약물 발굴이 여전히 추측에 수십억 달러를 태우는 이유

문제의 본질

니콜라 테슬라는 한때 "조금의 이론과 계산"만 있었어도 토머스 에디슨의 노력의 90%는 아꼈을 것이라고 말했습니다. 그로부터 한세기가 넘은 지금도 제약업계와 재료과학 업계는 여전히 에디슨식 방식을 고수하고 있습니다 — 방대한 화합물 라이브러리를 합성하고 물리적으로 시험하며, 어부지리로 적중하기를 바라는 것이지요. 숫자들은 이 접근법이 얼마나 심각하게 무너졌는지를 정확히 보여줍니다.

약물 유사 분자가 존재할 수 있는 공간은 10^60에서 10^100 사이로 추정됩니다. 최고 성능의 고처리량 스크리닝 캠페인도 약 백만 개의 화합물을 시험할 뿐입니다. 즉, 가용 선택지의 0.000000000000000000000000000000000000000000000000001%만 커버하는 셈입니다. 백서는 이렇게 단호하게 말합니다. 무작위 간격으로 찻술 한 술씨 물을 떠서 태평양 지도를 만들려는 것과 같다고요. 시뮬레이션 없이 습식 실험실에서 신소재를 시험하고 있다면, 돈을 불태우고 있는 것입니다.

이것은 기술적 호기심거리가 아닙니다. R&D 경제학의 구조적 위기입니다. "에디슨식" 방법 — 전력을 다한 시행착오 — 은 지능을 노동력으로 대체합니다. 목표물의 복잡도가 높아질수록 이 트레이드오프는 기하급수적으로 악화됩니다. 단순한 소분자라는 낮게 달린 과일은 이미 다 따갔습니다. 남은 과제에는 근본적으로 다른 접근법이 필요합니다: 먼저 시뮬레이션하고, 그다음 확률이 가장 높은 후보만 합성하는 것입니다.

왜 귀사 비즈니스에 중요한가

재무적 피해는 이미 업계의 장부에 나타나 있습니다. 이사회가 경계해야 할 숫자들입니다:

• 신약 하나당 22억3천만 달러 — 2024년 기준 단일 의약품 자산을 개발하는 평균 비용입니다. 이 숫자에는 성공 하나마다 선행하는 수천 건의 실패 비용이 흡수되어 있습니다.
• 내부수익률 1.2% — 제약 R&D 수익률은 2022년 12년래 최저점을 찍었다가 2024년 5.9%로 회복했습니다. 이 반등은 GLP-1 작용제 같은 특이값에 크게 좌우된 것이지 체계적 개선 때문이 아닙니다.
• 실패율 ~90% — R&D 후보의 대다수는 결코 시장에 도달하지 못합니다. 시뮬레이션으로 걸러낼 수 있었던 화합물을 물리적으로 시험하는 데 쓴 모든 달러는 실행 가능한 후보에서 빼앗긴 달러입니다.
• 비용 인지형 AI는 시약 비용을 최대 90%까지 절감할 수 있습니다 — 실험의 정보 가치와 함께 실험 가격까지 반영하는 알고리즘이 극적인 절감 효과를 입증했습니다.

R&D 생산성의 이런 하락에는 이름이 있습니다: 이룸의 법칙(Eroom's Law) — 무어의 법칙을 거꾸로 쓴 것입니다. 약물의 세대가 거듭될수록 발견은 더 어렵고 더 비싸집니다. 경쟁사들도 같은 벽에 부딪히지만, 시뮬레이션 우선 발견으로 전환하는 이들은 몇 년 앞서 그 벽을 넘을 것입니다.

손익계산서에는 영향이 직접적입니다. 고처리량 스크리닝은 운영비(OpEx)가 무겁습니다: 소모품, 시약, 인건비 시간, 설비 가동 시간이 그것입니다. 더 나은 예측으로 회피한 모든 실험은 최종 이익에 바로 반영됩니다. 한편 특허 시계는 계속 갑니다. R&D에서 벌어들이는 하루하루가 시장 독점 기간의 추가 하루입니다. Exscientia 같은 회사들의 AI 설계 소분자는 약 12개월 만에 임상 1상에 도달했고, 업계 평균은 4~5년입니다.

후드 아래서 실제로 일어나는 일

핵심적인 실패는 전통적 발굴이 화합물을 '설계'하지 않고 '스크리닝'한다는 점입니다. 스크리닝은 정답이 이미 기성 라이브러리 안에 존재한다고 가정합니다. 그러나 복잡한 바이오의약품, 다원소 합금, 나노구조 소재로 들어갈수록 최적해가 물리적으로 관리 가능한 어떤 라이브러리 안에 있을 확률은 거의 0으로 떨어집니다.

이렇게 생각해 보세요. 자릿수 100짜리 다이얼 자물쇠가 있습니다. 전통적 스크리닝은 무작위 조합을 하나씩 시도합니다. 시뮬레이션 우선 접근법은 자물쇠의 작동 원리를 먼저 연구하고 가능성을 몇 개로 좁힌 뒤에야 다이얼을 돌립니다.

시장은 데이터 상관관계로만 배우는 블랙박스 AI 모델로 넘쳐납니다. 실험 데이터는 희소하고 잡음이 많으며 수집 비용이 비싸기 때문에, 이런 모델들은 새로운 도메인에서 무너집니다. 표준 머신러닝은 학습 데이터 범위 안에서는 잘 작동하지만 완전히 새로운 재료 부류의 특성 예측을 요구받으면 실패합니다. 더 나쁜 것은, 대규모 언어 모델 위에 구축된 생성형 AI 도구는 "환각"을 일으킬 수 있다는 점입니다 — 겉보기에는 그럴듯하지만 기본 화학에 위배되는 분자 서술을 생성합니다. 원자가 규칙을 깨거나 질량 보존을 무시하는 구조를 제안할 수도 있습니다. 분자는 원자와 결합으로 이루어진 3차원 그래프이지 텍스트 문자열이 아닙니다. 문장처럼 다루면 물리적으로 불가능한 결과물이 나옵니다.

