탈모 치료제부터 암 백신까지…AI가 신약개발을 얼마나 바꿨을까?
과거 신약 하나를 개발하려면 수많은 화합물을 하나씩 검토하고 실험하면서 유망한 후보를 찾아야 했습니다. 후보물질을 찾아도 독성과 부작용, 실제 인체에서의 효과를 확인하기까지 오랜 시간과 막대한 비용이 필요했습니다.
그런데 인공지능(AI)이 이 과정을 빠르게 바꾸고 있습니다.
최근에는 탈모 관리에 사용할 후보 성분 수십만 개를 AI가 빠르게 분석하고, 암 환자 개개인의 돌연변이를 분석해 맞춤형 치료 후보를 찾는 연구까지 진행되고 있습니다.
그렇다면 정말 앞으로는 AI가 신약을 만들고 과학자와 의사는 확인만 하는 시대가 오는 것일까요?
현재 상황을 살펴보면 AI의 능력은 놀라울 정도로 발전했지만 아직 넘어야 할 벽도 분명합니다.
42만 개 후보물질, 사람이 2년 걸릴 일을 AI는 하루 만에?
최근 국내에서는 기능성 화장품 등의 신물질을 개발하는 과정에서 AI가 약 42만 건의 후보 성분을 분석해 탈모 진행을 억제할 가능성이 있는 새로운 후보물질을 찾아낸 사례가 소개됐습니다.
업체 설명에 따르면 연구진이 기존 방식으로 처리할 경우 약 2년 가까이 걸릴 수 있는 반복적인 분석 작업을 AI가 하루 만에 수행했습니다.
여기서 AI의 가장 큰 장점이 드러납니다.
AI가 잘하는 것은 연구자가 일일이 확인하기 어려운 방대한 데이터를 빠르게 분석하고 그 가운데 “가능성이 높은 후보”를 골라내는 일입니다.
하지만 여기에는 중요한 차이가 있습니다.
AI가 후보물질을 찾아냈다는 것과 실제 효과가 입증된 치료제를 개발했다는 것은 전혀 다른 이야기입니다.
AI가 아무리 좋은 후보를 찾아도 이후 세포실험, 동물실험, 독성평가와 사람을 대상으로 하는 임상시험을 거쳐야 실제 치료제로 사용할 수 있습니다.
AI 신약개발은 어떻게 이뤄질까요?
기존 신약개발에서는 먼저 질병과 관련된 단백질이나 유전자 등 치료 표적을 찾습니다.
그다음 수많은 화합물 가운데 이 표적에 작용할 가능성이 있는 후보물질을 찾아내고 효과와 독성을 반복적으로 시험합니다.
AI는 이 과정의 여러 단계에 들어갈 수 있습니다.
① 치료 표적 찾기
유전자, 단백질, 환자 의료정보, 논문 등 방대한 데이터를 분석해 특정 질환과 관련성이 높은 치료 표적을 찾아냅니다.
② 후보물질 선별하기
수십만~수백만 개의 화합물을 컴퓨터상에서 분석해 특정 단백질에 잘 결합할 가능성이 있는 물질을 추려낼 수 있습니다.
③ 새로운 분자 설계하기
기존 물질을 찾는 것을 넘어 원하는 특성을 갖도록 새로운 분자구조를 설계하는 생성형 AI도 활용되고 있습니다.
④ 독성과 부작용 예측하기
후보물질이 간이나 심장 등에서 어떤 문제를 일으킬 가능성이 있는지 기존 데이터를 이용해 미리 예측하는 연구도 진행됩니다.
⑤ 어떤 환자에게 효과가 좋을지 찾기
환자의 유전체나 질병 특성을 분석해 특정 약물에 반응할 가능성이 높은 환자군을 찾아낼 수도 있습니다.
⑥ 임상시험을 효율적으로 설계하기
어떤 환자를 모집해야 하는지, 어떤 평가 지표가 적절한지 등을 분석해 임상시험 설계를 지원하는 데도 AI가 활용됩니다.
즉 AI 신약개발은 단순히 컴퓨터가 약 하나를 뚝딱 만들어내는 기술이라기보다 신약개발 전 과정에서 사람이 더 빠르고 정확한 결정을 내릴 수 있도록 돕는 기술에 가깝습니다.
AlphaFold가 신약개발에서 주목받는 이유
AI가 생명과학 연구를 크게 바꾼 대표적인 사례 가운데 하나가 단백질 구조 예측입니다.
우리 몸의 단백질은 복잡한 3차원 구조를 가지고 있습니다.
약물이 특정 단백질에 어떻게 결합하는지 이해하려면 이 구조를 파악하는 것이 중요하지만 과거에는 실험적으로 단백질 구조를 알아내는 데 상당한 시간과 비용이 필요했습니다.
Google DeepMind의 AlphaFold 계열 AI는 단백질 구조를 예측하는 능력을 크게 발전시켰습니다.
특히 AlphaFold 3는 단백질뿐 아니라 DNA, RNA, 작은 분자 등 여러 생체분자 사이의 상호작용을 예측하도록 영역을 확대했습니다.
