AI가 쏟아내는 신약 후보, 진짜 10배 혁신은 무엇으로 가려야 하나

AI가 신약 후보를 더 많이, 더 빨리 내놓는 시대가 됐다. 최근 TechCrunch가 다룬 10x Science는 바로 그 다음 병목, 즉 "이 후보들 중 무엇이 실제로 중요한가"를 판별하겠다는 스타트업이다.¹ 지금 중요한 이유는 분명하다. 신약 개발의 문제는 더 이상 가설이 부족해서가 아니라, 넘쳐나는 후보를 충분한 신뢰도로 평가하고 탈락시킬 체계가 부족하다는 데 있기 때문이다.²

이 지점에서 "10x"라는 말은 다시 봐야 한다. 과학에서 10배 혁신은 데이터가 10배 늘어나는 것과 같지 않다. 실험 속도가 10배 빨라지는 것도, 의사결정 품질이 10배 좋아지는 것도 서로 다른 일이다. 요즘 바이오와 AI에서 이 셋이 자주 섞여 말해진다. 하지만 실무에서는 이 구분이 투자 판단, 도입 판단, 심지어 연구 전략까지 갈라놓는다.

'10x 과학'의 착시: 데이터 10배, 실험 10배, 결정 10배는 다르다

먼저 확인된 사실부터 보자. 10x Science는 "AI가 만든 후보를 평가하는 단계"를 자동화하겠다고 말한다. 특히 단백질 치료제의 특성 분석이 지금은 수개월 걸리고, 수작업과 오류가 많은 병목이라고 본다.³ 한편 시장 전체를 보면, 2015년 이후 생물학 AI 모델 수는 급증했고 2024년에는 350개 이상이 발표됐다는 집계도 나왔다.² AWS도 생물학 파운데이션 모델을 고르고, 실험 결과를 다시 모델로 돌리는 "lab-in-the-loop" 도구를 내놨다.⁴

여기서 현실은 이렇다. 후보 생성은 이미 빨라지고 있다. 병목은 측정과 해석, 그리고 Go/No-Go 결정으로 이동 중이다.

이 점에서 10x Genomics의 Atera 같은 사례는 좋은 비교군이다. Atera는 전사체 전체를 단일세포 수준의 공간 정보로, 연간 최대 800개 1cm² 샘플 규모까지 처리하겠다고 내세운다.⁵ 이는 분명 "더 많이 측정하는 능력"의 확장이다. 하지만 측정량이 커졌다고 바로 의사결정이 빨라지는 건 아니다. 그래서 10x Genomics도 GPU 가속 분석과 클라우드 협업을 함께 강조한다.⁶

즉, 진짜 10배 혁신은 세 층으로 나뉜다.
더 많은 데이터를 뽑아내는가.
더 짧은 시간에 실험을 끝내는가.
아니면 틀린 후보를 더 빨리, 더 확신 있게 버리게 해주는가.

셋 중 마지막이 가장 드물고, 보통 가장 가치가 크다.

현대 바이오의 병목은 채집보다 해석과 행동에 있다

신약 개발 실패율은 여전히 높다. 임상에 들어간 후보의 약 90%가 실패하고, 승인 치료제당 R&D 비용은 대략 9년마다 두 배로 뛴다는 분석도 있다.² 이 숫자가 말하는 건 단순하다. 후보를 많이 만드는 것만으로는 산업의 수학이 바뀌지 않는다.

반론도 가능하다. "좋은 후보를 더 많이 만들면 성공 확률도 올라가는 것 아닌가?" 맞다. 실제로 Exscientia는 AI와 반복 설계를 통해 업계 평균보다 10배 적은 화합물을 만들고도 설계 속도를 높였다고 주장한다.⁷ Insilico Medicine 역시 78개 분자만 스크리닝해 전임상 후보를 지명했고, 기간과 비용을 크게 줄였다는 사례가 소개됐다.²

하지만 이런 성공담이 곧바로 일반화되진 않는다. 왜냐하면 생물학은 출력보다 검증이 비싸기 때문이다. 특히 실제 환자 조직, 복잡한 미세환경, 단백질의 동적 구조 같은 요소는 컴퓨터 안에서 예쁘게 보이는 후보를 금방 현실로 끌어내리지 못하게 만든다.⁸ 그래서 공간생물학, 단일세포 데이터, 실험 자동화, 폐쇄형 피드백 루프가 같이 부상한다.²⁴

해석하자면, 앞으로 강한 회사는 "모델을 만든 회사"보다 "모델 출력이 조직 내에서 어떤 의미인지 빠르게 검증하는 회사"일 가능성이 크다. 10x Science가 겨냥하는 것도 바로 이 층위다. 생성보다 판별이다.

과장과 실력을 가르는 '10x 테스트'

새 AI 바이오 도구를 볼 때는 네 가지만 물으면 된다.

첫째, 무엇이 실제로 더 싸졌는가.
후보 수가 아니라 실패 비용이 내려가야 한다.

둘째, 무엇이 더 신뢰 가능해졌는가.
재현성, 노이즈, 샘플 간 편차를 줄였는지 봐야 한다. Atera도 성능뿐 아니라 저노이즈와 임상 규모 워크플로를 강조했다.⁶

셋째, 어떤 결정이 더 빨라졌는가.
분석 시간이 "몇 시간에서 몇 분"으로 줄었다는 주장은 의미가 있지만, 그 결과가 실제 프로젝트 우선순위 변경으로 이어지는지가 더 중요하다.⁶

넷째, 이전엔 불가능했던 실험이 가능해졌는가.
희귀 환자 샘플, 복잡한 조직 맥락, 동적인 단백질 결합처럼 기존 방식으로는 놓치던 문제를 열어주면 그때 비로소 플랫폼 가치가 생긴다.⁵⁸

이 기준으로 보면, 큰 약속보다 재작업 감소와 해석 마찰 감소를 만드는 제품이 더 오래 간다. "10배 더 많이"보다 "덜 틀리게, 더 빨리 버리게"가 과학에서는 훨씬 강한 레버리지다.

지금 이 변화를 가장 주의 깊게 봐야 하는 사람은 세 부류다. 연구자는 데이터 생산량보다 해석 병목이 어디인지 봐야 하고, 운영 책임자는 워크플로 전체 시간이 어디서 새는지 봐야 하며, 투자자는 모델 성능보다 의사결정 단축 효과를 봐야 한다. 앞으로의 승자는 가장 큰 주장을 하는 회사가 아니라, 실험실의 애매함과 재검증 비용을 가장 많이 줄이는 회사일 가능성이 높다.

참고

¹AI is spitting out more potential drugs than ever. This start-up wants to figure out which ones matter.

²Building biology-native data infrastructure for the AI era

³Founding Engineer at 10x Science | Y Combinator

⁴AWS Launches Amazon Bio Discovery to Speed AI Drug Development

⁵10x Genomics Unveils Atera Spatial Platform at AACR Meeting

⁶10x Genomics Introduces Atera, a New Platform to Redefine How Biology is Measured and Understood

⁷Exscientia, 생성형 AI를 사용하여 신약 발견 재구상

⁸New AI Tech to Speed Drug Development