Newsletter · · Ashutosh Agarwal
AI 신약 개발이 감사받은 한 주 - 버티컬 스포트라이트: 헬스케어 & 바이오테크 - 2026년 7월 28일 주간
2026년 7월 28일 주간의 스타트업 및 벤처캐피털 뉴스레터. 헬스케어 및 바이오테크 버티컬 스포트라이트에서는 팟캐스트들이 AI 신약 개발을 축하하던 것을 멈추고 실제 숫자를 세기 시작했으며, Xaira, ARC Institute, Caris, Bayesian Health, Initiate Ventures, Yosemite가 조명을 받았고, 학습된 모델이 물리학을 이길 수 있는가에 대한 실시간 논쟁도 다룬다.
버티컬 스포트라이트: 헬스케어 & 바이오테크
2026년 7월 28일 주간: AI 신약 개발이 감사받은 한 주
이번 주 로테이션은 헬스케어와 바이오테크에 착륙한다. 팟캐스트 전반에 걸친 주제는: 이 분야가 마침내 숫자를 세기 시작했다는 것이다. 한 연구자는 모두가 형성되고 있다고 믿었던 AI 설계 신약의 물결을 찾아 나섰다가, 아무도 반기지 않을 숫자를 들고 돌아왔다.
업계 지형
지난 3년간의 세일즈 포인트는 AI가 신약 개발을 압축해줄 것이라는 것이었다. 이번 주에는 여러 팟캐스트가 독립적으로 축하를 멈추고 측정을 시작했으며, 그 숫자들은 과대광고보다 훨씬 흥미롭다.
먼저 감사 결과부터 보자. Digital Pathology Podcast에서 Thibault Geoui는 간단한 작업을 설명했다. 보스턴 컨설팅 그룹이 임상시험 중인 "AI로 개발된" 신약의 수를 집계한 논문을 발표한 적이 있다. 2023년 말 기준 그 답은 67개였다. Geoui는 AI 연구자 Eliott Greenblatt과 함께 같은 방법론을 다시 적용해, 그 이후 어떤 일이 일어났는지 물었다.
"저는 정말로 이렇게 생각했어요. 그동안 AI 신약 개발과 발굴에 그렇게 많은 투자가 있었으니, 지금쯤이면 300개, 400개 정도의 약물이 있어야 한다고요. 그런데 겨우 6~7개 더 찾았을 뿐이었죠. 어떻게 이럴 수가 있나 싶었어요. 정말, 정말 놀랐습니다."
28개월이 지났는데 겨우 6~7개가 늘어난 것이다. 그리고 AI가 설계한 신약은 아직 단 하나도 시장에 도달하지 못했다. Geoui는 여기서 신중하다. 때때로 AI로 개발되어 승인받았다고 묘사되는 한두 개의 약물은, 자세히 들여다보면 리퍼포징(repurposing)된 약물, 즉 기존 약물을 새로운 질병에 맞춰 재조정한 것이다. AI는 그 리퍼포징을 도왔을 뿐이다. 이는 같은 것이 아니다.
그는 비난이 아니라 이유를 제시한다. 원래의 67개 중 일부는 단순히 실패했는데, 이는 업계의 약 95% 실패율을 감안하면 정상적인 일이다. 많은 경우 소유권이 바뀌었는데, AI 우선 바이오테크 기업들이 자산을 어느 정도까지만 진전시킨 뒤 후기 임상시험을 진행할 규모를 갖춘 대형 제약회사에 넘기기 때문이다.
그리고 이 나쁜 숫자 안에는 실제로 강력한 반론이 숨어 있다. Geoui가 진짜 성공 사례로 드는 Insilico Medicine은 통상 5~6년이 걸리는 발굴과 전임상 작업을 약 18개월로 압축했다. 회의론자들은 Insilico가 아직 시장에 약을 내놓지 못했다고 말한다. 사실이다. 하지만 Geoui의 표현을 빌리면:
"그들은 18개월 만에 실패하는 대신 5~6년 후에 실패하게 될 겁니다. 저는 차라리 18개월 만에 실패하는 쪽을 택하겠어요."
이것이 정직한 현주소다. AI는 아직 약을 더 좋게 만들지는 못했다. 다만 초기 단계를 더 저렴하고 극적으로 더 빠르게 만들었는데, 95%의 시도가 실패로 끝나는 사업에서 이는 단 하나의 승인이 나오기도 전에 그 자체로 상당한 가치가 있다.
두 번째 흐름: 병목이 알고리즘에서 데이터로, 더 정확히는 대부분 아직 존재하지 않는 종류의 데이터로 옮겨갔다는 것.
이 점은 Latent Space에서 가장 명확하게 드러났는데, Xaira Therapeutics의 최고 AI 과학자 Bo Wang과 최고 발굴 책임자 Ci Chu가 왜 단백질 설계는 도약했는데 세포생물학은 그러지 못했는지 설명했다. Chu의 답은, 단백질 설계는 Protein Data Bank에 축적된 70년치 고품질, 커뮤니티가 큐레이션한 구조 데이터를 물려받았다는 것이다. 이것이 AlphaFold를 가능케 한 것이다. 세포나 환자에 대해서는 그에 견줄 만한 것이 존재하지 않는다.
