Newsletter · · Ashutosh Agarwal

AI 신약 개발의 진짜 병목은 이제 데이터다 - AI Drug Discovery Weekly - 2026년 7월 23일 주간

AI Drug Discovery Weekly, 2026년 7월 16일부터 23일까지의 주간: Xaira, A-Alpha Bio, Cythera를 각각 다룬 세 개의 독립된 팟캐스트가 신약 개발의 제약 요인은 더 이상 모델이 아니며 싸움의 무대는 이제 누가 올바른 실험실 생성 데이터를 보유하느냐로 옮겨갔다는 동일한 결론에 도달한 반면, Digital Pathology Podcast의 한 회의적인 목소리는 진정으로 AI가 설계한 약물이 아직 시장에 나온 적이 없다고 지적한다.

AI Drug Discovery Weekly

2026년 7월 23일 주간: AI 신약 개발의 진짜 병목은 이제 데이터다

제목줄: 모델은 한 번도 병목이었던 적이 없었다. 이번 주 세 곳의 독립된 연구실이 그것을 공개적으로 인정했고, 싸움은 이제 데이터를 둘러싸고 벌어지고 있다.

TL;DR

  • 이번 주 팟캐스트에서 가장 크게 울려 퍼진 주제는 놀라운 합의였다. 인공지능 모델은 더 이상 신약 개발을 가로막는 요인이 아니라는 것이다. 자금이 풍부한 스타트업 Xaira, 데이터 플랫폼 기업 A-Alpha Bio, 그리고 현재 Cythera를 이끄는 베테랑 전산화학자, 이 세 독립된 팀은 각자의 언어로 진짜 부족한 것은 올바른 종류의 실험실 생성 데이터(혹은 분자를 컴퓨터에 표현하는 올바른 방식)라고 말했다. 병목은 두뇌에서 눈과 손으로 옮겨갔다.
  • 단순히 "데이터가 더 많이 필요하다"는 이야기가 아니다. 이번 주 드러난 미묘한 지점은, 생물학에는 오늘날 공개 데이터베이스 대부분이 담고 있지 않은 특정 종류의 데이터가 필요하다는 것이다. 원인과 결과에 관한 데이터, 무엇이 작동하지 않는지에 관한 데이터(작동하는 것뿐 아니라), 그리고 매번 같은 방식으로 측정되어 모델이 실제로 비교할 수 있는 데이터다.
  • Xaira는 45억 개 파라미터를 가진 "가상 세포" 모델 X-Cell을 발표하며, 자사의 철학을 에피소드 제목으로 내걸었다: 인과 모델에는 인과 데이터가 필요하다. 그들의 해법은 이러한 데이터를 산업적 규모로 자체 생산하는 것이다(Latent Space, 7월 21일).
  • 이번 주 가장 명확한 현실 점검: 온갖 과장에도 불구하고 진정으로 AI가 설계하여 승인받고 시장에 나온 약물은 아직 없다. 흔히 인용되는 한두 사례는 결국 기존 구약물의 용도 변경으로 밝혀진다(Digital Pathology Podcast, 7월 22일).
  • 이 흐름이 어디로 향하는지 생생하게 보여준 것은 Lila Sciences였다. 이 회사는 "바이오테크 업계 5년치 작업을 6개월 만에, 비용은 10%로" 해냈다고 설명했으며, 두세 명의 인력과 자동화된 실험실만으로 한 암 치료제에 대해 원숭이 단계 데이터에 도달했다고 밝혔다(Latent Space, 7월 16일).
  • 인사 관련해 눈에 띄는 움직임이 지나가듯 언급되었다. Cythera의 Woody Sherman에 따르면 Anthropic이 AlphaFold를 만든 노벨상 수상자 John Jumper를 영입했다고 하며, 이는 대형 AI 연구소들이 단순히 도구를 판매하는 것을 넘어 과학 자체로 더 깊이 파고들고 있다는 또 다른 신호다(Data in Biotech, 7월 20일).
  • 우리가 추적하는 종목들 중에서는: **Recursion(RXRX)**는 보합세를 유지하며 여전히 연중 최저가 부근에 머물렀고, **Schrödinger(SDGR)**는 다시 하락했으며, **Eli Lilly(LLY)**는 AI와는 무관한 대형 비만 치료제 임상시험 결과 발표로 급등했다.

