# 아이소모픽 랩스가 신약 개발의 시행착오를 컴퓨터로 옮기려는 이유

> 2026-11-12 · No Priors · 큐레이션 김태우
> https://challengekim.com/insights/아이소모픽-랩스가-신약-개발의-시행착오를-컴퓨터로-옮기려는-이유
> 원문: https://www.youtube.com/watch?v=IiKf3BgBezE

## 핵심 요약

- 아이소모픽 랩스는 AI 예측 모델을 실험에 준하는 정확도로 끌어올려 실제 분자를 합성하고 시험하는 반복 횟수를 줄이려 한다.
- 신약 개발 비용을 높이는 핵심 문제로 임상 단계의 실패를 꼽는다. 분자의 결합 여부를 넘어 독성과 질병의 작동 원리를 미리 이해하는 것이 목표다.
- 기존 데이터는 과거 연구의 선택이 반영돼 편향될 수 있다. 회사는 새로운 문제에도 적용할 모델을 만들기 위해 필요한 데이터를 직접 생성한다.
- AI 모델을 판매하거나 외부에 사용권을 주지 않고 자체 신약 개발과 제약사 공동 개발에 활용한다.
- 실제 환자에게 투여하기 전 검증은 여전히 필요하다. 첫 임상시험 일정과 암 치료의 구체적인 도달 시점은 제시하지 않았다.

## 약을 개발할수록 다음 약도 더 쉽게 만드는 구조

AI 팟캐스트 No Priors는 아이소모픽 랩스의 사장이자 창립 멤버인 맥스 제이더버그(Max Jaderberg)를 초대해 AI가 신약 개발을 어떻게 바꿀 수 있는지 논의했다. 대화의 중심에는 신약 하나를 만들며 얻은 지식을 얼마나 축적해 다음 신약 개발에 재사용할 수 있느냐는 쟁점이 있었다.

제이더버그는 딥마인드에서 생성 모델과 강화학습, 게임을 수행하는 AI 등을 연구했다. 그는 알파폴드의 초기 성과를 보고 딥러닝이 생물학에서도 학습한 내용을 새로운 대상에 적용할 수 있다는 가능성을 확신했다. 서로 다른 분야의 전문가가 모여 빠르게 연구할 별도 조직이 필요하다고 판단했고 2021년 무렵 아이소모픽 랩스가 출발했다.

그는 기존 신약 개발의 한계를 **경험적 시행착오에 크게 의존하는 방식**에서 찾았다. 질병의 원리와 적절한 분자 구조에 가설을 세워도 실제로 분자를 만들고 시험해야 결과를 알 수 있다. 세포의 복잡성과 가능한 분자 설계의 수를 고려하면 정해진 시간과 예산으로 탐색할 수 있는 범위가 제한된다.

그는 이 방식으로 찾기 쉬운 약부터 발견하면서 남은 문제는 점점 어려워진다고 봤다. 개별 신약 개발이 각각 별도의 첨단 과학 프로젝트처럼 진행되면 한 프로젝트에서 배운 내용을 다음 프로젝트에 옮기기도 쉽지 않다. 아이소모픽 랩스는 여러 신약 개발에서 얻은 지식을 공통 AI 모델에 반영해 개발 경험이 쌓일수록 다음 연구도 개선되는 구조를 추구한다.

## 예측 정확도를 높여 실험 횟수를 줄인다

아이소모픽 랩스의 AI 연구팀은 질병을 이해하고 약물을 설계하는 작업을 최대한 컴퓨터 안으로 옮기려 한다. 제이더버그는 실제 원자를 합성하고 실험하는 과정 자체가 시간과 비용의 큰 병목이라고 봤다.

알파폴드는 그가 든 대표 사례다. 단백질 구조와 상호작용을 예측하는 모델이 실험을 대신할 만큼 정확해지면 구조를 알아내는 데 필요한 수개월 이상의 시간을 아낄 수 있다. 회사는 내부 모델 평가표에 실험 정확도를 기준선으로 표시하고 각각의 예측 능력을 그 수준까지 끌어올리려 한다.

목표는 **컴퓨터에서 충분히 설계하고 반복한 뒤, 현실에서는 성공 가능성이 높은 후보를 검증하는 것**이다. 그는 자동화 실험실도 활용하고 있으며 실험의 반복 시간을 줄이는 일 역시 필요하다고 말했다. 다만 자동화만으로 없애기 어려운 대기 시간이 있다. 화학반응이 끝나거나 세포가 시험에 적합한 상태로 자랄 때까지는 기다려야 한다.

로봇이 실험을 빨리 수행하는 것과 예측 모델이 필요한 실험 자체를 줄이는 것은 서로 보완하는 접근이다. 그는 새로운 과학적 가설이 실제로 작동하는지, 환자에게 안전한지는 현실에서 확인해야 한다는 전제도 유지했다.

## 임상 실패를 줄이려면 결합 예측만으로는 부족하다

진행자가 초기 연구보다 임상시험에서 더 많은 시간과 비용이 발생한다는 점을 짚자 제이더버그는 실패 원인을 언제 알아내느냐에 주목했다. 환자에게 투여한 뒤에야 예상하지 못한 독성이 드러나거나 분자가 의도한 대상 외의 다른 대상에도 작용하는 문제가 나타날 수 있다. 의도한 대상을 정확히 조절했더라도 그 작용 자체가 해로울 수도 있다.

이 때문에 모델이 다뤄야 할 범위는 어떤 분자가 어떤 대상에 결합하는지를 넘어선다. 그는 세포가 어떻게 작동하고 조절하려는 대상이 질병에 어떤 역할을 하는지까지 이해해야 임상 이전에 더 많은 위험을 파악할 수 있다고 봤다.

