KAIST, ‘알파폴드 한계’ 넘었다…약물 작동까지 예측

AI 신약 개발의 패러다임 전환: 구조에서 기능으로
인공지능(AI)을 활용한 신약 개발 시장은 구글 딥마인드(Google DeepMind)의 ‘알파폴드(AlphaFold)’ 등장 전후로 나뉜다고 해도 과언이 아니다. 알파폴드는 단백질의 3차원 구조를 예측하며 생명과학의 오랜 난제를 해결했으나, 실제 신약 개발 현장에서는 여전한 한계점이 존재해 왔다. 그것은 바로 ‘결합’이 곧 ‘작동’을 의미하지 않는다는 점이다. 기존의 AI 모델들이 약물 화합물과 표적 단백질이 얼마나 잘 달라붙는지를 예측하는 데 집중했다면, 이번 KAIST 연구진의 성과는 해당 약물이 단백질과 결합한 뒤 실제로 어떤 생물학적 반응을 일으키는지, 즉 ‘기능적 변화’를 예측하는 단계로 진입했음을 시사한다.

 

 

바이오 분야의 전략적 관점에서 볼 때, 단백질 구조 예측은 지도 제작에 비유될 수 있다. 지도가 있다고 해서 목적지까지의 교통 흐름이나 실제 물류의 이동을 완전히 파악할 수 없는 것과 마찬가지로, 단백질 구조만으로는 약물이 투여되었을 때 세포 내 신호 전달 체계가 어떻게 활성화되거나 억제되는지 확신할 수 없었다. KAIST 이관수 교수팀이 개발한 이번 기술은 지도를 넘어 ‘실시간 교통 관제 시스템’을 구축한 것과 동일한 가치를 지닌 것으로 분석된다. 이는 신약 후보 물질의 유효성을 검증하는 임상 단계에서의 실패율을 획기적으로 낮출 수 있는 핵심 동력이 될 것으로 판단된다.
구글 딥마인드를 넘어서는 KAIST의 초격차 기술력
이번 연구의 핵심 타깃인 GPCR(G단백질 결합 수용체)은 인간 게놈에 존재하는 수많은 단백질 중에서도 신약 개발의 ‘성배’로 불린다. 현재 시판 중인 약물의 약 40%가 GPCR을 표적으로 삼고 있을 만큼 중요도가 높지만, 그 구조적 복잡성과 동적인 변화 특성 때문에 정확한 작동 기전을 예측하기가 매우 까다로웠다. 구글의 최신 모델인 ‘알파폴드3’조차 약물-단백질 결합 구조를 예측하는 수준에 머물렀으나, KAIST의 ‘GPCRact’ 모델은 이를 넘어 약물이 GPCR에 결합했을 때 나타나는 ‘작동(Efficacy)’ 유형을 정확히 판별해냈다.

 

 

이는 단순한 데이터 학습량의 차이가 아니라, 생물학적 메커니즘을 AI 아키텍처에 어떻게 녹여냈느냐의 승리로 해석된다. KAIST 연구팀은 약물이 단백질에 결합할 때 발생하는 미세한 구조적 변화가 단백질 내부를 거쳐 신호 전달로 이어지는 과정을 모델링했다. 특히, 약물이 결합 부위뿐만 아니라 단백질 전체의 구조적 앙상블에 미치는 영향을 데이터화함으로써, 결합은 하되 반응을 일으키지 않는 ‘단순 결합’과 실제 기능을 유도하는 ‘유효 작동’을 구분해내는 데 성공했다. 이는 글로벌 빅테크 기업들과의 기술 경쟁에서 한국의 연구진이 특정 도메인(바이오-AI 융합)에서 독보적인 우위를 점했음을 입증하는 사례로 평가된다.
‘블랙박스’ 해소: 예측 근거 제시를 통한 신뢰성 확보
인공지능 기반 신약 개발의 고질적인 문제점 중 하나는 ‘왜 이 화합물이 유효한가’에 대한 설명력 부족이었다. 소위 ‘블랙박스(Black Box)’라 불리는 AI의 비가시성은 연구자들이 AI의 결과값을 100% 신뢰하고 수천억 원 규모의 임상 시험을 결정하는 데 큰 걸림돌이 되어 왔다. KAIST 연구진은 이번 모델을 통해 단백질 내부에서 신호가 전달되는 핵심 경로(Signal Transduction Pathway)를 가시화함으로써 이 한계를 정면으로 돌파했다.

