Daphne Koller 경: AI 신약 개발, 1000배 데이터 부족 지적
머신러닝 선구자 다프네 콜러는 최근 a16z News를 통해 인공지능 기반 의약품 개발이 마법과 같지 않으며, 차세대 약물 발견을 위해 약 1000배에 달하는 고품질 생물학 데이터가 필요하다고 경고했다. 콜러는 AI의 주목도가 높은 분자 설계 단계의 한계를 지적하며, 신약 개발의 진짜 난제는 표적 타겟팅과 질병 기전 이해에 있다고 분석했다. 현재 AI는 주어진 표적에 맞는 분자를 빠르게 생성하는 데 탁월하지만, 선택된 표적 자체가 질병 진행을 막지 못하면 90% 이상의 임상 실패를 피할 수 없다는 것이다. 실제로 글로벌 신약 파이프라인은 확장되고 있으나, 신규 표적 발굴 수는 지난 10년간 약 70% 감소했다. 콜러는 이 문제를 해결하려면 관찰성 데이터가 아닌, 유전자나 단백질 조작 시 세포 반응의 인과관계를 입증하는 교란 실험 데이터가 필수적이라고 강조했다. 현재 공개된 세포 지도는 수억 개에 달하지만, 이를 실제 치료 메커니즘으로 전환하려면 데이터 규모와 품질에서 약 세 배수 격차가 존재한다. 이러한 철학을 바탕으로 그가 설립한 AI 생명과학 기업 인시로는 외부 도입보다는 자체 플랫폼을 통한 표적 발굴과 분자 설계에 집중하는 전략을 고수하고 있다. 현재 약 8억 달러의 투자를 확보한 인시로의 후보 약물들은 임상 전 단계에 진입했으며, 브리스톨 마이어스 스크립 등과의 협력을 통해 신규 표적 검증도 진행 중이다. 업계 전반에서도 AI 의약품 개발의 현실적 검증이 가속화되고 있다. 인실리코 메디신의 AI 발견 표적 약물 렌토서티브는 최근 임상에서 기능 개선 신호를 보였으며, 구글 딥마인드 분사 기업 이소모픽랩은 대규모 자금으로 플랫폼을 확장하지만 임상 시험 시작은 2026년 말로 계획 중이다. 또한 대형 제약사들은 기밀 유지 범위 내에서 프로테인 및 소분자 데이터를 공유해 오픈소스 모델 학습에 나서고 있다. 전문가들은 차세대 AI 바이오테크 경쟁이 모델 성능보다 고품질 인과 데이터 축적, 자동화 실험 플랫폼 구축, 수년 단위의 임상 검증 주기를 감당할 수 있는 조직 역량에서 가름될 것이라고 전망한다. 계산과학자와 생명과학자가 공동으로 실험 제한과 기술 적용 가능성을 함께 설계하는 융합 구조 정립이 AI 기반 신약 개발의 성공 가능성을 높이는 핵심 과제로 부상했다.
