대형 제약사들, AI로 신약 연구 주기 단축 보고

뉴스 요약
주요 제약사들은 인공지능이 신약 연구의 가장 초기 단계를 단축하기 시작했다고 밝혔다. 노보 노디스크는 분자 설계 주기의 횟수가 줄고 속도도 빨라졌다고 보고했으며, 노바티스는 프로젝트 착수부터 후보물질 확보까지의 경로가 짧아졌다고 설명했다. 이러한 성과는 연구와 후보물질 선정 단계에 국한된 것으로, AI가 설계한 의약품이 임상시험에서 성공하거나 환자에게 더 빨리 도달한다는 점을 아직 입증하지는 못한다.
빨라지는 초기 연구
2026년 11월 20일(미국 동부 시간) 보도된 발언에서 대형 제약사 과학자들은 AI가 행정 지원을 넘어 분자 설계, 후보물질 순위 평가, 초기 안전성 평가로 영역을 넓히고 있다고 설명했다. GSK, 브리스톨 마이어스 스큅, 노바티스, 일라이 릴리, 노보 노디스크, 아스트라제네카, 사노피는 연구개발 업무 흐름에 AI를 적용하고 있다고 밝혔다.
노보 노디스크는 구체적인 공정 지표를 제시했다. AI의 지원을 받는 작업 덕분에 새로운 분자를 설계하고 제작하고 시험하는 주기의 횟수가 약 8회에서 3회로 줄었다는 것이다. 회사는 또한 각 주기에 걸리는 시간이 이전의 8주에서 현재 약 4주로 단축됐다고 보고했다. 두 변화를 합치면 실험실 반복 작업의 횟수가 줄고 각 회차에 걸리는 기간도 짧아졌다는 의미다.
노바티스는 연구 프로그램 착수부터 후보물질 선정까지 걸리는 평균 기간이 약 3년에서 18개월~2년 수준으로 줄었다고 보고했다. 회사 연구 책임자들은 이러한 진전을 축적된 데이터를 더 효과적으로 활용한 결과로 설명했다. 이와 별도로 회사는 AI 도구가 신장 질환 치료제 개발을 위한 표적 다섯 곳의 우선순위를 정하는 데 도움을 줬다고 밝혔다.
사노피는 초기 생물학적 정보를 해석하고 임상적 결정을 내리는 데 AI를 활용한 접근법 덕분에 천식 치료제 룬세키미그 개발 과정에서 용량 선정 시험 한 건을 건너뛰어 최소 1년을 절약했다고 밝혔다. 이는 특정 프로그램 차원의 사례이며, 모든 신약 프로그램에서 같은 수준의 기간 단축이 나타난다는 증거는 아니다. 브리스톨 마이어스 스큅은 자사의 겸상적혈구질환 후보물질 중 하나는 자사의 AI 시스템이 없었다면 개발되지 못했을 것이라고 밝혔다. 이 시스템은 분자를 개선하고 임상시험 데이터로 결과를 모의 예측하는 데에도 쓰이고 있다.
수치가 측정하는 것
이 수치들은 연구 운영에 관한 것이다. 설계와 시험을 몇 차례 반복해야 하는지, 한 회차에 얼마나 걸리는지, 혹은 팀이 다음 단계로 진행할 만한 후보물질에 얼마나 빨리 도달하는지를 나타낸다. AI 시스템은 방대한 화학·생물학 데이터를 탐색하고, 분자 구조를 제안하고, 특성을 추정하며, 과학자들이 다음에 어떤 실험을 할지 결정하도록 도울 수 있다. 이러한 예측을 실험실 자동화와 연결하면 화합물을 제안하고 합성하고 시험하는 주기가 더 연속적으로 이어질 수 있다.
보고된 결과는 기업들의 발표이며, 측정 기준도 조직마다 동일하지 않다. 후보물질에 더 빨리 도달했다는 사실만으로 그 후보물질이 더 안전하거나 더 효과적이거나 임상시험을 통과할 가능성이 더 높다는 점이 드러나지는 않는다. 더 넓은 개발 과정은 여전히 사람을 대상으로 한 실험, 유효성과 안전성에 대한 근거, 규제 심사에 달려 있다.