동물실험 결과를 사람에게 그대로 적용하기 어렵다는 점도 논의했다. 제이더버그는 실험실에서 측정할 수 있는 지표와 AI 예측 모델에 장기의 일부 특성을 재현하는 오가노이드와 장기칩, 합성 인간 조직 등을 결합할 가능성을 제시했다. 이런 자료로 사람에게 나타날 독성을 직접 예측하려는 접근이다. 다만 실제 임상시험의 수가 한정돼 있어 사람의 임상 독성을 학습할 데이터는 부족하다는 제약을 인정했다.

## 필요한 데이터와 전문성을 직접 쌓는다

제이더버그는 기존 데이터 저장소가 반드시 범용 모델에 적합한 것은 아니라고 지적했다. 공개 데이터든 제약사가 보유한 데이터든 오랜 기간 특정 약을 개발하면서 부산물로 축적한 자료일 수 있다. 과거에 어떤 실험과 대상을 선택했는지가 반영되므로 편향이 생길 수 있다.

새로운 질병과 분자에도 적용할 모델을 만들려면 다른 구성의 데이터가 필요할 수 있다. 회사는 이를 직접 생성하며 데이터 규모를 늘렸을 때 모델 성능이 개선되는 양상을 관찰했다고 밝혔다. AI 모델과 약물 설계 엔진은 내부에서 개발하되 실험 데이터는 자체 연구뿐 아니라 외부 연구를 맡는 위탁연구기관과 전문 기업 등과 협력해 확보한다.

인력을 구성할 때도 기존의 AI 신약 개발 전문가만 찾지는 않는다. 제이더버그는 이 융합 분야의 역사가 짧고 다른 조직에서 쓴 기법이 자사 모델과 같지도 않다고 설명했다. 생물학 경험이 없는 AI 연구자와 AI 경험이 적은 생물학·화학 전문가를 각각 채용하고 함께 일하며 서로의 분야를 익히도록 한다.

핵심 AI 모델링 팀에서는 모델 연구자와 엔지니어 여러 명에 소수의 분야 전문가가 참여하는 구성이 가능하다고 봤다. 분야 전문가는 데이터의 특성과 평가지표의 의미를 해석하고 수치 개선이 실제 약물 개발에도 도움이 되는지 판단하는 역할을 맡는다.

## 모델 사용권 대신 자체 신약과 공동 개발

아이소모픽 랩스는 모델을 판매하거나 외부에 사용권을 주지 않는다. 내부 설계 엔진으로 약을 만들며 사업은 회사가 직접 소유하고 자금을 대는 신약 개발과 제약사·바이오 기업과의 공동 개발로 나뉜다.

제이더버그는 협력사가 특정 질병에 관한 깊은 전문성과 오랫동안 풀지 못한 문제를 가져온다고 설명했다. 회사는 여기에 자사 설계 엔진을 결합한다. 내부 연구는 암, 면역학, 염증에 집중하지만 모델 자체는 특정 질병이나 표적 유형, 약물 형태에 한정되지 않도록 개발한다고 밝혔다.

치료 전략에서는 여러 질환에 영향을 줄 수 있는 공통의 핵심 기전을 겨냥하는 데 관심을 보였다. 암처럼 빠르게 변이하는 질환에서는 단일 표적만 조절하는 접근의 한계와 여러 약을 함께 쓰는 가능성도 논의했다.

병용요법은 약을 추가하는 것만으로 해결되지 않는다. 각각의 약이 독성을 띠거나 간에 영향을 주면 함께 복용할 때 해로운 상호작용이 생길 수 있다. 그는 분자를 더 정밀하게 설계해 이런 위험을 줄일 수 있다면 여러 표적을 동시에 조절하는 복잡한 조합도 가능해질 수 있다고 봤다.

## 안전성과 개발 일정에 남은 조건

진행자가 안전성을 과도하게 강조하면 개발이 늦어지는지 묻자 제이더버그는 환자 안전을 중심에 둬야 한다고 답했다. 다만 대안이 거의 없는 말기 암 환자와 만성적인 낮은 수준의 염증을 치료하려는 환자가 감수하려는 위험은 다를 수 있다. 그는 환자의 필요에 따라 위험과 편익을 판단해야 한다고 봤다.

그는 AI로 설계한 분자가 더 높은 성공률과 나은 안전성을 보인다는 점을 시간이 지나며 입증하고 싶다고 말했다. 첫 임상시험의 확정 일정은 제시하지 않았으며 임상 개발팀을 확충하며 준비하고 있다고 밝혔다.

암의 상당 부분을 언제 치료할 수 있을지도 연도를 약속하지 않았다. 대신 앞으로 5년 안에 질병 생물학을 예측하고 정밀하고 독성이 낮은 분자를 설계하는 능력이 크게 개선되기를 기대했다. 신약의 발굴과 개발에는 여전히 여러 해가 걸린다는 점도 덧붙였다. 수명에 관한 대화에서는 오래 사는 것과 함께 노화로 신체 기능이 떨어지기 전 건강하게 지내는 기간도 중요하게 다뤘다.

아이소모픽 랩스는 실제 실험을 없애기보다 실험과 임상에 들어가기 전에 더 많은 것을 알아내려 한다. 제이더버그가 제시한 기준은 예측 모델의 정확도, 신약 개발 사이에서 축적되는 학습, 그리고 환자에게 투여할 단계에서 확인해야 할 안전성이다.

---

원문을 바탕으로 AI 가 한국어로 요약·재구성한 글입니다. 인용·수치는 원문 링크에서 확인해 주세요. [원문 링크](https://www.youtube.com/watch?v=IiKf3BgBezE)