바이오테크 및 제약 업계 리더를 위한 4가지 AI 우선순위
CAS 2025 생명과학 서밋 요약
2025년 9월, CAS는 유럽, 한국, 일본에서 생명과학 서밋을 개최하여 제약, 학계 및 기술 전문가들과 함께 신약 개발에서의 AI 활용 방안을 모색했습니다. 각 서밋은 데이터 거버넌스, AI 구현 장벽, 모달리티별 과제 등 지역별 우선순위에 집중했습니다. 이번 서밋은 연구 전략을 재편하고 있는 신약 개발 트렌드를 반영했습니다.
3차례에 걸친 CAS 생명과학 서밋을 통해 제약사, 바이오테크 기업, CRO 및 학술 기관에서 도출한 4가지 핵심 우선순위는 다음과 같습니다.
리더들이 꼽은 핵심 테마:
- 데이터 수집보다 데이터 준비성: 조직은 충분한 양의 데이터를 보유하고 있으나, 이를 큐레이션하고 맥락화하며 특정 연구 질문에 맞게 정렬하는 데 어려움을 겪고 있습니다.
- 병목 현상으로서의 조직 준비성: 기술적 역량은 갖추어져 있으나, 변화 관리, 인센티브 구조, 학제 간 협업이 실제 구현 여부를 결정합니다.
- 인간과 AI의 파트너십 모델: AI가 인간을 대체하는 것이 아니라, 컴퓨팅 도구와 함께 인간의 전문성을 재배치하는 데 초점을 맞추고 있습니다.
- 핵심 인프라로서의 거버넌스 프레임워크: AI가 워크플로우에 깊숙이 통합됨에 따라 책임 소재와 규제 준수가 필수적인 요소가 되었습니다.
이러한 우선순위는 각 서밋에서 진행된 심도 있는 논의를 통해 도출되었으며, 다양한 제약 시장과 연구 환경에서 어떻게 나타나는지를 보여줍니다.
EMEA: 신약 개발 가속화를 위한 데이터와 AI
CAS와 아스트라제네카는 런던 왕립학회에서 EMEA 서밋을 공동 주최했습니다. 세션에서는 AI 기반 아이디어 도출, 예측 분석, 자동화 및 에이전트 시스템을 다루었습니다.
1. 데이터 준비성 논의의 중요성
제약사, 바이오 기업, 학계의 업계 관계자들은 중요한 통찰에 의견을 모았습니다. 핵심 과제는 데이터의 양이 아니라 데이터의 준비성이라는 점입니다. 초기 세션에서는 AI 애플리케이션을 위해 데이터셋을 효과적으로 만드는 방법에 초점을 맞췄으며, 제약사와 학계 관계자들은 각자의 구현 경험을 공유했습니다. 다수의 참석자는 데이터셋이 제대로 관리되지 않으면 모델의 정교함과 관계없이 신뢰할 수 없는 예측 결과가 나온다고 지적했습니다.
한 참석자는 데이터의 양보다 준비 과정이 중요하다는 점을 강조했습니다. 더 관련성 높고 실행 가능한 결과를 얻으려면 데이터를 큐레이션하고 맥락화하며 구체적인 연구 질문에 맞춰 정렬해야 합니다. 여러 참석자가 각 조직에서 겪은 유사한 어려움을 공유했는데, 이는 많은 비용을 들인 AI 도입 시도가 알고리즘의 한계보다는 데이터의 근본적인 문제로 인해 좌초되었다는 업계 전반의 인식을 반영합니다.
논의는 기존의 출판된 문헌을 넘어선 접근 방식으로 확대되었습니다. 참석자들은 거의 출판되지 않지만 가치 있는 정보를 담고 있는 실패한 실험 기록인 '구조화된 부정적 결과'를 문서화하는 내부 접근 방식을 설명했습니다. 또한 합성 데이터 생성과 연합 학습 모델에 대한 논의도 이어졌습니다. 연합 학습은 독점 데이터를 공유하지 않고도 여러 기관이 협력할 수 있다는 점에서 관심을 끌었으나, 지식 재산권 문제와 기관 정책이 여전히 광범위한 도입을 가로막는 장벽으로 남아 있다는 점도 언급되었습니다.
2. 조직의 준비성을 높이기 위한 학제 간 연결
여러 세션에서 조직이 협력적 신약 개발의 핵심 요소들을 어떻게 연결할 수 있는지에 대해 다루었으며, 여기에는 화학, 생물학, 전산 과학, 실험적 검증이 포함됩니다. 일부는 기존에 분리되어 운영되던 팀들을 연결하기 위해 설계된 협업 플랫폼을 선보였습니다.