더 나쁜 것은, 존재하는 데이터조차 잘못된 유형이라는 점이다. 대규모 단일세포 아틀라스는 관찰적이며, 가만히 있는 건강한 세포를 묘사할 뿐이다. 신약 개발에는 인과적 답이 필요하다: 이 유전자를 낮추면 무슨 일이 일어나는가? 관찰 데이터가 왜 그 답에 도달할 수 없는지에 대한 Chu의 설명은, 이번 주에 나온 이 논리의 가장 깔끔한 버전이었다:
"여러분이 서술적 데이터셋에서 유전자 A, B, C가 모두 함께 오르내리는 것을 관찰했다고 해봅시다. 그러면 A가 B와 C를 조절한다고 추론할 수 있죠... 하지만 B가 A와 C를 조절한다고 말해도 그건 똑같이 완벽하게 타당할 겁니다... 그리고 이 데이터 그룹에 인과적 조절 네트워크를 끼워 맞출 수 있는 방법은 n가지나 됩니다."
그래서 그는 서술적 데이터로 훈련된 모델들이 "아직 인과적 과제에서 선형 모델을 능가하지 못한다"고 말한다. 50억 파라미터 모델이 단순한 직선에 진다는 것은, 방금 그런 모델을 출시한 회사로서는 유난히 솔직한 인정이다.
셋째: 돈이 움직이고 있으며, 자기 자신의 실험을 소유한 회사들 쪽으로 흘러가고 있다. Ground Truths에서 ARC Institute 공동창업자 Patrick Hsu는 모든 창업자가 주목해야 할 지점을 짚었다. 프론티어 AI 랩들이 이제 제약 예산을 두고 직접 경쟁하고 있으며, 그들은 업계에서 가장 저렴한 자본을 갖고 있다.
"오늘 완전히 새로운 타깃을 겨냥해 개발을 시도하려고 벤처캐피털을 조달한다면... 처음 2, 3, 4, 5, 6, 7, 8년 동안은 돈을 잃는 사업이 될 겁니다."
이를 Hsu가 연간 매출 실행 속도 약 600억 달러로 추정하는 Anthropic과 비교해 보라. 그는 "중간 지대를 향한 싸움"을 묘사했다. FutureHouse는 Edison Scientific을 분사시켰고, Biomni 팀은 Philo를 분사시켰으며, Anthropic은 Claude Science를 출시했고, OpenAI는 자체 툴링을 갖고 있으며, Chai Discovery는 항체 설계 모델을 판매하고 있다. 이들 모두가 똑같은 제약사 구매 회의에 걸어 들어가고 있다.
알아둬야 할 기업들
Xaira Therapeutics: X-Cell. Xaira는 유전자 하나를 껐을 때 세포에 어떤 일이 일어나는지 예측하는 49억 파라미터짜리 "가상 세포" 모델 X-Cell을 공개했다. 흥미로운 부분은 모델 자체가 아니라 그 뒤에 있는 공장이다. Xaira는 Perturb-seq를 이용해 직접 훈련 데이터를 구축했는데, 이는 하나의 뒤섞인 실험 안에서 수천 개 세포에 걸쳐 세포당 유전자 하나씩을 녹아웃할 수 있는 풀링 CRISPR 기법으로, 정리해야 할 배치 효과가 발생하지 않는다. 그 결과물인 Pisces 데이터셋은 16개 세포 유형에 걸쳐 2,500만 개 세포를 게놈 전체 규모로 아우른다.
정말 중요했던 결과는: 그들은 휴지기 T세포로만 모델을 훈련한 뒤, 한 번도 본 적 없는 활성화된 T세포에서 여러 교란이 어떤 결과를 낳을지 예측하도록 시켰다. 그리고 이는 통했다. Bo Wang은 그 반응을 "생물학자들에게 있어 놀라운 순간이었다. 이 모델이 이런 처음 보는 세포주가 서로 다른 교란에 어떻게 정확히 반응할지 예측할 수 있다는 것을 생물학자들이 실제로 처음 발견한 순간이었다"고 묘사했다.