이번 주 새로운 소식

Xaira, 말뚝을 박다: "인과 모델에는 인과 데이터가 필요하다"

이번 주 가장 두드러진 소식은 우리가 커버하는 기업군에서 나왔다. AI 신약 스타트업 중에서도 자금력이 가장 탄탄한 축에 속하는 Xaira Therapeutics가 널리 청취되는 AI 엔지니어링 팟캐스트에 출연해 첫 번째 "가상 세포" 모델인 X-Cell을 설명했다. 가상 세포란 말 그대로 무언가를 바꿨을 때 살아있는 세포 안에서 어떤 일이 일어나는지 예측하려는 컴퓨터 모델이다. 예를 들어 세포가 가진 약 2만 개의 유전자 중 하나를 낮추면 나머지 모든 유전자에는 어떤 일이 일어나는지, 그리고 세포가 병든 세포처럼 행동하기 시작하는지 혹은 건강한 세포처럼 행동하는지를 예측한다. 이는 신약 탐색에서 중요한데, 대부분의 약물이 정확히 어떤 생물학적 스위치를 올리거나 내림으로써 작용하기 때문이다(Latent Space, 7월 21일).

두 가지가 눈에 띄었다. 첫째는 규모다. X-Cell은 45억 개 파라미터를 가진 모델이다("파라미터"란 모델이 조정하는 내부 다이얼로, 다이얼이 많을수록 대략적으로 용량이 크다는 뜻이다). 둘째, 더 중요한 것은 Xaira의 두 과학자, 최고 AI 과학자 Bo Wang과 최고 발견 책임자 Ci Chu가 대화 전체를 이끈 핵심 논지였다. Chu는 두 종류의 데이터 사이에 명확한 선을 그었다.

  • 기술적(descriptive) 데이터, 건강한 세포의 스냅샷으로, 이미 거대한 공개 컬렉션에 존재하는 종류다(그는 3,300만 개 이상의 세포로 시작한 데이터베이스를 예로 들었다). 이는 세포가 어떻게 보이는지를 알려준다.
  • 인과(causal) 데이터, 특정 방식으로 세포를 자극했기 때문에 일어나는 일을 포착한 데이터다. 이는 개입했을 때 세포가 무엇을 하는지를 알려준다.

그의 단도직입적인 주장은, 기술적 데이터만으로 훈련된 모델은 "인과적 과제에서 아직 선형 모델을 능가하지 못한다"는 것이다. 쉽게 말해, 스냅샷으로 훈련된 거대한 AI는 신약 설계에서 실제로 중요한 질문, 즉 *세포에 이렇게 하면 어떻게 되는가?*에 답하는 데 있어 수십 년 된 단순한 수학보다 나을 게 없다는 것이다. 그 이유는 논리적 함정에 있다. 만약 유전자 A, B, C가 스냅샷에서 항상 함께 오르내린다면, A가 B와 C를 통제하는지, B가 나머지를 통제하는지, 아니면 제4의 무언가가 이들 모두를 통제하는지 진짜로 알 수 없다. 똑같이 타당한 설명이 너무 많기 때문이다. 이를 알려면 실험을 직접 실행해야 한다(Latent Space, 7월 21일).

그래서 Xaira의 진짜 제품은 모델만이 아니라 인과 데이터를 만드는 공장이기도 하다. 이들은 Perturb-seq라는 실험실 기법을 사용하는데, 유전자 편집 도구 CRISPR을 이용해 한 번에 하나의 유전자를 제거하되, 거대한 세포 풀 전체에 걸쳐 동시에 수행함으로써 배치 간 성가신 편차가 없도록 한다. 이들은 Pisces라는 데이터셋을 공개했다. 16가지 서로 다른 세포 유형에 걸쳐 2,500만 개 세포를 대상으로 유전체 전체에서 유전자를 검사한 것이다. Wang은 모델의 내부 훈련 방식을 전환한 것("자기회귀"에서 "확산"으로, AI가 출력을 생성하는 학습을 하는 두 가지 서로 다른 방식)이 가장 어려운 테스트, 즉 모델이 한 번도 본 적 없는 상황에서의 효과 예측에서 의미 있는 도약을 가져왔다고 언급했다. 한 시연에서는 X-Cell을 휴지 상태의 면역 T세포에만 훈련시킨 뒤, 한 번도 연구한 적 없는 활성화된 T세포에서 유전자 제거가 어떤 결과를 낳을지 예측하도록 했는데, 이것이 성공했고 단순 수학 기준선을 능가했다. 이 "한 번도 본 적 없는 것으로 일반화"하는 결과야말로, 단순히 데이터베이스를 조회하는 대신 대형 모델을 구축하는 이유 전체다(Latent Space, 7월 21일).

이 흐름이 계속 반복되는 이유에 대한 배경을 설명하면, Bo Wang은 토론토 대학교 교수로, 그의 연구실은 ChatGPT 출시 약 4개월 후에 단일 세포를 위한 최초의 "파운데이션 모델" 중 하나(scGPT라 불림)를 발표했으며, 현대적 용어인 "가상 세포"를 정립하는 데도 기여한 인물이다. 이런 이력을 가진 사람이 제약 요인은 모델 설계가 아니라 데이터에 있다고 말한다면, 귀 기울일 가치가 있다.