 

 

예측의 근거가 되는 단백질 내 특정 아미노산 잔기들의 상호작용 네트워크를 제시함으로써, 연구자들은 AI의 예측 결과가 생물학적으로 타당한지 즉각적으로 검증할 수 있게 되었다. 이러한 ‘설명 가능한 AI(XAI)’ 기술의 도입은 단순히 예측 정확도를 높이는 것을 넘어, 신약 개발 프로세스 전반의 의사결정 속도와 신뢰도를 높이는 전략적 자산이 될 것으로 분석된다. 특히 후보 물질 최적화(Optimization) 단계에서 어떤 화학적 구조를 수정해야 원하는 작동 기전을 얻을 수 있는지에 대한 직접적인 가이드를 제공할 수 있다는 점에서 산업적 파급력이 매우 클 것으로 사료된다.
향후 시장 및 업계 변화: K-바이오의 글로벌 경쟁력 강화
신약 개발에는 평균 10년 이상의 기간과 수조 원의 비용이 투입되지만, 최종 승인율은 10% 미만에 불과하다. KAIST가 제시한 ‘작동 예측 AI’는 이러한 비효율적인 구조를 근본적으로 개선할 수 있는 게임 체인저가 될 것으로 전망된다. 초기 스크리닝 단계에서 단순 결합력뿐만 아니라 실제 작동 유효성을 사전에 걸러냄으로써, 임상 2~3상 단계에서 발생하는 천문학적 비용 손실을 방지할 수 있기 때문이다.

 

 

전략적 측면에서 볼 때, 이번 성과는 국내 제약 바이오 기업들이 글로벌 대형 제약사(Big Pharma)들과의 기술 라이선스 아웃(L/O) 협상에서 더 높은 가치를 인정받을 수 있는 기술적 토대를 마련해 주었다. 독자적인 AI 플랫폼을 통해 도출된 신약 후보 물질은 그 작동 기전이 명확히 규명되어 있을수록 상업화 성공 가능성이 높게 평가받기 때문이다. 또한, 정부 차원에서 추진 중인 ‘바이오 디지털 트랜스포메이션’ 정책과 맞물려, 한국이 AI 신약 개발의 글로벌 허브로 도약하는 데 중요한 마일스톤이 될 것으로 판단된다.
결론 및 시사점: 지능형 신약 개발 시대의 서막
결론적으로 KAIST 연구팀의 이번 성과는 ‘구조를 아는 AI’에서 ‘기능을 이해하는 AI’로의 진화를 의미한다. 이는 신약 개발의 불확실성을 획기적으로 제거하고, 정밀 의료(Precision Medicine) 시대를 앞당기는 핵심 기술이 될 것이다. 알파폴드가 단백질의 형상을 규명했다면, 이제는 그 형상이 어떻게 움직이고 반응하는지를 실시간으로 시뮬레이션하는 단계에 진입한 것이다.

 

 

앞으로의 신약 개발 시장은 누가 더 양질의 동적 데이터를 확보하고, 이를 효율적으로 해석할 수 있는 AI 알고리즘을 보유하느냐에 따라 승패가 갈릴 것으로 보인다. 이번 연구 결과는 단순히 학술적 성과에 머물지 않고, 실제 제약 산업 현장에 즉각 투입되어 신약 파이프라인의 가치를 높이는 핵심 솔루션으로 자리매김할 가능성이 크다. 국내외 바이오 기업들은 이러한 기술적 변화를 예의주시하며, AI 기반의 신약 설계 프로세스를 선제적으로 도입하여 연구 개발(R&D) 효율성을 극대화하는 전략적 선택이 필요한 시점이다.
% 본 포스팅은 AI를 활용하여 제작된 정보성 요약 글입니다.