Wang은 또한 실제로 성능을 좌우한 요인의 순위를 매겼는데, 이 분야에서 뭔가를 만드는 사람이라면 누구에게나 유난히 유용한 정보다: "데이터셋의 규모 대비 품질, 그다음이 아키텍처, 그다음이 사전 지식." 그는 자기회귀 훈련에서 디퓨전 언어모델로 전환한 것이, 처음 보는 과제에 대한 일반화에서 특히 상당한 성능 향상을 가져왔다고 언급했다. Latent Space: The AI Engineer Podcast, "Causal Models Need Causal Data: Xaira's X-Cell model for Drug Discovery" (2026년 7월 21일)
Anthropic: Coefficient Bio와 Claude Science. Patrick Hsu는 Anthropic이 제로샷 항체 설계를 하던 Genentech 항체 엔지니어링 그룹 출신 스타트업 Coefficient Bio를 인수했고, 연구용 워크벤치인 Claude Science를 출시했다고 확인했다. Hsu는 이 행보를 프린스턴대 계산신경과학 박사 출신인 CEO Dario Amodei의 배경과 연결짓는다. 그가 묘사한 워크벤치의 모습은 이 흐름이 향하는 지점을 잘 보여준다: 코딩 능력이 전혀 없는 생물학자가 "Evo를 이용해 새로운 DNA 재조합효소를 만들고 싶다"고 말하면, 시스템이 서브 에이전트를 배치하고, 브라우저 안에서 AlphaFold를 호출해 생성된 단백질이 타당해 보이는지 확인한 뒤, 합성 벤더에게 해당 DNA를 주문한다. Ground Truths, "Patrick Hsu: How Is AI Catalyzing Life Science?" (2026년 7월 20일)
ARC Institute. 설립 4년 반, 스탠퍼드·버클리·UCSF에 공동 임용된 학계 연구자들과 자체 기술센터로 나뉘어 운영된다. Evo와 Evo2(진화 전체에 걸친 DNA로 훈련된 언어모델)와 State, Stack(첫 가상 세포 모델)을 발표했다. Hsu가 설명한 야심은 모델을 거꾸로 실행하는 것이다: 질병 상태의 세포로 초기화한 뒤, 어떤 교란 시퀀스가 세포를 다시 건강 쪽으로 되돌리는지 묻는 것이다. "그건 단일한 마법 같은 교란이 아닐 수도 있습니다... 오히려 시간에 걸친 조합일 수 있는데, 그렇게 세포 상태 매니폴드를 천천히 항해하는 것이죠." ARC는 또한 OpenAI와 함께 알츠하이머 치료 타깃 연구를 진행하고 있다. Ground Truths, "Patrick Hsu: How Is AI Catalyzing Life Science?" (2026년 7월 20일)
Biomni (스탠퍼드). Science지에 게재되었고 Ground Truths에서 상세히 논의된 것으로, 150개의 전문 도구 및 소프트웨어 패키지, 그리고 2,500편의 논문 데이터베이스에 연결된 에이전트다. 테스트 케이스의 범위는 이례적으로 넓었다: 희귀질환 진단, 단일세포 분석, 그리고 특히 웨어러블 센서 데이터로, COVID 연구에서 14억 건의 심박수 판독치를 가진 1,000명 이상의 참가자를 대상으로 6개의 바이오마커를 검증했다. 또한 30만 개 이상의 단일세포를 처리해 배아 골격 발달의 새로운 경로를 찾아냈다. 이것이 갑자기 작동하는 이유에 대한 Hsu의 해석은: 코딩 에이전트가 좋아진 것의 하위 효과라는 것이다. 코드는 처음부터 끝까지 검증 가능하기 때문에 코딩 모델이 가장 빠르게 발전했고, 이제 그것이 생물학을 포함한 다른 모든 버티컬의 상류에 자리잡고 있다. Ground Truths, "Patrick Hsu: How Is AI Catalyzing Life Science?" (2026년 7월 20일)
Cythera와 Silicon Therapeutics: Woody Sherman. Sherman은 Schrödinger에서 10년 넘게 일했고, Silicon Therapeutics를 창업했으며, Roivant에서 그 플랫폼을 확장했고, 지금은 Cythera에서 과학 부문을 이끌고 있는데, 이곳은 오늘날 주사형 생물제제로만 도달할 수 있는 면역학 타깃을 위한 경구용 약물을 만들고 있다.
Silicon Therapeutics의 스토리는 구체적인 증거다: STING 작용제 하나를 개념 단계에서 임상까지 약 3년 만에 끌고 갔는데, 계산 인력 약 10명과 습식실험 인력 약 10명으로 구성된 팀이었다. STING은 거의 약물화가 불가능한 것으로 여겨졌다. 그것을 활성화하는 천연 분자들은 고리형 디뉴클레오티드로, 뭔가를 하기도 전에 몸에서 제거되는 크고 다루기 힘든 분자들이다. Sherman의 팀은 대신 훨씬 작고 약물다운 분자를 찾아냈고, 이 분자가 결합 부위 안에서 양자역학적 파이-파이 스태킹 상호작용을 통해 자기 자신과 짝을 이루게 만들었는데, 그는 이것이 이전에는 결코 이루어진 적이 없다고 믿는다.
이를 모델링할 수 있는 상용 소프트웨어가 없어서, 그들은 직접 도구를 만들었다. "프로젝트 기간 중 몇 달간만 필요했지만, 정말로 결정적인 부분이었습니다." 필요한 규율에 대한 그의 요약은, 창업자들이 벽에 붙여둬야 할 문장이다:
"계산은 적절하게 사용되면 매우 강력할 수 있지만, 컴퓨터로 약을 만들 수는 없습니다."