또한 자원과 전문 지식을 공유하는 기업 간 파트너십에 대해서도 논의했습니다. 이러한 협력은 발전을 가속화할 수 있지만, 경쟁 압력과 데이터 소유권에 대한 우려가 더 넓은 도입을 제한하고 있습니다.
업계 통찰: 부서 간 사일로를 허무는 방법. 학제 간 통합은 기술적 과제이자 문화적 과제로 부상했습니다. 제약 및 바이오 기업의 리더들은 화학 중심 팀과 생물학 중심 팀을 연결하는 데 단순히 데이터 표준을 공유하는 것 이상의 노력이 필요하다고 지적했습니다. 이는 통합된 거버넌스 구조와 개인의 기여보다 협업을 우선시하는 새로운 인센티브 모델을 요구합니다.
3. AI 도입을 위해 필요한 인간의 전문성
거대 언어 모델(LLM)과 실험실 자동화에 관한 세션에서는 이러한 기술이 기존 워크플로우에 어떻게 부합하는지 살펴보았습니다. 발표자들은 LLM이 어떻게 화학적 설계 공간을 확장하고 가설을 생성할 수 있는지 시연했습니다. 그러나 이러한 LLM의 효과는 엄격한 벤치마킹과 전문가의 검증에 달려 있습니다. 제약 업계는 이러한 신약 개발 과제들을 해결하기 위해 다양한 방식을 시도해 왔으며, 그 결과는 인간 전문성의 중요성이 여전히 크다는 점을 다시 한번 확인시켜 주었습니다.
실험실 자동화는 실험의 변동성을 줄이고 주기 시간을 단축한다는 점에서 주목받았습니다. 한 발표자는 서로 다른 시설에서 재현 가능한 실험을 가능하게 하는 코드 기반 워크플로우를 설명했습니다. 그러나 참석자들은 이러한 기술이 과학적 판단을 대체하는 것이 아니라 지원하는 역할을 한다고 강조했습니다. 연구자들은 여전히 결과를 해석하고, 예측을 검증하며, 어떤 방향으로 나아갈지에 대한 전략적 결정을 내립니다.
이러한 인간 전문성의 재정립은 제약 R&D 리더들이 AI 도입을 바라보는 방식의 근본적인 변화를 의미합니다. "AI가 무엇을 대체할 수 있는가?"라는 질문 대신 "AI가 연구자의 탐구 범위를 어떻게 확장할 수 있는가?"라는 질문이 더 생산적인 프레임이 되었습니다. 임상시험수탁기관(CRO)과 제약사의 여러 참석자는 AI가 가설 생성을 가속화하고, 도메인 전문가가 검증, 해석 및 전략적 의사결정에 대한 통제권을 유지하는 성공적인 구현 사례를 공유했습니다.
4. 조직의 AI 도구 거버넌스 구축 방법
반복적으로 제기된 주제는 AI 도구가 더욱 통합됨에 따라 투명한 방법론과 명확한 책임 소재가 필요하다는 점이었습니다. 발표자들은 모델의 출처를 추적하고, 의사결정 논리를 문서화하며, 실험 결과와 비교하여 예측을 검증하는 프레임워크를 공유했습니다.
한 대표자는 과학적 엄밀함을 유지하면서 감사 가능성을 보장하고 위험을 관리하는 조직의 접근 방식을 개괄했습니다. 다른 이들은 AI가 생성한 가설로 인해 실험이 실패하거나 자동화 시스템이 예상치 못한 결과를 낼 때의 책임 소재에 대해 질문을 던졌습니다.
CAS의 마누엘 구즈만(Manuel Guzman) 회장은 "분야를 막론하고 리더들이 모여 인공지능이 과학적 돌파구를 가속화하는 방법, 즉 과학자를 대체하는 것이 아니라 과학자를 지원하는 방법에 대해 논의하는 것은 고무적인 일입니다"라고 말했습니다. "이러한 도구는 연구자들이 더 나은 질문을 던지고, 아이디어를 더 효율적으로 테스트하며, 정보에 입각한 결정을 내릴 수 있도록 지원하기 위해 설계되었습니다."