두 번째 목소리, 같은 진단: A-Alpha Bio와 "부정 데이터" 문제

Xaira의 주장이 자사 사업을 홍보하는 것처럼 들렸다면, 이번 주에는 완전히 별개의 기업이 거의 같은 이야기를 했다. A-Alpha Bio는 단백질 설계의 선구자 David Baker의 워싱턴 대학교 연구실에서 2018년에 분사한 기업으로, 현재 35명 규모이며 약 5,000만 달러를 조달했다. 이 회사는 AlphaSeq라는 실험실 플랫폼을 운영하는데, 이는 한 번의 실험에서 약 100만 건의 단백질-단백질 상호작용을 모두 동일한 조건에서 측정할 수 있다(The Bio Report, 7월 15일).

CEO인 David Younger는 Xaira의 주장과 거의 정확히 겹치는 세 가지 논점을 제시했는데, 이 수렴이 흥미로운 지점이다.

  1. 모델은 상품화되고 있으며, 데이터가 해자다. 그의 말을 빌리면 기업들은 "먼저 오픈소스 데이터에 집중하기 시작하고... 곧 병목에 부딪힌다", 그런 다음 모델 아키텍처를 조정해 더 짜내려 하지만 "모델은 결국 기반 데이터만큼만 좋을 수밖에 없다".
  2. 유명한 공개 데이터베이스는 너무 작고 편향돼 있다. Protein Data Bank(실험적으로 규명된 단백질 구조의 대표적 라이브러리)는 특정 핵심 항체 구조 유형을 "1,000건 미만"만 담고 있고, 항체-항원 구조 전체로도 약 1만 건에 불과하며, 연간 약 1,000개 구조씩만 증가한다. 그의 표현을 빌리면 "10만 개 구조에 도달하기까지 100년을 기다리고 싶지 않다". A-Alpha는 몇 주 만에 수천 건을 생성할 수 있다.
  3. 가장 간과되는 격차는 부정 데이터다. 공개 데이터베이스는 성공한 상호작용을 기록한다. 하지만 모델을 신뢰성 있게 훈련하려면 "풍부한 부정 데이터를 갖는 것도 그만큼 중요하다": 즉 실패한 조합들이다. 성공만을 본 모델은 실패가 어떤 모습인지 전혀 알지 못한다(The Bio Report, 7월 15일).

Younger는 또한 이번 주 전체를 관통하는 업계 분위기의 변화도 지적했다. 최근까지는 "공개적으로 이용 가능한 습식 실험실 데이터에 영리한 머신러닝 기법을 더하면 충분할 것"이라는 가정이 있었지만, 이제는 "합의가 정말로 바뀌었다". AI 네이티브 기업들은 데이터 장벽에 "부딪히고" 있으며, 아키텍처 조정으로는 더 이상 여지가 없기 때문에 그의 회사와 같은 곳을 찾아온다. 그의 고객사에는 Amgen, Bristol Myers Squibb, Gilead(A-Alpha가 이 회사를 위해 더 광범위하게 방어력을 갖춘 HIV 항체를 설계했다)가 포함된다.

세 번째 목소리가 판돈을 키운다: 어쩌면 완전히 다른 종류의 AI가 필요할지도 모른다

가장 도발적인 버전의 주장은 보기 드문 이력을 가진 전산화학자 Woody Sherman에게서 나왔다. 그는 우리가 추적하는 종목인 Schrödinger(SDGR)에서 10년 넘게 근무했고, Silicon Therapeutics의 창업자였으며, Roivant에서 플랫폼을 확장하는 일을 거쳐, 현재는 오늘날 주사로만 작용하는 표적을 경구용 알약으로 겨냥하도록 설계하는 Cythera에서 과학 책임자를 맡고 있다(Data in Biotech, 7월 20일).

Sherman의 주장은 이렇다. ChatGPT와 Claude를 구동하는 대규모 언어 모델은 "코드와 서류 작업에는 뛰어나며" 신약 개발 업무의 글쓰기, 읽기, 코딩 측면에서는 실제로 도움이 되지만, "언어 모델이 별다른 강점을 발휘하지 못하는 부분은 분자를 다루는 것이다. 그리고 신약 개발은 전부 분자에 관한 것이다". 그의 견해로는 언어 모델에 데이터를 더 쑤셔 넣는다고 이 문제가 해결되지 않는데, 분자는 사실 문장이 아니기 때문이다. 그가 "물리적 AI(physical AI)" 혹은 "나노스케일 세계 모델"이라 부르는 대안은, 분자를 텍스트 문자열이나 평평한 2D 스케치(표준적인 지름길)로 표현하는 대신, 물리학이 실제로 보는 방식대로, 즉 전자 궤도로 이루어진 3차원 양자역학적 객체로 표현하는 것이다. Cythera는 Cyformer라 불리는 모델을 구축해 정확히 이를 수행하는데, 인간이 선택한 지름길이 아니라 양자역학 계산으로부터 학습한다(Data in Biotech, 7월 20일).