Data in Biotech, "Beyond Language: Why Drug Discovery Needs Physical AI, Not Just Large Language Models" (2026년 7월 20일)
Caris Life Sciences: MyClarity. 이번 주 가장 구체적인 "AI가 이미 임상에 있다" 사례다. 수석 부사장 겸 최고의학책임자인 George Sledge 박사는 50만 건 이상의 전체 엑솜, 50만 건 이상의 전체 트랜스크립톰, 그리고 수백만 장의 디지털화된 병리 슬라이드로 이루어진 데이터 자산을, 청구 데이터 및 전자의무기록과 연결해 설명했다. 규모를 가늠하자면: 엑솜은 유전자 2만 3,000개, 트랜스크립톰은 세포당 6만 1,000개의 전사체다.
MyClarity는 의학에서 가장 소박한 물건인 H&E 염색 슬라이드로 작동하는데, Sledge는 이를 "1877년의 최첨단 기술"이라고 부른다. 의사의 병리과가 슬라이드를 보내면, 이를 디지털화해 업로드하고 알고리즘을 거친다. 24시간 이내에, 초기 단계의 에스트로겐 수용체 양성 유방암 환자가 조기 재발 위험이 있는지(이 경우 화학요법이 필요할 수 있다), 아니면 10~20년 뒤의 만기 재발 위험이 있는지(이 경우 연장된 호르몬 요법이 필요하다) 결과가 돌아온다. "이건 불과 2년 전만 해도 우리가 전혀 할 수 없었던 일입니다."
그는 또한 규모가 무엇을 가능하게 하는지 보여주는 좋은 예를 들었다: ESR1 증폭을 연구하기 위해, 그들은 유방암 환자 3만 명을 검색해야 약 120건을 찾을 수 있었다.
그리고 임상의들이 애초에 왜 이것을 필요로 하는지 보여주는 놀라운 통계도 있다: FDA의 혈액학·종양학 사이트에는 "지난 5~6년간 매주 문자 그대로 새로운 적응증이 하나씩" 등재되었다. Sledge의 결론: "지금 이 순간 지구상에서 가장 힘든 직업은 일반 종양내과 전문의가 되는 것이다." Healthcare NOW Radio, "News You Can Use Special Edition: AI In Action with George Sledge" (2026년 7월 19일)
Initiate Ventures와 TensorBio. 이전에 CDC에서 일했고 스탠퍼드에서 암생물학을 연구했으며, Kleiner Perkins의 투자 파트너였고, 80억 달러 규모 회사로 성장시킨 Grail의 공동창업자이기도 한 Jessica Owens는, 공동창업자 Yana 및 (세 개의 회사를 상장시킨) Randy Scott과 함께 Initiate Ventures를 출범시켰다. 이들은 AI 네이티브 헬스케어 기업들을 "화이트보드 단계"에서 공동 창업하고 투자하며, 치료제 자산·농업 기술·이식형 기기에는 의도적으로 투자하지 않는다. 치료제가 "엄청난 양의 자본"을 필요로 해 자신들의 지분 모델을 깨뜨릴 것이기 때문이다.
포트폴리오 기업 TensorBio는 MASH에서 간 섬유화 단계를 판정하는 혈액 검사를 개발하고 있다. Owens의 시장 셈법은 다시 언급할 가치가 있는데, 대부분의 투자자들이 니치로 여기는 질환을 재구성하기 때문이다: 활동성 질환 환자 2,000만 명, 전구 질환 환자 8,000만 명. 그녀의 비교: 종양학 전체의 액체생검 시장은 약 1,800만 명의 암 생존자와 연간 약 200만 건의 신규 사례로 뒷받침되고 있을 뿐이다. "MASH는 어마어마합니다."
임상적 필요는 구체적이다. 2024년까지는 승인된 MASH 약물이 없었고, 그래서 아무도 굳이 스크리닝을 하지 않았다. 이제 약이 나왔으므로(Rezdiffra는 환자가 섬유화 F2 단계 이상일 것을 요구한다) 환자들은 자신의 병기를 알아야 하고, 그다음 약이 효과가 있는지 알아야 한다.
그녀의 규제 관련 지적은 창업자들이 유의해야 할 부분이다. 모두가 이런 검사가 FDA 규제 대상이 될 것이라고 가정했지만, 실제로는 연구소 자체 개발 검사(LDT)와 CLIA 경로가 당분간 다시 돌아온 것처럼 보인다. 이는 상업적으로 중요한데: "일단 FDA 승인을 받으면 그것은 고정되고, 검사를 바꾸고 싶을 때마다 다시 FDA에 제출해야 합니다." CLIA 하에서는 진단이 실제 세계의 결과로부터 계속 학습할 수 있다.