기술적 역량만으로는 AI 도입을 이끌 수 없습니다
종합적으로 볼 때, 이 네 가지 우선순위는 참석한 리더들에게 명확한 통찰을 제공했습니다: 기술적 역량만으로는 도입을 이끌 수 없습니다. 제약사와 바이오 기업의 참석자들은 조직의 준비성, 인센티브 구조, 변화 관리 프로세스가 팀의 AI 도구 활용 여부를 결정한다고 강조했습니다.
"작은 성공(small wins)" 전략. 여러 제약 업계 리더들은 프로젝트 일정을 앞당기는 검증된 예측, 병목 현상을 제거하는 재현 가능한 워크플로우, 개념을 증명하는 파일럿 프로젝트와 같이 목표가 분명한 성공 사례를 통해 가치를 입증할 것을 제안했습니다. 이러한 접근 방식은 전사적인 변화보다 더 효과적으로 조직의 동의를 얻어낼 수 있으며, 신약 개발에서 어떤 AI 애플리케이션이 가치를 창출하는지 파악하는 데 도움을 줍니다.
지역별 통찰
대한민국에서 열린 CAS 생명과학 서밋은 글로벌 제약사들이 신약 개발에 AI를 어떻게 활용하고 있는지 살펴보았습니다. 한 발표자는 연구 개발(R&D) 분야의 AI 통합 사례를 공유하며 실제 현장에서의 성공 사례와 지속적인 과제에 대해 설명했습니다. 서밋에 참석한 제약 및 바이오 업계 리더들은 연구 환경에서 입증된 AI 역량과 실제 규제 대상인 제약 R&D 환경에서의 실무 적용 사이의 간극이 크다는 점을 핵심 문제로 지적했습니다.
참석자들은 검증 요건, 데이터 품질 표준, 리스크 관리 고려 사항이 제약 R&D 현장에서 어떤 도구를 도입할지 결정하는 데 어떤 영향을 미치는지 논의했습니다. 한 참가자는 AI가 제공하는 속도와 규제 기관이 요구하는 엄격함 사이에서 조직이 어떻게 균형을 잡아야 하는지 질문했습니다.
CAS BioFinder®에 대한 질문을 통해 생물학적 서열 데이터와 화학 정보를 연결하는 플랫폼에 대한 높은 관심을 확인할 수 있었습니다. 여러 참석자는 신약 개발 타겟이 복잡해짐에 따라 연구원들에게 다양한 데이터 유형을 통합할 수 있는 도구가 필요하다고 언급했습니다. 이러한 기술적 과제는 화학 중심 팀과 생물학 중심 팀을 연결해야 하는 조직적 차원의 논의와도 맞닿아 있습니다.
신약 개발이 단백질-단백질 상호작용이나 까다로운 결합 부위 등 기존에는 조절하기 어렵다고 여겨졌던 타겟에 집중함에 따라, 연구원들은 PROTAC 기반 단백질 분해 및 저분자 PPI 억제제를 포함한 다양한 접근 방식을 모색하고 있습니다.
AI로 강화된 워크플로우에서 인간 전문가의 역할에 대한 의미 있는 논의가 있었습니다. 한 참가자는 서밋이 자동화에 초점을 맞추고 있음에도 불구하고 왜 CAS가 여전히 인간 인덱서(indexer)를 활용하는지 질문했습니다. 이에 대해 AI는 방대한 데이터를 처리하고 패턴을 식별할 수 있지만, 해당 정보를 큐레이션하고 검증하며 해석하는 데에는 여전히 도메인 전문 지식이 필수적이라는 점이 강조되었습니다.
결론적으로 AI는 연구자가 탐색할 수 있는 범위를 확장하고 가설 검증 속도를 높여준다는 점에 의견이 모였습니다. 그러나 생물학적 타당성, 화학적 실현 가능성, 전략적 우선순위에 대한 전문가의 판단은 자동화할 수 없습니다.
일본에서 열린 CAS 생명과학 서밋에서는 많은 제약 업계 리더들이 고민하는 다음 질문이 다루어졌습니다. AI는 저분자 신약 개발에서는 유망한 성과를 보이지만, 왜 RNA 치료제, 항체 치료제, 펩타이드 약물, 세포 치료제, 유전자 치료제와 같은 새로운 치료 모달리티에서는 어려움을 겪는가? 제약사, 바이오 기업, 학계 관계자들은 학습 데이터의 가용성과 기전적 이해도에 따라 달라지는 치료제 유형별 AI 준비 수준에 대해 논의했습니다.