왜 물리학을 직접 실행하지 않을까? 그것이 지독하게 느리기 때문이다. 분자 하나에 대한 엄밀한 물리 기반 시뮬레이션은 "GPU에서 분자당 약 하루가 걸린다". 그러니 그런 방식으로는 수백만 개를 스크리닝할 수 없다. 물리적 AI는 물리학으로 가는 지름길을 학습해 물리학 수준의 정확한 답을 빠르게 내놓는 것을 목표로 한다.

이것이 단순히 한 명의 반골적 의견이 아님을 보여주는 단서는, Sherman이 Anthropic이 최근 John Jumper를 영입했다고 언급한 점이다. Jumper는 AlphaFold로 노벨상을 공동 수상한 DeepMind 과학자이며, Sherman은 Jumper가 "정말로 원자를 아는 사람이다... 그는 원자, 분자, 분자 시뮬레이션을 이해한다"고 지적했다. 이번 주 다른 모든 내용과 함께 읽으면 하나의 패턴이 형성된다. 가장 뛰어난 AI 인재를 보유한 기업들이 분자와 물리학이라는 문제로부터 멀어지는 것이 아니라 그쪽으로 향하고 있다는 것이다. (이는 팟캐스트에서 나온 발언이며, 영입에 관한 세부 사항은 여기서 독립적으로 확인된 것이 아니라 Sherman이 전한 내용으로 간주해야 한다.)

미래의 실험실은 데이터센터처럼 생겼고, 이미 약물 후보를 만들어내고 있다

세 목소리가 제약 요인이 데이터에 있다는 데 동의한다면, 당연히 다음 질문은 그것을 생성하는 기계를 누가 만드느냐다. 이번 주 가장 구체적인 답은 Lila Sciences에서 나왔다. 이 회사의 창업자들은 자사가 "AI 과학 공장"을 짓고 있다고 설명한다(Latent Space, 7월 16일).

이들의 프레임은 이해할 가치가 있는데, "자체 데이터를 생성한다"는 움직임 전체의 사업 논리를 설명해주기 때문이다. 오늘날 AI가 뛰어나게 된 이유는, 그들의 주장에 따르면 방대한 컴퓨팅 파워와 방대한 데이터의 조합이며, 그 데이터는 인터넷에서 왔지만 이제는 고갈되었다는 것이다. (이들은 인터넷이 AI의 "화석 연료"이며 "우리에게는 인터넷이 하나뿐이다"라는 잘 알려진 표현을 인용한다.) 그렇다면 다음 인터넷 규모의 데이터셋은 어디서 올까? 이들의 답은 실제 실험을 수행하고 자연 그 자체가 AI의 추측을 채점하게 하는 것이다. 그들의 말을 빌리면 "자연과 실험을 검증자로 삼는 과학은... 그 접근법의 궁극적 버전"이며, 이는 AI를 수학과 코딩에서 뛰어나게 만든 접근법과 같은데, 두 경우 모두 답을 검증할 수 있기 때문이다(Latent Space, 7월 16일).

두 가지 세부 사항이 이를 이론이 아닌 현실로 만들었다.

  • 이들의 실험실은 컴퓨터 네트워크처럼 구축돼 있다. 각 장비는 "노드"이며, 웰 플레이트는 말 그대로 자기 트랙 위를 부유하며 노드 사이를 이동하므로, AI는 사람이 실험대를 다시 배선하지 않아도 한 번도 해본 적 없는 완전히 새로운 실험을 설계하고 실행할 수 있다. 이들은 **10조 개의 "과학 토큰"**으로 이루어진 훈련 데이터셋을 구축했는데, 생물학·화학·재료과학 전반에 걸친 실험적으로 검증된 추론 흔적이며, 과학 전체에 걸쳐 훈련된 하나의 범용 모델이 좁은 단일 분야 모델을 능가하는 경향이 있음을 발견했다.
  • 그 증거는 이렇다. Lila의 두세 명으로 구성된 팀이 체내형 CAR-T(강력하지만 현재 치료 1건당 약 40만 달러에 이르는 매우 비싼 암 치료법) 버전을 연구하던 중, 원숭이 단계 데이터에서 이 치료법의 효과가 경쟁사, 즉 AbbVie가 약 21억 달러에 인수한 Capstan의 효과보다 "유의미하게 우수하다"는 결과를 얻었다. 이들이 설계한 유전 지침은 Moderna와 Pfizer의 표준 참조군보다 약 10배 더 강하게 발현되었다. 결론은 이렇다. "6개월이라는 기간 동안 바이오테크 업계 5년치 작업을, 총 투자액의 10%로." Lila는 자체적으로 임상시험을 진행하지 않는다. 이 회사는 제약회사가 아니라 모델 회사이지만, 외부인이 아이디어를 가져오면 Lila의 모델과 실험실이 과학을 수행하는 "직원 없는 스타트업" 모델을 모색하고 있다(Latent Space, 7월 16일).