그녀는 또한 현재 피칭 흐름 속 근거 품질에 대해서도 솔직했다: "발견 코호트가 뭐냐고 물으면, 여덟 명에다 이 모든 EHR 기록이 전부라는 피치를 저는 너무 많이 봅니다." The BioCentury Show, "Ep. 115: Initiate's Owens on what it takes to be AI-native" (2026년 7월 23일)
Yosemite (Reed Jobs). Reed Jobs의 회사는 3억 5,000만 달러를 목표로 하는 두 번째 펀드의 첫 클로징을 발표했다. 이 모델은 두 가지 축에서 이례적이다: 오직 종양학(바이오테크의 약 40%)에만 투자하며, 배치된 자본의 약 3분의 1이 흔히 예일, 버클리, 스탠퍼드의 학자들과 함께 Yosemite 자체가 만든 회사들에 투입된다. 펀드와 별개로, 운용자산의 2.5%는 조건 없는 연구 지원금을 위한 기부자 조언 기금(donor-advised fund)에 들어가며, 여기에 운용보수에서 연간 100만 달러가 추가로 보태진다. 1호 펀드에서는 20개 회사 중 2개가 지원금에서 직접 나왔다.
AI가 실제로 그를 위해 무엇을 하고 있는지에 대해: "AI가 지금 실제로 할 수 있는 것은 많은 궂은 작업을 가속화하는 것인데, 솔직히 그 작업을 반드시 더 잘 해내는 것은 아닙니다. 하지만 그들이 하는 것은, 그것을 믿을 수 없을 만큼 빠르고, 재현 가능하며 일관된 결과로 해낸다는 것입니다." 그의 예시: 타깃에 결합하는 분자를 찾는 데는 예전에는 X선 결정학을 하는 박사후연구원이 필요했고, 약 5만 달러가 들었으며 몇 주가 걸렸다. "이제 이건 우리가 몇 분 만에 모델링해낼 수 있는 일입니다."
그는 또한 어떤 모델보다도 더 중요할 수 있는 임상시험 설계 변화도 지적했다. 대조군을 모집하는 대신, 합성 대체군을 사용하고 활성군만 모집하는 것이다. "이는 필요한 환자 수를 절반으로 줄일 것이고, 이 과정의 속도를 대폭 높일 것입니다." 그는 FDA가 지금 이쪽으로 기울고 있다고 말한다.
그가 제시한 두 가지 거시 수치. 자금 조달 환경에 대해: 제약업계는 사상 최대 규모의 특허 절벽에 진입하는 동시에 기록적인 현금을 쌓아두고 있으며, 이는 지난 8개월 정도 동안 인수합병 러시를 촉발했다. 연구 기반에 대해: 작년 한 행정부가 NIH 예산의 최대 40%까지 삭감을 요청했는데, 이전 최대 삭감 폭은 2009년의 1%였고, 이는 약 7,000명의 NIH 과학자들의 일자리를 앗아갔다. 의회는 40% 삭감 요청을 거부했다.
그리고 더 나은 화학이 무엇을 가능하게 하는지 보여주는 최고의 사례: 현재 약 400억 달러 가치의 Revolution Medicines는 췌장암에서 가장 흔하게 돌연변이가 일어나는 종양유전자 KRAS를 표적으로 약물을 개발하고 있으며, 췌장선암 환자의 생존 기간을 12개월에서 24개월로 두 배 늘렸다. Jobs의 비유는, 좋은 약물 타깃은 팩맨과 같아서 막아야 할 명백한 입이 있다는 것이다. KRAS는 "여러분의 팩맨을 상대로 한 데스스타 같은 겁니다... 그저 계속 나아가며 여러분을 죽이는 타원형 물체죠." Amgen의 과학자들은 약 10년 전 그 안에서 우연히 은밀한 포켓을 발견했고, 이것이 Lumakras로 이어졌다. 역사적으로 여러분의 DNA가 암호화하는 것 중 약 15%만이 애초에 약물화 가능했다. StrictlyVC Download, "Reed Jobs Is Betting Cancer Doesn't Have to Be Fatal" (2026년 7월 21일)
Bayesian Health, 그리고 반대 해석. 존스홉킨스는 Suchi Saria의 연구실이 개발하고 Bayesian Health가 상업화한 패혈증 조기경보 시스템에 대한 FDA 승인을 발표했는데, 이는 임상의보다 몇 시간 더 빨리 패혈증을 감지하고 사망률을 거의 20% 줄이는, 승인을 받은 최초의 AI 기반 의료 도구 중 하나로 묘사된다. Saria는 2017년 조카를 패혈증으로 잃은 뒤 이 연구를 임상으로 옮기기 시작했다.