대안은 물리 정보 머신러닝(Physics-Informed Machine Learning, PIML)입니다 — 에너지 보존, 열역학, 양자역학 같은 물리 법칙 그 자체를 AI 아키텍처 안에 직접 내장하는 모델입니다. 화학의 규칙이 이미 내장되어 있어 필요한 학습 데이터가 훨씬 적습니다. 미지의 영역으로의 외삽 성능도 더 좋습니다. 그리고 근본적인 물리 제약을 위반하는 분자를 제안할 수가 없는 구조입니다. FlowER라는 시스템은 화학 반응 중 전자가 어떻게 재분배되는지를 명시적으로 추적하여 질량과 전하가 항상 보존되도록 보장합니다. 어떤 표준 언어 모델도 이것은 못 합니다.

무엇이 통하고 무엇이 못 통하는가

유망해 보이지만 한참 모자란 세 가지 접근법:

• 더 큰 스크리닝 라이브러리: 백만 개에서 십억 개로 확대해도 여전히 화학 공간의 사소한 일부만 커버합니다. 10^60개의 가능성을 무작정 힘으로 뚫을 수는 없습니다.
• 공개 언어 모델 위에 얹은 범용 AI 래퍼: 이런 도구는 문헌 검토와 프로토콜 초안 작성에는 유용하지만, 분자 설계에 필요한 도메인 특화 물리 제약이 없습니다. 래퍼는 화학 반응에서 질량 보존을 강제할 수 없습니다.
• 시뮬레이션 없는 "빠른 실패": 습식 실험실에서의 실패는 비쌉니다 — 시약, 합성 시간, 장비가 모두 자본을 태웁니다. 밀리초의 연산 시간으로 끝나는 가상 실패에 비하면 빠른 물리적 실패조차 여전히 느리고 비쌉니다.

실제로 통하는 것은 3단계 폐쇄 루프 아키텍처입니다:

1. 예측 및 선택 (입력): 베이즈 최적화 엔진 — 알 수 없는 화학 영역의 탐색과 알려진 유망 영역의 정제 사이의 균형을 잡는 수학적 프레임워크 — 가 다음에 수행할 가장 가치 높은 실험을 식별합니다. 막연히 추측하지 않습니다. 비용 대비 정보 이득이 가장 큰 지점을 계산합니다. 이 알고리즘의 멀티 피델리티 버전은 저렴한 컴퓨터 시뮬레이션과 비싼 실험실 결과를 혼합하여, 시뮬레이션의 신뢰도가 너무 낮을 때만 물리 실험을 트리거합니다.

2. 자동화 및 합성 (처리): 로봇 플랫폼은 AI로부터 지시를 받아 예측된 소재를 합성하고 — 분광분석, X선 회절, 현미경 검사 같은 — 특성 평가 시험을 사람의 개입 없이 수행합니다. 로렌스 버클리 국립연구소의 A-Lab은 이 접근법으로 17일 동안 41개의 신규 무기 화합물을 합성했습니다. 합성이 실패하면 AI가 결과를 분석하고 조건을 조정한 뒤 자율적으로 재시도했습니다.

3. 학습 및 갱신 (출력): 모든 결과 — 성공이든 실패든 — 가 모델로 되먹임됩니다. 바로 여기서 부정 데이터가 금이 됩니다. 실패한 실험은 무엇이 통하지 않는지에 대한 AI의 이해를 갈고닦으며, 화학의 막다른 길 지역들을 영구적으로 지도화합니다. 귀사는 그 경로에 자원을 낭비하는 일이 다시는 없을 것입니다. 이렇게 축적된 실패 지형 지식은 오래가는 지식재산입니다.

컴플라이언스·감사 팀에게 이 루프는 전통적 R&D에 없던 것 — 모든 예측, 모든 판단 근거, 모든 실험 결과에 대한 완전하고 추적 가능한 기록 — 을 만들어냅니다. AI는 "이 화합물을 시험하라"고 말하는 데 그치지 않습니다. 모든 대안 가운데 왜 그 화합물을 선택했는지, 무엇을 배우리라 기대했는지, 그 결과가 모델을 어떻게 바꿨는지 보여줍니다. 이 판단 궤적은 감사 가능하고, 재현 가능하고, 방어 가능합니다.

디지털 트윈 — 실제 실험실의 가상 복제본 — 이 또 하나의 보호 계층을 더합니다. 로봇이 움직이기 전에 실험은 시뮬레이션에서 먼저 돌아갑니다. 덕분에 프로토콜 오류, 타이밍 충돌, 장비 충돌이 샘플이나 장비를 파괴하기 전에 잡아냅니다. 트윈의 예측과 실제 센서 데이터의 실시간 비교는 막힌 피펫이나 온도 이동 같은 이상 징후를 배치 전체가 망가지기 전에 표시해 줍니다.

경제적 논거는 명확합니다. 자율 장비는 거의 100%에 가까운 가동률로 24시간 돌아가는 반면, 인력 실험실의 전형적인 가동률은 30~40%입니다. 인실리코 메디신(Insilico Medicine)은 AI로 발굴한 섬유증 후보물질을 표적 발굴부터 임상 전 단계까지 18개월도 안 되어 진행했고, 비용은 통상의 일부에 그쳤습니다. 이것은 전망치가 아닙니다. 이미 실제 운영 환경에서 달성된 결과입니다.