이런 기술은 연구자가 치료 표적을 이해하고 후보물질을 설계하는 데 중요한 도구가 될 가능성이 있습니다.
다만 구조를 정확하게 예측했다고 해서 그 물질이 사람에게 안전하고 효과적인 약이 된다는 의미는 아닙니다.
암 치료에서는 AI가 더욱 주목받습니다
암은 같은 장기의 암이라도 환자마다 유전자 돌연변이가 다를 수 있습니다.
예를 들어 같은 폐암 환자라도 암세포의 유전적 특성에 따라 효과적인 치료제가 달라질 수 있습니다.
AI는 암 조직의 유전체 데이터를 분석해 환자에게 나타난 돌연변이를 찾고, 그 가운데 면역체계가 공격할 만한 표적을 골라내는 작업을 지원할 수 있습니다.
이러한 기술은 개인맞춤형 암 백신 또는 면역치료 연구와 연결됩니다.
일반적인 감염병 예방백신과 달리 개인맞춤 암 백신은 환자의 암세포에 존재하는 특정 돌연변이에서 만들어지는 항원을 표적으로 삼아 면역세포가 암세포를 공격하도록 유도하는 방식입니다.
환자마다 암 돌연변이가 다르기 때문에 방대한 유전체 정보를 빠르게 분석해야 하는데 바로 이 과정에서 AI가 중요한 역할을 할 가능성이 있습니다.
AI는 임상시험도 바꾸고 있습니다
AI의 역할은 신약 후보물질을 찾는 데서 끝나지 않습니다.
임상시험에 참여할 적절한 환자를 찾거나 의료기록에서 필요한 정보를 추출하고 환자의 예후를 예측하는 데 활용할 수 있습니다.
앞으로는 이른바 디지털 트윈(Digital Twin) 같은 기술을 활용해 실제 환자와 유사한 가상 모델을 만들고 임상시험 설계를 보조하려는 연구도 진행되고 있습니다.
그러나 임상시험의 핵심은 여전히 실제 사람에게 약을 투여했을 때 나타나는 효과와 부작용을 확인하는 것입니다.
AI가 아무리 발전해도 현재로서는 이 과정을 단순히 컴퓨터 시뮬레이션으로 대체할 수 없습니다.
그렇다면 신약개발 기간이 정말 획기적으로 짧아질까요?
일부 과정에서는 이미 상당한 시간 단축이 가능합니다.
수십만 개의 화합물을 분석하거나 기존 논문과 유전체 정보를 검색하는 것처럼 컴퓨터가 잘하는 작업은 AI를 이용하면 매우 빠르게 처리할 수 있습니다.
하지만 신약개발에는 AI가 빠르게 만들기 어려운 시간이 존재합니다.
약을 실제 사람에게 투여하고 일정 기간 관찰해야 하는 임상시험이 대표적입니다.
부작용이 몇 달 또는 몇 년 후 나타나는지도 확인해야 할 수 있기 때문입니다.
따라서 “2년 걸릴 연구를 하루 만에 했다”는 사례를 “신약을 하루 만에 개발할 수 있다”는 의미로 받아들여서는 안 됩니다.
후보물질을 찾는 시간이 획기적으로 단축된다는 의미에 더 가깝습니다.
AI가 만든 약이라고 성공률이 높은 것도 아닙니다
이 부분도 중요합니다.
2026년 발표된 Nature Reviews Drug Discovery의 분석에서는 AI 신약개발 기술이 빠르게 발전하고 있지만 실제 환자에게 더 안전하고 효과적인 약을 더 빠르게 제공한다는 임상적 효과는 아직 충분히 입증되지 않았다는 평가가 나왔습니다.
현재 AI 중심 신약개발 기업의 많은 프로젝트가 여전히 전임상 단계에 있고, 임상 1·2상에 진입한 후보는 늘고 있지만 후기 임상 단계까지 진행한 사례는 상대적으로 적습니다.
결국 AI가 후보물질을 훨씬 빨리 찾아냈더라도 실제 사람에게 효과가 없거나 예상하지 못한 독성이 나타나면 개발은 중단됩니다.
AI 역시 신약개발의 높은 실패율에서 자유로운 것은 아닙니다.
AI가 특히 어려워하는 것이 ‘실패 데이터’입니다
AI의 성능은 학습한 데이터의 질에 크게 좌우됩니다.
문제는 과학 연구에서는 성공한 결과가 논문이나 데이터베이스에 많이 남는 반면 실패한 실험은 상대적으로 공개되지 않는 경우가 많다는 점입니다.
그러면 AI는 성공 사례를 많이 학습하지만 “왜 이 물질이 실패했는가”에 대한 경험은 충분히 학습하지 못할 수 있습니다.
오랫동안 연구한 과학자는 수많은 실패를 경험하면서 직관을 쌓습니다.
데이터가 부족하거나 기존에 전혀 연구되지 않은 질병에서는 인간 연구자의 경험과 생물학적 판단이 특히 중요해질 수 있습니다.
