AI의 종말은 왜 바이오제약일까요?

AI의 미래 발전 방향에 대해 투자 커뮤니티는 다양한 의견을 가지고 있으며, 일부는 태양 광 산업이라고 생각하고 일부는 전력 산업이라고 생각하는 반면 NVIDIA는 바이오 제약 분야라고 믿습니다. 엔비디아의 2023년 투자 계획에서 AI 분야의 핵심 알고리즘과 인프라 구축 외에도 바이오 제약 분야가 핵심 투자 분야로 선정되었습니다. "컴퓨터 지원 설계 산업에서 시가총액 1조 4천억 달러의 칩 회사가 탄생할 수 있다면, 컴퓨터 지원 신약 개발 산업에서 시가총액 1조 달러의 제약 회사가 탄생하지 못할 이유가 없죠." NVIDIA의 헬스케어 사업 담당 부사장 킴벌리 파월이 분명하게 밝힌 바 있습니다.

 

엔비디아는 AI+바이오제약의 미래를 낙관하고 있으며, 또 다른 엔비디아다운 성공 사례를 만들겠다는 목표를 세우고 있는 것은 분명합니다. NVIDIA가 이 분야에 큰 기대를 걸고 있는 이유는 무엇일까요? 이 질문에 대한 답은 제약 산업의 핵심 과제와 기본 논리에 대한 깊은 이해가 필요합니다.

안티 무어의 법칙
AI 기술의 급속한 발전은 집적 회로 산업의 급속한 발전과 분리할 수 없습니다. 인텔의 창립자인 고든 무어는 수년간 반도체 산업을 심도 있게 연구한 끝에 집적 회로의 트랜지스터 수가 약 18개월에서 24개월마다 두 배로 증가한다는 아이디어를 요약했습니다. 이것이 바로 유명한 무어의 법칙입니다. 무어의 법칙에 따르면 기술이 계속 발전함에 따라 프로세서 성능은 약 2년마다 두 배가 되고 가격은 이전의 절반 수준으로 떨어질 것입니다. 이러한 기술의 지속적인 반복과 발전 덕분에 컴퓨터 기술은 기하급수적으로 성장하여 점점 더 놀라운 기능을 구현할 수 있게 되었습니다.

그러나 반도체 산업의 무어의 법칙과 달리 바이오 제약 산업의 동향은 '반무어의 법칙' 현상을 보이고 있습니다. 오랫동안 혁신 신약 개발은 '2십의 법칙'으로 알려져 왔는데, 이는 신약 하나를 개발하는 데 보통 10년이 걸리고 10억 달러의 비용이 든다는 의미입니다. 그러나 최신 데이터에 따르면 혁신 신약의 평균 R&D 비용은 전 세계적으로 약 1조 4,000억 달러, 평균 R&D 주기는 약 10.5년으로 나타나면서 이러한 수치는 이제 구식이 되었습니다. 긴 R&D 주기와 높은 R&D 비용으로 인해 혁신 신약 개발은 막대한 재정적 지원이 필요할 뿐만 아니라 높은 실패율에 직면하는 등 매우 위험합니다. 설상가상으로 신약 및 표적 개발 비용이 상승하고 더 많은 약물과 표적을 발견할수록 투자 수익률이 감소하기 때문에 시간이 지날수록 R&D의 난이도는 계속 높아지고 있습니다.

 