Emily M. Bender와 Alex Hanna는 Mystery AI Hype Theater 3000에서 근거가 된 논문들을 살펴보며, 이 20%라는 수치가 헤드라인보다 훨씬 좁은 범위라고 주장했다. 이 후향적 연구는 약 46만 9,000건의 환자 사례를 스크리닝했고, 그중 9,805건이 패혈증이었다. 그런 뒤 분석은 시스템이 놓친 사례들을 제외하고 진양성 사례만 살펴보았으며, 다시 의사가 경보에 실제로 대응했고 환자가 아직 항생제를 투여받지 않은 사례로 범위를 좁혔다. 임상의의 주의를 소모시키는 오경보들은 분모에 포함되지 않는다. Bender의 표현대로: "어디선가 퍼센트를 보게 되면, 분모가 무엇인지 물어봐야 합니다."
애초에 왜 회의적인 사람들이 있는지에 대한 맥락으로: 이 논문 자체가 인용한 문헌에 따르면, 가장 널리 배포된 패혈증 조기경보 시스템 중 하나는 민감도가 겨우 33%, 정밀도가 2.4%에 불과했다.
같은 에피소드는 공공기관에 판매하려는 창업자들이 주목해야 할 무언가를 드러냈다: 시애틀 소방국은 2019년부터 Corti와의 관계를 유지해 오며, 911 통화에 AI를 활용해 발신자를 라우팅하는 데 도움을 받아 왔는데, 이는 공개 검토 없이, 발신자에게 알리지도 않은 채 시행되었다. 워싱턴주는 911에 대한 예외 조항을 둔 양자 동의(two-party consent) 주다. Mystery AI Hype Theater 3000, "State of Emergency, 2026.06.29" (2026년 7월 23일)
Paradigm과 Massive Bio: FDA의 AI 파일럿. FDA는 초기 단계 임상시험의 AI 지원 최적화를 위한 파일럿에 관한 공개 정보 요청을 진행 중이며, Note to File 진행자들은 공개된 의견들을 검토했다. Massive Bio의 핵심 권고는: FDA가 이를 "규제 등급의, 인간이 통제하는 AI 지원 시험 조율 프로그램으로 설계해야지, 좁은 범위의 모델 평가나 스폰서 전용 운영 실험으로 설계해서는 안 된다"는 것이다. 진행자들의 반응, "이건 스폰서 전용 운영 실험처럼 보이는데요. 그러니까, 100% 그렇습니다"는, 이를 지켜보는 실무자들의 분위기를 그대로 담아낸다.
그들의 더 날카로운 질문은 설계 선택에 관한 것이었다. 이 파일럿은 종양학에서 시작하는데, 목표가 무엇이냐에 따라 이는 영리한 선택일 수도, 순진한 선택일 수도 있다고 그들은 본다: 종양학 시험은 지저분하고 등록이 어렵지만, 종양학 시험 참여가 종종 임상 진료 그 자체이기 때문에, 데이터가 전자의무기록 안에 이미 존재하며, 이는 만약 정말로 입증하려는 것이 Paradigm의 접근 방식이 시사하듯 EHR 통합이라면 올바른 시험장이 된다.
별개로, 같은 프로그램은 FDA의 실시간 임상시험 이니셔티브도 다뤘는데, 두 건의 개념증명 시험이 엔드포인트를 발생하는 즉시 당국에 스트리밍하고 있으며, 주장된 45%의 "데드타임" 감소에 대해서는, 정제되지 않고 판정되지 않은 데이터를 스트리밍하는 것이 실제 병목인 환자 등록 문제를 해결하지는 못한다고 반박했다. Note to File: A Clinical Research Podcast, "WHO's New GCP Course, China Data Ban & FDA's AI Pilot" (2026년 7월 22일); "Real-Time Clinical Trials: FDA's Big Bet or Big Mess?" (2026년 7월 20일)
자금과 시장, 간략히
이 버티컬에 자금을 대고 있다면 알아야 할 두 가지.
IPO 창이 열리고 있으며, 역합병(reverse merger)이 조용히 진짜 대안이 되었다. Biotech Hangout에서 진행자들은 Mentari의 NMED 역합병이 거의 3억 달러 규모의 PIPE와 함께 이루어졌다고 지적했는데, 이는 편두통 치료를 위한 이중특이 PACAP 항체로, Lundbeck이 최근 정맥투여 방식으로 검증한 기전이다. 이는 이제 2억 달러 이상의 자금 조달을 동반한 여섯 번째 바이오테크 역합병이다. 작년에는 약 세 건이 있었고, 재작년에는 한 건, 그 이전에는 거의 없었다. 한 진행자의 말처럼, 역합병은 "마침내 IPO의 장점과 IPO 수준의 자본 조달을 동시에 갖춘 IPO의 근사치를 만드는 방법을 알아냈다." 그 대가는 더 얇은 셀사이드 커버리지지만, 더 낮은 수수료로 부분적으로 상쇄되며, 이런 PIPE 대부분에는 은행의 스폰서십과 어느 정도 내장된 애널리스트 추적이 딸려 온다.