지금 실제로 효과를 내고 있는 것들에 대한 둘러보기

이 분야에 대한 냉철한 조망을 위해 심장전문의 Eric Topol은 ARC Institute의 공동창업자 Patrick Hsu를 초대했고, 그는 약속이 아니라 구체적인 결과들을 훑어보았다(Ground Truths, 7월 20일).

  • 5월에 발표된 두 개의 AI "공동 과학자" 시스템이 실제 성과를 냈다. Google의 버전은 백혈병, 간섬유증, 항미생물 저항성에 대한 약물 재창출을 제안했고, 한 비영리단체의 시스템(Robin이라 불림)은 황반변성 치료법을 제안했다.
  • 스탠퍼드가 주도해 새로 발표한 에이전트 Biomni는 150개의 전문 도구와 수천 편의 논문에 대한 접근을 갖추고 있으며, 한 연구 워크플로를 360시간에서 2시간 미만으로(약 200배 속도 향상) 단축했고, 14억 건의 심박 센서 측정값으로부터 6개의 코로나19 바이오마커를 검증했으며, 배아 골격 발달에서 새로운 생물학적 발견을 이끌어냈다.
  • Hsu는 한계에 대해서도 솔직했다. 오늘날의 모델은 여전히 "수치를 환각으로 만들어내고" "잘못된 것을 그린다", 그리고 해당 분야 전문가라면 이런 결과들이 "아직 내 취향 함수를 충족시키지 못한다"고 말할 것이라고 했다. 하지만 그는 생물학의 구원이 되는 특성, "그라운드 트루스가 존재한다"는 점을 강조했다. AI의 아이디어는 언제든 실제 세포, 동물, 환자에서 검증할 수 있다는 것이다.

그는 또한 앞선 호들의 자금 계산과 맞닿는 경쟁 우위에 관한 예리한 지적을 했다. 대형 AI 연구소들은 약물을 개발하는 데 있어 "가장 낮은 자본 비용"을 갖고 있다는 것이다. 바이오테크 기업이 몇 년 동안 현금을 잃는 동안, Anthropic은 "연간 약 600억 달러의 매출 실행률에 도달할 것"이며, 이것이 엄청난 "도전 횟수"를 뒷받침한다. 그리고 그는 속도의 실질적 한계에 대해서도 설명했다. 순수하게 디지털적인 루프는 거의 즉각적이고, 시험관 내 실험은 몇 시간에서 하루가 걸리며, 세포 기반 실험은 며칠이 걸리고, 조직 실험은 더 오래 걸린다. "생물학적 복잡성이 올라갈수록 이런 루프의 길이를 압축하는 것이야말로 진짜 게임의 핵심이다." 이 한 문장이 아마도 이번 주 전체 주제를 가장 명료하게 요약한 말일 것이다.

논쟁

지난주의 핵심 질문은 진짜 가치 병목이 데이터를 생성하는 습식 실험실(자동화/클라우드 실험실, 전임상 데이터 생성)인지, 아니면 AI 모델인지였다. 이번 주 그 답은 크고 거의 만장일치로 나왔고, 이후 더 구체화되었으며, 유용한 반론도 등장했다.

합의(세 개의 독립된 목소리): 더 이상 모델이 병목이 아니다. 데이터가 병목이다.

  • Xaira: 세포에 개입해 생성한 인과 데이터가 필요하다. 스냅샷은 인과관계를 가르칠 수 없기 때문이다(Latent Space, 7월 21일).
  • A-Alpha Bio: 부정 데이터와 상호운용 가능한 데이터(매번 같은 방식으로 측정된)가 필요한데, 공개 데이터베이스에는 이것이 없다(The Bio Report, 7월 15일).
  • Cythera의 Woody Sherman: 한 단계 더 높은 기준을 제시하며, 어쩌면 언어형 AI 자체가 분자에 맞지 않는 틀린 형태일 수 있고, 물리 기반 "물리적 AI"가 필요하다고 말한다(Data in Biotech, 7월 20일).

합의 내부의 분화에 주목할 필요가 있다. 셋 중 둘(Xaira, A-Alpha)은 해법이 더 많고 더 나은 데이터라고 말하고, 나머지 하나(Sherman)는 해법이 문제를 컴퓨터에 표현하는 더 나은 방식이라고 말한다. 둘 다 사실일 수 있으며, 서로 다른 승자를 가리킨다. 데이터 공장 기업과 물리 모델 기업이다.