이러한 반무어의 법칙 환경 속에서 혁신 신약 R&D의 문턱은 점점 높아지고 투자 리스크는 커지면서 혁신 신약 R&D는 점차 대기업의 전유물이 되어가고 있습니다. 그러나 제약 산업은 많은 신기술이 스타트업에서 처음 탄생하는 등 변방의 혁신이 주도하는 경우가 많습니다. 이러한 기술이 점진적으로 검증되어야만 대기업이 개입하고 배치하기 시작합니다.
업계의 발전 법칙과 그 원동력 사이에 명백한 모순이 발생했으며, 이는 인류 의료 기술 발전의 병목 현상으로 이어질 수 있는 매우 이례적인 현상으로, 누구도 반길 수 없는 상황입니다.
바이오 제약 산업은 변화가 절실히 필요하며, 혁신적인 신약 개발 비용이 계속 증가함에 따라 이러한 변화의 여지가 있습니다. 이 두 가지 요소를 바탕으로 NVIDIA는 AI 기술이 제약 산업을 혁신할 잠재력을 가지고 있다고 굳게 믿고 있습니다.
경험 대 직관
현대의 제약 산업은 종종 직관에 기반한 성벽으로 둘러싸인 도시에 비유됩니다. 혁신적인 약물이 시장에 출시되기 위해서는 엄격하고 체계적인 임상 검증을 거쳐야 하지만, 신약 개발 과정은 불확실성으로 가득 차 있습니다. 전체 신약 개발 과정은 깔때기와 비슷하며, 신약 발굴부터 전임상 검증, 임상 검증에 이르기까지 각 단계마다 성공적인 후보 화합물의 수가 점차 감소합니다. 그중에서도 신약 개발 단계는 개발자가 수많은 화합물을 선별하여 약 10,000개의 잠재적 후보를 식별하고 여러 단계의 스크리닝을 거쳐 최종적으로 적합한 화합물을 확정해야 하기 때문에 특히 어렵습니다. 특정 표적을 발견하고 식별하는 것은 우연일 뿐만 아니라 복잡하고 지루한 검증 과정이며, 올바른 분자로 성공적으로 국소화하기는 더욱 어렵습니다.

 

여러 세대에 걸친 신약 개발 노력으로 신약 개발 프로세스가 표준화되었지만, 방대한 양의 화합물 데이터에 직면했을 때 R&D는 여전히 연구자의 직관에 크게 의존하고 있으며 데이터는 제한된 도움만 제공할 수 있습니다. R&D의 올바른 방향은 성공의 전제 조건이며, 일단 잘못된 경로를 택하면 아무리 많은 노력을 기울여도 무용지물이 될 수 있습니다. 이러한 직관에 대한 지나친 의존은 전통적인 의약품 R&D 비용이 지속적으로 상승하는 근본 원인입니다.
제약 산업에서 R&D 비용을 절감하려면 데이터 중심의 R&D 접근 방식으로 전환해야 합니다. 데이터는 본질적으로 축적된 경험이며, 데이터의 디지털화는 R&D 실패의 제거를 의미하는 것이 아니라 실패를 다음 R&D를 위한 학습 기반으로 전환할 수 있다는 것을 의미합니다. AI는 대규모 모델 학습을 통해 약물 스크리닝 프로세스를 더 빠르고 정확하게 만들 수 있습니다.
혁신 신약 개발은 로그라이크 게임에 비유할 수 있는데, 매번 플레이할 때마다 무작위로 진행되어 매번 다른 경험을 할 수 있지만 끊임없는 실패와 데이터 축적을 통해 다음 도전의 난이도를 점차 낮출 수 있습니다.
AI 제약은 본질적으로 전문가의 직관에 의존하는 방식에서 데이터 피드백에 의존하여 지속적인 모델 학습을 통해 최적의 R&D 경로를 찾는 방식으로 전환하는 과정입니다. 이러한 변화는 직관에서 데이터로, 감성에서 이성으로의 전환을 의미합니다. 특히 아직 정복되지 않은 많은 질병 영역에서 전문가의 직관에 의존하는 것은 무작위로 성공하는 것보다 나을 수 없으며, 지속적인 AI 모델의 시행착오는 실패율을 줄이는 가장 효과적인 방법이며, AI 제약은 R&D 비용을 절감할 뿐만 아니라 R&D 효율성을 크게 향상시킵니다.
가장 소중한 데이터 리소스
알고리즘, 연산, 데이터베이스는 AI 기술의 세 가지 핵심 요소를 구성합니다. 대부분의 AI 응용 시나리오에서 알고리즘은 핵심 연결 고리이며, 연산 능력과 데이터베이스도 똑같이 중요하지만 투자자들은 대규모 모델 알고리즘 개발에 더 많은 관심을 기울이는 경향이 있습니다. 그러나 바이오 제약 분야에서는 알고리즘의 우위가 그렇게 분명하지 않을 수 있습니다. 다른 분야와 달리 바이오 제약 분야의 데이터 리소스는 오픈 소스가 아닌 경우가 많으며, 주요 제약사의 핵심 자산입니다. 성공과 실패의 결과는 모두 고비용의 임상시험을 통해 얻어집니다.