그들은 또한 여전히 초기 단계이면서 PCSK9 유전자 침묵 치료제에 대한 호주 TGA 승인을 받은 상태로 약 1~1.2억 달러를 조달한 Scribe Therapeutics의 IPO를, 45억 달러의 프리머니 밸류에이션으로 6억 달러 이상을 조달한 2021년 Sana Biotechnology의 전임상 단계 IPO와 대비했다. 시대가 다르고, 진행자들은 많은 회사가 IPO를 선택한다기보다는 민간 자본이 바닥나서 하게 된다는 점을 솔직히 인정했다: "많은 회사들이 민간 투자자로부터 자금을 조달하는 여정의 끝에 다다랐습니다... 계속하고 싶다면, IPO를 하는 거죠."
위탁연구기관(CRO)들은 파괴되고 있는 것이 아니라, 마진 레버를 건네받고 있다. Clinical Trials Guru의 해석은 수요가 건강하다는 것이다: IQVIA는 2025년 매출 163억 달러를, 320억 달러 규모의 R&D 백로그 대비 보고했고, ICON은 82억 5,000만 달러를 기록했다. 그는 스폰서들이 더 이상 프로젝트 관리나 행정에는 돈을 지불하지 않을 것이라고, "그건 이미 상품화됐다"고 주장하지만, "속도, 등록 확실성, 규제 신뢰도, 깨끗한 데이터, 운영 투명성"에는 돈을 지불할 것이라고 말한다.
제약사들이 AI 에이전트를 이용해 임상운영을 다시 사내로 가져올 것이라는 두려움에 대한 그의 반박: "AI는 사이트와 관계가 없습니다. AI는 이론적 알고리즘 밖에서는 어떤 사이트가 잘 해낼지 알지 못합니다." 그는 또한 채용 역전이 일어날 것으로 예상하는데, 시니어 인력이 다시 수요가 늘고 주니어 직무는 압박을 받게 될 것이라는 것이다. 이는 정확히 FDA의 AI 가이드라인 초안이 루프 안에 책임지는 인간을 유지하도록 하고 있기 때문이다. 도구가 더 많은 문제를 드러낼수록, 그것에 대응할 더 경험 많은 사람이 필요하다.
이 시장에 판매하려는 이들을 위한 구조적 수치 하나: 2025년 보고서에 따르면 신약 개발업체의 35%가 2년간 기능성 서비스 제공업체(FSP) 활용을 늘렸고, 반면 풀서비스 아웃소싱을 늘린 비율은 29%였으며, 유연하고 하이브리드한 모델이 이제 임상 개발 아웃소싱의 약 3분의 2를 차지한다. 스폰서들은 필요한 것만 골라 쓰는 방식을 원한다. Biotech Hangout, "Episode 190" (2026년 7월 24일); Random Musings From The Clinical Trials Guru, "The Worst Is Over for CROs and Jobs" (2026년 7월 20일)
하나의 논쟁: 물리학을 이겼다고 말하는 AI 모델을 신뢰할 수 있는가?
이것이 이번 주 미해결 질문이며, 여기에는 실제 돈이 걸려 있다.
약 6개월 전, Recursion과 MIT는 오픈 라이선스로 Boltz를 공개하면서, 약 1,000배의 속도로 FEP 수준에 근접한 결합 친화도 예측이 가능하다는 헤드라인 주장을 내놓았다. (자유에너지 섭동, 즉 FEP는 제약회사들이 현재 분자가 표적에 얼마나 단단히 결합할지 추정하는 데 신뢰하는 느리고 물리 기반의 시뮬레이션이다. 비용이 많이 들지만 금본위와 같은 표준이다.) 신경망이 그것을 천 배 빠르게 맞춰낼 수 있다면, 더 이상 루프 안에 물리학이 필요 없게 되고, 계산화학 산업의 상당 부분이 하룻밤 사이에 재평가된다.
Woody Sherman의 답은 유난히 직설적이었다:
"먼저 저는 그 주장이 성립하지 않는다고 말씀드릴 수 있습니다. 그리고 그것이 바로 지난 6개월 동안 이 분야가 배워온 것입니다. 흥미로운 소식이었죠. 훌륭한 보도자료였지만, 그건 그냥 현실이 아닙니다."
그의 논지는 정확하지, 무시하는 것이 아니다. 학습된 모델들은 "이미 표적과 관심 있는 약물들에 대한 충분한 데이터가 있는 경우"에는 잘 작동한다. 하지만 흥미로운 신약 프로그램의 요점 전체가, 바로 그런 데이터가 존재하지 않는 새로운 곳으로 가는 것이다. "이 시점에서 이 모델들, 즉 코-폴딩 모델들이 친화도를 예측하는 능력은 물리 기반 자유에너지 방법에 전혀 근접하지 못합니다. 그들은 관심 표적에 대해 그냥 아무것도 알지 못합니다."