반론, 건강한 "너무 서두르지 말라"는 목소리: Digital Pathology Podcast에서 구조생물학자 Thibault Geoui는 왜 AI가 아직 신약 개발을 "혁명적으로 바꾸지" 못했는지 설명했다. 이는 지난 몇 주 동안 들었던 것 중 가장 유용한 회의적 목소리다(Digital Pathology Podcast, 7월 22일).

  • 핵심 사실: 진정으로 AI가 설계하여 승인받고 판매되는 약물은 여전히 없다. 흔히 인용되는 "한두 개"의 사례는 자세히 들여다보면 결국 용도 변경된 구약물로 밝혀지며, AI가 기존 약물의 새로운 용도를 찾는 데 도움을 준 것일 뿐, 그것은 AI가 약물을 설계하는 것과 같지 않다고 그는 주장한다. 그가 생각하는 진짜 "AI 개발 약물"의 정의는 질병 생물학 발견, 표적 선정, 분자 설계, 안전성 예측에 이르는 전체 사슬에서 AI가 상당한 가치를 더한 경우다.
  • AlphaFold에 대한 시각: 그는 이를 진정으로 혁신적이라고 평가했다. 그 자신의 박사과정에서는 단백질 구조 하나를 푸는 데 4년이 걸렸지만, AlphaFold는 이를 몇 분 만에 해낸다. 세계는 50년 동안 실험적으로 규명된 약 17만 개 구조에서, AlphaFold 출시 이후 2억~3억 개로 늘어났다. 하지만 "그것이 신약 개발을 해결한 것은 아니다. 신약 개발은 구조를 갖는 것만으로 되는 일이 아니기 때문이다". 구조는 중요한 퍼즐 조각 하나일 뿐, 퍼즐 전체가 아니다.
  • 문제의 압도적인 규모: 약물이 될 만한 소분자는 약 10의 60제곱 개 존재한다. 이 숫자를 실감하자면, 지구상의 모든 모래알조차 10의 25제곱에 불과하고, 우주의 모든 원자는 10의 80제곱이다. 이를 전부 만들거나 심지어 계산조차 할 수 없다. 게임의 핵심은 실제로 합성할 다음 한 줌을 선택하는 것이다.
  • 자동화를 지지하는 미묘한 논거: 그는 생물학계에 오래된 부끄러운 사실을 지적했다. 유명한 Amgen의 리뷰는 획기적이라고 여겨진 암 실험의 약 60%가 재현되지 않는다는 사실을 발견했고, 이후 조사들도 비슷한 결과를 찾아냈다. 반복적인 "최적화" 작업(예: 세포주를 키우는 최선의 레시피를 찾는 것과 같은)에서는 실제로 인간이 손대지 않는 것이 낫다고 그는 주장했다. 기계가 가능성을 더 체계적이고 일관되게 샘플링하기 때문이다. 하지만 진정으로 열려 있는 발견에 있어서는 "인간의 관여가 여전히 매우 중요하다". 그는 Insilico Medicine을 뛰어난 "테크바이오" 사례로 꼽았는데, 디지털 우선으로 구축되어 재사용 가능한 데이터를 생산하도록 설계된 기업이지만, 그들조차 아직 승인받은 AI 설계 약물을 시장에 내놓지 못했다고 지적했다.

이번 주의 핵심 질문: 이제 모두가 제약 요인은 독점적이고 목적에 맞게 구축된 데이터에 있다는 데 동의한다면, 지속적인 가치는 가장 영리한 모델을 가진 쪽이 아니라 데이터 공장을 소유한 쪽, 즉 Xaira, A-Alpha Bio, Lila Sciences 같은 존재들에게 쌓일 수 있다. 하지만 반대 시나리오도 주시해야 한다. 물리 기반 "물리적 AI"(Cythera, 그리고 이제 어쩌면 Anthropic-with-Jumper)가 더 적은 데이터로 근본 원리로부터 약효 수준의 예측을 뽑아낼 수 있다면, 해자는 데이터 양에서 모델링 통찰로 다시 옮겨간다. 진짜 병목은 실험실인가, 물리학인가?

주목할 종목

2026년 7월 23일 기준 주가(FactSet). 이번 주 이 움직임들을 촉발한 AI 관련 뉴스는 없었다.