따라서 AI 제약 분야에서는 데이터베이스가 핵심 경쟁력의 핵심이라는 것은 분명합니다. 중국에서 인기를 끌고 있는 AI 제약 기업을 살펴보면 상당수가 CRO 기업에서 탈바꿈한 기업입니다. CRO 기업은 기존 제약사와 달리 R&D 경험이 풍부하고, R&D 데이터는 A사의 것이지만 여러 R&D 과정을 거치면서 많은 양의 프로세스 데이터와 방법론을 축적할 수 있어 데이터베이스 구축에 유리하다. 오픈 소스가 아닌 바이오의약품 데이터의 특성을 고려할 때, AI 제약의 발전은 두 가지 방향으로 진행될 수 있습니다. 하나는 오랜 기간 풍부한 R&D 경험과 데이터를 축적하고 AI 기술을 종합적으로 배치하기 시작한 자금력이 풍부한 다국적 기업(MNC)입니다; 다른 하나는 주로 중국에서 AI 제약의 전환에 종사하는 CRO로, 강력한 데이터베이스 구축 능력을 보유하고 있으며 부족한 것은 대형 모델 알고리즘 개발뿐이며 컴퓨팅 파워 문제는 알리 클라우드, 텐센트 클라우드와 같은 기술 회사와의 협력을 통해 해결할 수 있습니다 컴퓨팅 파워 문제는 알리 클라우드, 텐센트 클라우드와 같은 기술 회사와 협력하여 해결할 수 있습니다. 첫 번째 모델은 국내 바이오 제약 산업이 늦게 시작되었고 오랫동안 혁신적인 의약품 연구 개발을 수행해 온 다국적 기업이 부족하기 때문에 중국에서 실현하기가 더 어려울 수 있습니다.

향후 수십 년 안에 CRO 기업이 중국 AI 제약의 핵심 자산이 될 것이며, 해외에서는 주로 제 3 자에게 데이터 개방을 꺼리는 다국적 기업 간의 경쟁이며 Nvidia와 같은 기업조차도 투자를 통해서만 바이오 제약 분야에 참여할 수 있습니다. 현재 국내 인공지능 제약은 개발 초기 단계에 있으며, 크게 세 단계로 나눌 수 있습니다. 첫 번째 단계는 청두 파일럿, 홍보제약, 징타이 테크놀로지, 메디스톤 테크놀로지 등 수년간 AI 제약 기술을 쌓아온 기업, 두 번째 단계는 우시 칸테이, 메디실론, 하오원 제약 등 R&D 경험이 풍부하지만 AI 제약 분야에 막 뛰어든 기업, 세 번째 단계는 경험이 있지만 아직 AI 분야에 깊이 있는 기반을 마련하지 못한 다른 CRO 기업 등이 있다. AI 제약 분야에서는 데이터가 가장 중요한 자원이며 데이터베이스의 가치는 알고리즘과 산술 능력을 훨씬 능가하기 때문에 현재 국내 AI 제약 산업에서 CRO 기업이 주도권을 잡을 수 있습니다.

지금 문의하세요!

가격이 필요한 경우 아래 양식에 연락처 정보를 입력해 주시면 보통 24시간 이내에 연락드리겠습니다. 이메일을 보내셔도 됩니다. info@longchangchemical.com 근무 시간(오전 8시 30분~오후 6시, 월~토요일)에 문의하거나 웹사이트 라이브 채팅을 이용하면 신속하게 답변을 받을 수 있습니다.

복합 글루코아밀라아제	9032-08-0
풀룰라나아제	9075-68-7
자일라나제	37278-89-0
셀룰라아제	9012-54-8
나린기나제	9068-31-9
β-아밀라아제	9000-91-3
포도당 산화 효소	9001-37-0
알파-아밀라아제	9000-90-2
펙티나아제	9032-75-1
과산화효소	9003-99-0
리파아제	9001-62-1
카탈라아제	9001-05-2
탄나세	9025-71-2
엘라스타제	39445-21-1
Urease	9002-13-5
덱스트라나제	9025-70-1
L-락트 탈수소 효소	9001-60-9
탈수소 효소 말레이트	9001-64-3
콜레스테롤 산화 효소	9028-76-6