최종 관문은 여전히 임상 근거
임상시험 단계에 있는 AI 기반 후보물질의 수는 완만하게 늘어나는 데 그쳤다. 이 분야를 추적하는 한 연구자는 2026년 3월 기준으로 69개 기업에서 129개 후보물질을 확인했는데, 이는 8개월 전 약 117개에서 늘어난 수치다. 대부분은 여전히 초기 개발 단계에 머물러 있었다. 연구자들은 개발 파이프라인이 확대될 것으로 예상하지만, AI 기반 신약이 다른 후보물질보다 더 높은 임상 성공률이나 더 빠른 승인을 달성할지는 아직 분명하지 않다.
사람을 대상으로 하는 임상시험은 수년이 걸릴 수 있으며, 분자 설계 도구로는 없앨 수 없는 현실적 제약이 따른다. AI는 팀이 표적을 고르거나 시험 설계를 다듬거나 데이터를 해석하는 데 도움을 줄 수 있지만, 그러한 기여는 최종적으로 의약품이 환자에게 보이는 성과와는 별개로 평가해야 한다. 현재로서 가장 확실한 근거는 일부 기업이 선별된 초기 연구 과업에서 소요 시간과 반복 횟수를 줄이고 있다는 점이다.
도입을 좌우하는 데이터와 협력
제약사들은 내부의 생물학·화학 데이터셋을 머신러닝 도구 및 실험실 전문성과 결합하고 있다. 사노피의 계산과학·AI 부문 책임자는 모델의 가치가 적절한 학습 데이터에 접근할 수 있는지에 달려 있다고 말했다. 사노피와 노보 노디스크는 모델 학습을 위해 자사 독점 데이터를 최전선 AI 연구소에 제공하지 않는다고 밝혔다. 이러한 선택은 특정 연구 프로그램 안에서 과학적 예측을 유용하게 만드는 데 기업 고유 데이터가 얼마나 중요한지를 보여준다.
제약사와 AI 개발사 사이의 관계도 변화하고 있다. 일부 제약사는 AI 기업을 협력자로 여기지만, 다른 제약사들은 이들 기업이 과학 연구 역량을 쌓아가는 만큼 잠재적 경쟁자로 본다. 제약사는 수년간 축적한 실험 결과와 해당 분야 전문성을 갖추고 있고, 기술 기업은 범용 모델과 컴퓨팅 인프라를 제공한다. 이 자산들이 어떻게 결합되는지에 따라 현재의 주기 단축 성과를 더 많은 질환과 프로그램에서 재현할 수 있을지가 달라질 것이다.
측정 가능하지만 아직 초기 단계인 생산성 변화
보고된 단축 수치는 신약 발굴에서 AI를 평가할 실용적인 방법을 제시한다. 실험 주기의 횟수를 세고, 프로젝트 착수부터 후보물질 선정까지의 시간을 추적하며, 프로그램이 더 탄탄한 근거를 갖추고 다음 단계로 나아가는지 측정하는 것이다. 노보 노디스크의 주기 수치와 노바티스의 후보물질 선정 일정은 초기 발굴의 일부 영역에서 의미 있는 성과가 나타나고 있음을 시사한다. 사노피의 사례는 AI의 지원을 받은 의사결정이 개발 프로그램의 구성 방식 자체에도 영향을 줄 수 있음을 보여준다.
다음 단계는 이러한 운영상의 성과를 실제 결과, 즉 후보물질의 품질, 임상적 성공, 안전성, 치료제 출시까지의 시간과 연결하는 것이다. 그러한 지표가 성숙하기 전까지, 초기 연구의 속도 향상은 AI가 실험실의 아이디어에서 승인된 의약품까지의 전체 여정을 단축했다는 증거가 아니라, 과학적 가능성을 지닌 생산성 개선으로 이해해야 한다.
이 기사는 AIBARS 편집팀이 AI의 도움을 받아 정리했습니다. AI는 실수할 수 있으니 중요한 내용은 원문 출처를 확인해 주세요. 오류를 발견하셨나요? [email protected]으로 알려 주세요.