  • Recursion Pharmaceuticals(RXRX): 3.01달러, 지난주 3.02달러에서 사실상 보합(약 -0.3%). 52주 최저가 2.77달러(범위 2.77~7.18달러) 부근에 머물러 있으며, 시가총액은 약 13억 달러다. 테마 관련 팟캐스트 보도도, 해당 기간 뉴스도 없었으며, AI 신약 관련 논의가 상장된 AI 우선 종목들을 "둘러싸고" 이루어지는 동안 주가는 범위 하단 부근을 맴돌고 있다.
  • Schrödinger(SDGR): 15.13달러, 지난주 15.60달러에서 약 3% 하락(범위 10.95~23.02달러, 시가총액 약 11억 달러). SDGR 관련 뉴스는 없었지만, 이 회사는 간접적으로 대화에 등장했다. Schrödinger에서 10년 넘게 근무한 Cythera의 Woody Sherman이 이번 주 분자 중심의 "물리적 AI", 즉 Schrödinger의 본거지인 물리 기반 시뮬레이션이 실제로 중요한 접근법이라고 주장했다(Data in Biotech, 7월 20일).
  • Eli Lilly(LLY): 1,185.77달러, 지난주 1,170.23달러에서 약 1.3% 상승했고 당일에만 거의 2% 올랐다(범위 623.78~1,249.45달러, 시가총액 약 1조 1,200억 달러). 이 움직임은 전적으로 비만 치료제 관련이었으며 AI와는 무관했다. 7월 23일 Lilly는 3중 호르몬 약물 레타트루타이드가 두 건의 3상 시험(TRIUMPH-2 및 TRIUMPH-3)에서 주요 목표를 달성했다고 발표했으며, 80주 시점에서 참가자들은 평균적으로 2형 당뇨병 환자의 경우 최대 22.5kg, 심장 질환을 동반한 중증 비만 환자의 경우 최대 25.3kg을 감량했다. Lilly는 2027년 1분기에 미국 승인 신청을 계획하고 있다(TheFly, 7월 23일). 이번 주 Lilly 관련 다른 뉴스들도 마찬가지로 AI와는 무관했다. Novo Nordisk는 Zepbound/Mounjaro 광고가 오해의 소지가 있다며 Lilly를 제소했고, 애널리스트들은 Lilly의 약 78억 달러 규모 Centessa 인수와 AtaiBeckley 사이키델릭 계약이 이러한 카테고리를 입증하는 것이라고 지적했으며, 수입 제네릭 의약품에 100% 관세를 부과하는 미국의 제안(2028년 시행 예정)이 제약 업계 전반을 강타했다.

시사점

  • "데이터 공장을 소유하라"는 트레이드. 이번 주 팟캐스트에서 가장 강력한 투자 아이디어는 상장 종목이 아니라 하나의 카테고리다. Xaira, A-Alpha Bio, Lila Sciences의 주장대로 독점적이고 목적에 맞게 구축된 실험실 데이터가 희소 자원이라면, 가치는 생물학적 데이터를 대규모로 생산하는 기업들(자동화 실험실, 고처리량 스크리닝, 데이터 서비스형 제공)로 이동한다. 이 중 대부분은 현재 비상장 기업이지만(Xaira, A-Alpha, Lila), 상장 종목에 대한 시사점은 어느 상장기업이 진짜 데이터 생성 엔진을 보유하고 있는지, 반면 어느 기업이 다른 모두가 사용할 수 있는 공개 데이터를 빌려 쓰고 있는지를 묻는 것이다(Latent Space, 7월 21일; The Bio Report, 7월 15일).
  • 비공개 시장 자금이 계속해서 이 테마를 뒷받침하고 있다. 이번 뉴스 기간 동안 AI 단백질 스타트업 Chai Discovery와 AI 칩 기업 Etched가 각각 "수억 달러"를 조달하며 기업가치를 수십억 달러대로 끌어올렸고, TheFly는 이들을 각 분야의 상장 선두 기업들과 명시적으로 비교했다(TheFly, 7월 23일). Chai Discovery는 이번 주 과학 측면에서도 등장했는데, 제약회사에 항체 설계 모델을 판매하는 기업 중 하나로 언급되었다(Ground Truths, 7월 20일). 비공개 자본은 여전히 "데이터 생성/분자 설계" 레이어에 공격적으로 자금을 투입하고 있다.
  • 임상시험 기계(CRO)는 "AI가 신약 개발 비용을 낮춘다"는 테마를 상장 종목으로 활용하는 방법이다. 임상연구 업계의 한 목소리는 제약사가 시험 진행을 위탁하는 위탁계약연구기관(CRO)에게 최악의 시기는 지나갔으며, AI는 일자리를 없애는 존재가 아니라 "마진 무기이자 속도 무기"라고 주장했다. 그는 2025년 매출 163억 달러, 수주잔고 320억 달러의 IQVIA와, 82억 5천만 달러 매출에 수주잔고 30억 달러인 ICON을 인용했으며, Medpace는 공개적으로는 AI를 대수롭지 않게 취급하면서도 실제로는 더 효율적으로 변모하고 있다고 언급했고, FDA의 2025년 AI 초안 지침(인간이 루프 안에 있어야 함을 요구하는)이 업계가 이러한 도구를 채택하도록 사실상 청신호를 준 것이라고 지적했다(Random Musings From The Clinical Trials Guru, 7월 20일). 이는 지난 몇 주 간의 테제, 즉 제약 업계의 진짜 병목은 발견이 아니라 임상 개발에 있다는 주장과 연결되며, AI가 임상시험 비용을 압축한다면 IQVIA, ICON, Medpace가 가장 직접적으로 영향을 받는 상장 종목들이다.
  • 대형 AI 연구소의 자본 비용 우위는 실질적이며 가격에 반영할 가치가 있다. Anthropic이 약 600억 달러의 매출 실행률만으로 엄청난 수의 신약 "도전"을 자체 자금으로 감당할 수 있는 반면 바이오테크 기업들은 몇 년 동안 현금을 소진한다는 관찰은, AI 업계 선두주자들(Anthropic, Google/Isomorphic, OpenAI)이 장기적으로 전통적 신약 개발 기업들보다 더 오래 버틸 수 있는 이유에 대한 구조적 논거다(Ground Truths, 7월 20일). Anthropic의 John Jumper 영입 보도는 같은 방향을 가리키는 작지만 시사하는 바가 큰 데이터 포인트다(Data in Biotech, 7월 20일).