더 깊은 문제는 벤치마크다. Sherman은 사람들이 진심으로 정직하려고 노력한다고 생각하지만, 그럼에도 누출은 일어난다고 본다. 그는 약 일주일 전 Pat Walters가 발표한 글을 인용했는데, 깔끔해 보이는 날짜 컷오프, 즉 2025년 이전 모든 것으로 훈련하고 그 이후 모든 것으로 테스트하는 방식조차도 누출된다는 것을 보여주었다. 컷오프 이후에 "발표된" 무언가가 실제로는 종종 그보다 10년 앞서 약간 다른 조건 하에서 처음 발표되었기 때문이다. "그건 여전히 이전에 이미 이루어진 무언가에 대한 조회표(lookup table)일 뿐입니다."
그는 물리학이 항상 이긴다고 주장하는 것은 아니다. 데이터가 축적됨에 따라 "중요한 엔드포인트에 직접 훈련하기 때문에 모델들이 물리 기반 시뮬레이션보다 더 정확해진다"는 점, 그리고 물리학 자체도 근사치로 가득하다는 점을 인정한다. 분자동역학에 쓰이는 뉴턴 힘장은 양자역학의 근사치이며, 이는 바로 그 자신의 STING 프로그램이 약물을 작동하게 만든 파이-파이 스태킹 상호작용을 보기 위해 실제 양자역학 계산까지 내려가야 했던 이유이기도 하다.
그러니 이 논쟁은 "AI 대 물리학"이 아니다. 더 좁고 더 유용한 질문이다: 학습된 모델이 한 번도 본 적 없는 표적에 일반화할 수 있는가, 아니면 이미 암기한 영역 안에서 보간하고 있을 뿐인가? 이런 대화들 속에서 누구도 이 질문에 신뢰성 있게 답할 벤치마크를 갖고 있다고 주장하지 않았다.
Sherman의 신중함과 Reed Jobs의 낙관을 나란히 놓으면, 정직한 스펙트럼이 나온다. Jobs는 모델들이 새로운 생물학을 발견한다고 주장하는 것이 아니다. 그는 모델들이 궂은일을 빠르고, 저렴하고, 재현 가능하게 해낸다고 주장하는 것이며, 그 자체만으로도 작은 팀이 시도할 수 있는 것이 바뀐다고 말한다. Sherman도 이 모든 것에 동의한다. 둘의 견해가 갈리는 지점은 다음 단계에 있다: 이 가속이 계속 누적되어 진정한 새로움으로 이어지는지, 아니면 훈련 데이터의 가장자리에서 정체되는지.
Geoui는 같은 갈림길을 최적화와 발견의 차이로 정리한다. 최적화, 즉 세포주를 위한 올바른 성장 배지를 찾거나 파라미터 공간을 지능적으로 샘플링하는 것은 "정말로 많은 창의성이 필요하지 않은 종류의 일"이며, 그는 이것이 완전히 자율화되어야 한다고 주장하는데, 부분적으로는 인간이 재현 불가능성의 원인이기 때문이다. 그는 약 60%의 종양학 실험이 재현될 수 없었다는 Amgen의 논문과, 이를 60~70%로 잡은 후속 Nature 설문을 인용했다. "질문을 표현하는 것 자체가 어려운" 발견은, 여전히 인간이 중요한 영역이다.
그 구분이야말로 아마 창업자가 이번 주에서 얻을 수 있는 가장 유용한 것일 것이다. 최적화를 자동화하고 있다면, 그 논거는 오늘날 강력하고 ROI는 측정 가능하다. 발견을 판매하고 있다면, 이제 누군가가 세고 있기 때문에 입증 책임이 더 무거워졌다.
규모에 관한 메모
마지막 숫자 하나, 감사에도 불구하고 왜 모두가 계속 시도하는지를 설명해주기 때문이다. Geoui는 저분자 약물의 탐색 공간을 정리했다: 약물과 유사한 분자는 약 10^60개 존재한다. 이를 가늠하자면: 지구상 모든 모래알은 약 10^25개이고, 우주의 모든 원자는 약 10^80개다.
이것들을 합성할 수는 없다. 컴퓨터 안에 그것들을 모두 표현할 수조차 없다. 하지만 계산적으로 설계할 수 있는 수는 "실제로 물리적으로 만들 수 있는 것보다 몇 자릿수나 더 크다."
비교를 위해 그는 17만 개의 단백질 구조를 규명하는 데 약 50년의 실험 작업이 필요했다고 언급했다. AlphaFold 이후로 그 숫자는 수억 개에 달한다.
AlphaFold가 신약 개발을 해결한 것은 아니다. 진지한 사람이라면 그렇게 주장하지 않는다. 하지만 그것은 구조생물학자의 박사과정 4년을 소모하던 단계를 몇 분으로 줄이는 한 걸음을 내디뎠다. 그것이 지금까지 이 버티컬에서 나온 모든 진짜 승리의 형태다: 치료제가 아니라, 한때 커리어 전체였던 것을 대체한 한 걸음.
다음 주: 영업과 고객 서비스.