AI가 바꾼 신약 개발의 문턱, 핵심은 '질문의 힘'

보이지 않는 분자 모양이 결정하는 약의 효능

물 한 모금과 함께 하얀 알약 한 알을 삼키는 데 걸리는 시간은 불과 몇 초에 지나지 않는다. 대다수의 사람들은 약을 복용할 때 그것이 체내 어디로 이동해 어떤 기전을 수행하는지 깊이 고민하지 않는다. 나 역시 약이 필요한 부위에 도달해 스스로 제 역할을 다할 것이라 막연히 믿어왔다. 그러나 인공지능(AI)이 신약 개발의 패러다임을 전환하는 과정을 지켜보며 이러한 인식은 완전히 바뀌었다. 약의 작동 원리를 설명하는 모든 논의에는 '모양'이라는 핵심 키워드가 등장했기 때문이다. 이는 단순한 알약의 외형이 아니라, 육안으로 식별할 수 없는 미세한 분자의 입체적 형태를 의미한다.

약물이 실질적인 효과를 발휘하기 위해서는 체내에서 적절한 상대를 찾아야 한다. 대다수의 약제는 특정 단백질과 결합하여 그 기능을 조절하거나 억제하는 방식으로 작용하는데, 이는 마치 열쇠와 자물쇠가 정교하게 맞물리는 과정과 흡사하다. 이러한 단백질은 아미노산 사슬이 복잡하게 접힌 입체 구조를 띠고 있으며, 이 구조적 형태에 따라 근육의 움직임이나 신호 전달, 혹은 세균과의 전투 여부가 결정된다. 만약 이 사슬이 비정상적으로 접히게 되면 질병의 원인이 되기도 한다.

알파폴드가 연 신약 개발의 새로운 시대

질병과 직결된 단백질의 구조를 파악하는 것은 신약 제조의 필수 조건이다. 과거에는 아미노산의 배열 순서를 안다 해도 사슬이 구체적으로 어떻게 접힐지 예측하기가 매우 어려웠으며, 단 하나의 구조를 밝히기 위해 수년의 실험 시간이 소요되기도 했다. 하지만 구글 딥마인드의 '알파폴드'는 AI 기술을 통해 반세기 동안 풀리지 않던 난제를 해결했다. 아미노산 서열만으로 3차원 구조를 정확히 예측해낸 것이다. 특히 2022년에는 인류에게 알려진 거의 모든 단백질의 예측 구조 2억 개가 공개되어 누구나 자유롭게 활용할 수 있는 환경이 조성되었다.

2024년 등장한 알파폴드3는 한 발 더 나아가 단백질이 DNA나 RNA, 혹은 약물 분자와 결합하는 양상까지 정밀하게 묘사한다. 다만 컴퓨터 상의 시뮬레이션 결과가 곧바로 완벽한 약물을 보장하는 것은 아니다. 실제 안전성과 유효성은 반드시 실험과 임상시험을 거쳐 검증되어야 한다. 결국 AI가 변화시킨 것은 최종적인 결론이 아니라 연구의 출발점이다. 이제 연구실의 규모나 개인용 노트북의 성능과 관계없이 누구나 동일한 예측 구조를 공유할 수 있게 되었으며, 이는 곧 연구의 진입 장벽이 획기적으로 낮아졌음을 시사한다.

흔해진 답변의 시대, 차이를 만드는 질문의 가치

모든 연구자가 동일한 정보에서 출발하게 된다면, 결국 차별화된 성과는 어디에서 발생하는가? 이 질문에 대한 답은 지난 에세이에서 언급했던 '모래'의 비유에서 찾을 수 있다. 흔한 모래를 지능으로 탈바꿈시킨 주체는 결국 인간이었다. 현재 AI는 글쓰기와 계산, 주문 처리를 넘어 시각적 인지 영역까지 모래처럼 흔하게 수행하며 거의 모든 영역에서 답을 제시하고 있다.

답변이 흔해지는 세상일수록 역설적으로 '좋은 질문'의 가치는 더욱 높아진다. 동일한 예측 구조를 마주하더라도 어떤 질병의 어떤 단백질을 탐구할 것인지는 오직 질문하는 자만이 결정할 수 있기 때문이다. 투자 분야도 이와 유사하다. 정보와 뉴스는 모두에게 평등하게 쏟아진다. 넥스트증권이 AI를 통해 구현하고자 하는 것은 단순한 정보의 양적 확대가 아니다. 투자자가 스스로 던진 질문을 바탕으로 필요한 정보를 선별하고, 직접 검증하여 최종 결정을 내릴 수 있도록 지원하는 고도화된 도구를 만드는 것이다.

약 한 알이 만들어지는 과정 역시 이와 같다. 복용에는 단 몇 초가 소요될지라도, 그 이면에는 보이지 않는 세계를 관찰하며 끊임없이 의문을 던지고 검증해 온 긴 시간이 응축되어 있다. AI가 순식간에 정답을 도출하는 시대라 할지라도, 이러한 본질적인 탐구의 시간만큼은 결코 생략될 수 없다.