지난주 대비 달라진 점

  • 지난주의 핵심 질문은 대체로 답이 나왔다. 우리는 습식 실험실 처리량 병목이 자동화 실험실과 전임상 데이터 생성을 진짜 가치 병목으로 만드는지 물었다. 이번 주 Xaira, A-Alpha Bio, Cythera라는 세 독립된 목소리가 그렇다고, 제약 요인은 데이터(혹은 분자를 표현하는 방식)이지 모델이 아니라고 답했다. 논쟁은 이제 그 합의 내부로 이동해, 어떤 종류의 데이터(인과적? 부정적? 상호운용 가능한?)인지, 그리고 다른 종류의 AI(물리 기반)가 데이터 문제를 완전히 우회할 수 있는지로 옮겨갔다.
  • "AI 실험실이 제약회사가 된다"는 흐름이 구체적인 숫자와 함께 진전되었다. 우리는 몇 주에 걸쳐 "AI 도구를 판매한다"에서 "AI를 사용해 자체 약물을 만든다"(Anthropic, Formation Bio)로의 전환을 추적해 왔다. Lila Sciences는 이 약속에 구체적인 수치를 제시했다. 원숭이 단계의 암 치료 데이터를 6개월 만에, 일반 비용의 약 10%로, 두세 명의 인력으로 확보했으며, 그 위에 "가상 스타트업" 사업 모델을 구축하고 있다(Latent Space, 7월 16일).
  • 이번 주 새로운 소식: 신뢰할 만한 회의론자. 여러 주 동안 과장이 넘쳐난 뒤, 우리는 마침내 엄격한 현실 점검을 얻었다. 진정으로 AI가 설계한 약물은 아직 승인되지 않았고, AlphaFold는 구조를 주었을 뿐 치료법을 준 것은 아니며, "시장에 나온 AI 약물"이라는 주장은 정밀 검증을 견디지 못한다(Digital Pathology Podcast, 7월 22일).
  • 대화에 새로 등장한 이름: Xaira. 이 회사는 우리 워치리스트에는 있었지만 지금까지 실질적인 내용으로 부각된 적이 없었다. 마찬가지로 새로 레이더에 오른 것은 데이터 공장/물리적 AI 테제를 구현하는 비상장 기업들인 A-Alpha Bio, Lila Sciences, Cythera다.
  • 주시해야 할 인사 이동: AlphaFold의 John Jumper를 Anthropic이 영입했다는 보도는, 사실로 확인된다면, 최상급 분자 AI 인재들이 어디로 향하고 있는지에 대한 의미 있는 신호다.
  • 주가: RXRX는 보합세를 유지하며 여전히 연중 최저가 부근에 있고, SDGR은 약 3% 추가 하락했으며, LLY는 AI와는 무관한 비만 임상 데이터(레타트루타이드)로 상승했다. 상장된 "순수 플레이" AI 신약 종목들(RXRX, SDGR)은 가장 흥미로운 발전이 비상장 기업들과 대형 AI 연구소들에서 일어나는 동안 계속 뒤처지고 있다.
  • 이번 주에도 팟캐스트 상에서 조용했던 종목들: Recursion(RXRX), Ginkgo(DNA), Tempus(TEM), AbCellera(ABCL), Certara(CERT), Absci(ABSI), Relay(RLAY), Isomorphic Labs, Iambic, 그리고 Nvidia의 헬스케어 플랫폼(Clara/BioNeMo)은 모두 테마 관련 보도가 전혀 없었다.