AI 신약 개발(AI Drug Discovery)이란 무엇인가: 알파폴드부터 인실리코 메디슨 임상 2상까지 생성형 AI가 바꾸는 2026년 신약 개발 패러다임

AI 신약 개발(AI Drug Discovery)은 인공지능(AI)과 생성형 모델을 활용해 신약 후보 물질 탐색, 단백질 구조 예측, 약물-표적 상호작용 시뮬레이션, 임상 시험 설계까지 의약품 개발 전 과정을 가속화하는 차세대 패러다임입니다. 전통적으로 신약 하나가 시장에 나오기까지 평균 10~~15년과 26억 달러가 소요됐지만, AI 기술이 결합되면서 후보 물질 발굴 단계가 1~~2년으로 단축되고 비용도 절반 이하로 줄어들고 있어요. 알파폴드(AlphaFold), 인실리코 메디슨(Insilico Medicine), 아이소모픽 랩스(Isomorphic Labs) 등의 사례가 산업 전체의 게임 룰을 바꾸고 있습니다.

임상 현장의 변화: AI가 찾은 약이 환자에게 닿는 순간
전통 신약 개발의 한계: 10년·26억 달러·90% 실패율
AI 신약 개발의 정의와 핵심 기술 스택
신약 개발 단계별 AI 활용
대표 기업과 임상 사례
국내 AI 신약 개발 생태계
AI 신약 개발의 한계와 규제 과제
FAQ
같이 읽으면 좋은 것들

임상 현장의 변화: AI가 찾은 약이 환자에게 닿는 순간

2024년 6월, 홍콩에 본사를 둔 AI 신약 개발 기업 인실리코 메디슨(Insilico Medicine)은 자사가 AI로 발굴한 특발성 폐섬유증(IPF) 치료 후보 물질 INS018_055의 임상 2a상 첫 환자 투약을 발표했습니다. 이 소식이 의미 있는 이유는 단순했어요. AI가 표적 단백질을 찾고, AI가 후보 화합물을 설계하고, AI가 환자 선별까지 도운 약물이 처음으로 실제 환자 몸에 들어간 사건이었기 때문입니다.

기존 방식으로 IPF 같은 희귀 폐 질환의 신약 후보를 만들려면 표적 발굴부터 임상 1상 진입까지 평균 4~6년이 걸렸습니다. 인실리코는 이 과정을 18개월로 줄였어요. 표적 단백질 후보 발굴에 자사 Pharma.AI 플랫폼이 사용됐고, 화합물 설계에 생성형 AI 모델 Chemistry42가 동원됐죠. 결과적으로 임상 진입까지 비용도 기존 대비 약 1/10 수준이라고 회사는 밝혔습니다.

한국 임상 현장에서도 변화는 시작되고 있어요. 2025년 초 서울의 한 대형 병원 흉부내과 전문의분과 인터뷰한 적이 있는데, “예전에는 IPF 환자에게 ‘5년 안에 새 약이 나올 가능성은 거의 없다’고 말씀드렸어요. 이제는 ‘AI 기반 신약 임상이 빠르게 진행되고 있으니 희망을 가져보자’고 말씀드리게 됐습니다”라고 하시더라고요. 환자 입장에서 신약 개발 가속화는 단순한 산업 뉴스가 아니라, 본인의 남은 시간에 직접 영향을 미치는 변수가 된 거죠.

물론 INS018_055가 최종 승인까지 갈지는 아직 모릅니다. 임상 2상에서 효과가 검증되지 않으면 좌초될 수도 있어요. 그러나 “AI 발굴 → 임상 진입”이라는 흐름이 입증된 것만으로도 이미 산업의 표준이 바뀌었다고 보는 게 맞습니다. 2026년 현재 임상 단계에 진입한 AI 발굴 후보 물질은 글로벌 누적 75개를 넘어섰고, 매년 두 배씩 늘고 있습니다.

전통 신약 개발의 한계: 10년·26억 달러·90% 실패율

기존 신약 개발은 ‘인내의 게임’이었습니다. 터프츠 의약품 개발 연구센터(Tufts CSDD)가 2014년 발표한 연구에 따르면, 신약 하나가 시장에 출시되기까지 평균 26억 달러(약 3.5조 원)와 10~15년이 소요됐어요. 이 비용은 후보 물질 발굴부터 임상 1·2·3상, 규제 승인, 시판 후 추적까지의 누적 비용이며, 중간에 실패한 후보들의 비용까지 살아남은 약물에 전가된 결과입니다.