잘못된 데이터라면 AI도 잘못 판단할 수 있습니다
AI는 스스로 진실을 알아내는 기계가 아닙니다.
학습자료에 특정 성별이나 인종, 연령대의 데이터가 부족하다면 AI의 예측 역시 특정 집단에서 부정확해질 수 있습니다.
또 AI가 치료효과는 정확하게 예측하지만 드문 부작용을 제대로 예측하지 못할 수도 있습니다.
암 임상시험 분야에서도 연구자들은 AI 활용 시 데이터 품질, 형평성, 모델 변화(drift), 투명성과 규제 감독이 중요한 과제라고 지적하고 있습니다.
미국 FDA도 AI 신약개발 기준을 만들고 있습니다
AI가 실제 신약개발에 빠르게 들어오면서 미국 FDA도 관련 기준을 마련하고 있습니다.
FDA는 2025년 AI를 이용해 의약품의 안전성·효과·품질과 관련된 규제 판단 자료를 만드는 경우 AI 모델의 신뢰성을 어떻게 평가할 것인지에 관한 가이드라인 초안을 발표했습니다.
이어 2026년에는 유럽의약품청(EMA)과 함께 Good AI Practice in Drug Development 원칙을 발표했습니다.
핵심은 AI를 사용했다는 사실 자체가 중요한 것이 아니라 데이터가 신뢰할 수 있는지, AI가 어떤 목적으로 사용됐는지, 성능이 제대로 검증됐는지, 인간의 감독이 이루어지는지를 확인해야 한다는 것입니다.
AI가 과학자를 완전히 대체할까요?
현재 흐름을 보면 AI가 과학자를 없애기보다는 과학자의 연구 방식을 바꾸는 방향으로 발전할 가능성이 더 큽니다.
과거 연구자가 수개월 동안 후보물질을 검색하고 정리했다면 앞으로는 AI가 먼저 수십만 개 후보 가운데 가능성이 높은 몇십 개를 추려낼 수 있습니다.
그러면 연구자는 AI가 제시한 후보를 실험으로 검증하고 왜 효과가 있는지, 예상하지 못한 위험은 없는지를 판단하는 데 더 많은 시간을 사용할 수 있습니다.
즉 역할이
AI → 빠른 탐색·예측·분석
과학자 → 실험·검증·해석·판단
으로 나뉘는 형태입니다.
결국 마지막 관문은 ‘사람’입니다
AI 신약개발의 발전 속도는 분명 빠릅니다.
탈모 관리 후보물질부터 희귀질환 치료제, 암 치료제와 개인맞춤형 암 백신까지 적용 범위도 넓어지고 있습니다.
하지만 AI가 아무리 뛰어난 후보물질을 찾아내더라도 그 약이 실제 사람에게 효과가 있는지, 심각한 부작용은 없는지를 증명해야 한다는 신약개발의 원칙은 달라지지 않습니다.
AI가 신약개발의 ‘시간’을 크게 줄일 가능성은 있지만 인간의 몸에서 일어나는 복잡한 생물학까지 완벽하게 예측하는 단계에는 아직 도달하지 않았습니다.
따라서 지금의 AI 신약개발을 가장 정확하게 표현한다면 **“과학자를 대신해 신약을 만드는 기술”이라기보다 “과학자가 실패할 후보를 더 빨리 걸러내고 가능성 있는 후보를 더 빨리 찾도록 돕는 강력한 도구”**라고 할 수 있습니다.
※ 본 글은 최신 연구와 공개된 규제기관 자료를 바탕으로 작성한 일반적인 건강·과학 정보입니다. AI를 이용해 개발 중인 후보물질이나 임상시험 중인 치료법은 안전성과 효과가 확립된 승인 치료제와 다릅니다. 특정 질환의 치료는 의료진과 상담하시기 바랍니다.
#AI신약개발 #인공지능 #신약개발 #AI의료 #암백신 #개인맞춤암백신 #암치료 #탈모연구 #AlphaFold #임상시험 #바이오AI #의료AI #건강정보
FDA는 AI가 포함된 의약품 관련 제출이 크게 증가했다고 밝히고 있으며, 2016~2023년에만 AI 요소를 포함한 500건 이상의 제출 경험을 규제정책 마련에 활용했습니다. U.S. Food and Drug Administration 2026년 FDA·EMA의 공동 원칙도 인간 중심 설계, 위험도 기반 평가, 데이터 관리, 성능평가, 지속적인 관리 등을 강조합니다. U.S. Food and Drug Administration
또 2026년 최신 임상시험 리뷰에서는 AI가 환자 선별, 임상시험 매칭, 데이터 수집·모니터링, 조기에 실패 가능성이 높은 후보를 찾아내는 데 유용할 것으로 평가하면서도 검증·규제기관과의 지속적인 협의·인간의 감독을 핵심 조건으로 제시하고 있습니다. Nature
공식 자료를 더 확인하려면 미국 FDA의 AI 신약개발 안내와 FDA·EMA의 2026 Good AI Practice 원칙을 참고할 수 있습니다.
\n\n
