대로 시간이 지날수록 속도는 느려지고 비용은 증가한다. 이 때문에 무어의 법칙을 거꾸로 쓴 '이룸의 법칙'도 붙었다.

가능성을 발견하는 것과 실제로 효과가 있음을 증명하는 것과도 다르다.

실험실의 배양세포나 실험 동물, 컴퓨터 모델은 여전히 복잡한 인체를 완벽하게 대체할 수 없기 때문이다.

이룸의 법칙 용어를 처음 쓴 잭 스캐널은 오늘날의 인체 생물학적 데이터로 AI를 훈련하는 것은 "개구리에게 사막 지역에서 자전거를 타도록 한 뒤, 이 엉뚱한 데이터로 복잡한 대도시 샌프란시스코에서 자율주행차 웨이모를 운행하도록 하는 것과 같다"고 비유했다.

이런 이유로 AI의 잠재력을 믿는 이들도 그 가능성을 입증하는 데 앞으로 수년이 더 걸릴 것이라고 본다.

최근 신약 개발 프로그램을 시작한 앤트로픽의 생명과학 부문 책임자 에릭 카우더러-에이브럼스는 AI가 여러 병목 현상을 동시에 해결해 신약의 임상 성공 확률을 높임으로써 이러한 어려움을 극복할 것이라면서 "하지만 AI를 활용한 제약산업은 이제 겨우 2회 말에 접어들었다"고 지적했다.