토론은 신약 개발의 광범위한 트렌드에 초점을 맞추어 치료 모달리티별 AI 준비 수준을 검토했습니다. 저분자 신약 개발의 경우, 타겟 단백질, 결합 데이터, 구조-활성 관계 등 방대한 데이터셋으로 학습된 딥러닝 모델이 가설을 생성하고 분자 특성을 보다 안정적으로 예측할 수 있다는 점이 언급되었습니다. 이러한 모델은 수십 년간 축적된 실험 데이터와 잘 정립된 화학 및 생물학적 원리를 기반으로 합니다.
발표자들은 새로운 모달리티는 다른 과제를 안고 있다고 설명했습니다. RNA 치료제, 항체 치료제, 펩타이드 약물, 세포 치료제, 유전자 치료제는 각각 고유한 데이터 및 기전적 난관에 직면해 있습니다. 예를 들어, RNA 치료제는 저분자 화합물에 비해 학습 데이터가 부족하며, RNA 안정성, 전달, 효능을 결정짓는 생물학적 기전은 아직 충분히 밝혀지지 않았습니다. 한 참석자는 이러한 모달리티에 대한 AI 정확도를 높이려면 고품질 실험 데이터를 체계적으로 생성하고, 적은 데이터로도 학습 가능한 모델을 개발하며, 생물학적으로 타당한 범위 내에서 예측이 이루어지도록 기전적 지식을 통합하는 세 가지 노력이 병행되어야 한다고 주장했습니다. 또 다른 참석자는 이번 토론이 "폐쇄적인 환경에서 기업의 경계를 넘어 솔직한 의견을 교환할 수 있는 드문 기회"였다고 평가했습니다.
예측 독성학은 특히 중요한 관심사로 떠올랐는데, 모델링 기술의 발전에도 불구하고 전임상 데이터로부터 부작용을 예측하는 것은 여전히 어렵기 때문입니다. 참가자들은 신약 개발 초기 단계에서 효능과 안전성을 예측할 수 있는 AI 모델을 요구했으며, 이러한 기능은 이미 현재 시스템에서 나타나기 시작했습니다. 더 나아가 일부 연사들은 임상 시험 성공 확률과 시장 잠재력을 평가하여 포트폴리오 전략 결정을 지원하는 미래를 전망했지만, 이러한 포괄적인 예측 역량은 아직은 지향해야 할 목표 단계에 머물러 있습니다.
참석자들은 새로운 모달리티를 위한 학습 데이터 부족, 불완전한 기전적 이해, 불충분한 독성 예측 능력 등 구체적인 기술적 격차를 확인했습니다. 이러한 격차는 집중적인 연구 투자와 체계적인 데이터 생성을 통해 발전을 가속화할 수 있는 영역을 시사합니다.
미래를 대비한 통합 AI 시스템 구축
모든 지역의 참가자들은 발전을 위해 데이터 품질 및 표준화 개선, 학문 및 조직 간 협업 활성화, 신뢰를 구축하는 거버넌스 프레임워크 수립, 조직 내 문화적 장벽 해소 등 다각적인 노력이 필요하다는 데 동의했습니다. 기술적 돌파구만큼이나 작은 성공 사례를 보여주는 것이 AI의 폭넓은 도입을 이끄는 데 중요할 수 있습니다.
서밋 그 자체는 조직 간 협업의 힘을 보여주었습니다. 이 행사는 경쟁 관계에 있는 제약사, 바이오 기업, CRO, 학계의 과학자들이 모여 솔직한 통찰을 나눌 수 있는 공간을 마련함으로써 개별 조직 내에서는 좀처럼 이루어지기 어려운 논의를 가능하게 했습니다. 참가자들은 경쟁적인 위치를 떠나 과학적 이해를 증진하는 데 집중할 수 있는 기회를 높이 평가했으며, 이를 통해 업계 전체의 발전을 가속화할 수 있는 공통의 과제와 협력적 접근 방식을 발견했습니다.
개념 증명 단계를 넘어 실질적인 구현으로 나아가는 현시점에서, 성공 여부는 AI 도구가 실제 제약 R&D 현장에서 가치를 창출할 수 있도록 조직적, 문화적, 거버넌스적 과제를 해결할 수 있는 리더들에게 달려 있습니다.
신약 개발의 미래를 형성하는 새로운 전략과 기술에 대한 더 많은 통찰을 원하신다면 2025년 신약 개발 트렌드 웨비나를 확인해 보십시오.