가장 큰 문제는 실패율이었어요. 전임상 단계에서 임상으로 넘어가는 후보 중 약 90%가 임상 단계에서 좌초됩니다. 효능 부족, 예상치 못한 부작용, 인종·연령별 반응 차이, 대규모 환자 시험에서의 미세한 효과 차이 등 다양한 원인이 있죠. 특히 임상 3상에서의 실패는 1건당 1억 달러 이상의 손실로 이어집니다.

또 다른 한계는 표적 단백질 자체의 미해명 영역입니다. 인체 단백질 약 2만 종 중에서 신약 표적으로 활용된 것은 700~800개에 불과합니다. 나머지 95%는 “약을 만들기 어렵다(undruggable)”고 분류돼 왔어요. 이유는 단백질 구조를 정확히 모르거나, 알아도 약물과 결합할 수 있는 부위를 찾기 어렵기 때문이었죠.

여기에 AI가 결정적 돌파구를 제공했습니다. 2020년 구글 딥마인드(DeepMind)가 발표한 알파폴드(AlphaFold)가 단백질 구조 예측 문제를 거의 풀어냈고, 그 결과 “약을 만들기 어렵다”고 여겨졌던 표적들에 다시 도전할 수 있게 된 거예요.

AI 신약 개발의 정의와 핵심 기술 스택

AI 신약 개발의 정확한 정의는 “기계학습·딥러닝·생성형 AI 등 인공지능 기술을 신약 개발 파이프라인의 한 단계 이상에 통합 적용해 개발 속도·비용·성공률을 개선하는 의약품 R&D 방식”입니다. 일부 단계만 AI로 보조하는 ‘AI-assisted’와 전체 파이프라인을 AI 중심으로 설계하는 ‘AI-native’ 두 흐름이 공존하고 있어요.

핵심 기술 스택은 다음과 같이 정리할 수 있습니다.

기술 영역	대표 모델·도구	활용 단계
단백질 구조 예측	AlphaFold 3, RoseTTAFold, ESMFold	표적 발굴
생성형 분자 설계	Chemistry42, REINVENT, MoLeR	후보 물질 설계
약물-표적 상호작용	DiffDock, GNINA, DeepDock	결합 시뮬레이션
의료 자연어 처리	BioBERT, PubMedBERT, GPT-4 Med	문헌 분석·가설 생성
임상 시험 최적화	TrialGPT, ConcertAI	환자 선별·프로토콜 설계

가장 큰 변화는 2024년 5월 발표된 알파폴드 3입니다. 알파폴드 2가 단백질 단독 구조를 예측했다면, 알파폴드 3은 단백질-DNA, 단백질-RNA, 단백질-약물 분자 결합까지 예측합니다. 즉 신약 개발에서 가장 중요한 “이 약물이 이 단백질에 어떻게 결합할 것인가”를 시뮬레이션 단계에서 거의 실험 수준의 정확도로 보여주는 거죠.

신약 개발 단계별 AI 활용

1단계: 표적 발굴 (Target Discovery)

가장 큰 변화가 일어난 단계입니다. 전통적으로 표적 단백질을 찾는 데 35년이 걸렸어요. AI는 유전체·전사체·단백체·환자 의료 기록을 통합 분석해 “이 질환에 관여할 가능성이 높은 단백질”을 우선순위로 제시합니다. 인실리코의 PandaOmics, 베네볼런트AI(BenevolentAI)의 지식 그래프 기반 플랫폼이 대표적이에요. 표적 발굴 기간이 612개월로 단축됐습니다.

2단계: 후보 물질 설계 (Hit Generation)

생성형 AI가 가장 빛나는 단계입니다. 기존에는 수십만수백만 개 화합물 라이브러리를 스크리닝해야 했는데, 이제 생성형 모델이 표적 단백질에 결합할 가능성이 높은 분자 구조를 처음부터 설계합니다. Chemistry42, REINVENT 같은 모델이 활용되고, 한 번에 수만 개 후보 분자를 생성한 뒤 AI 자체 필터로 1001000개로 압축합니다.

3단계: 전임상 최적화 (Lead Optimization)

AI는 후보 물질의 물성(용해도·안정성·독성)을 예측해 합성 전에 가장 유망한 분자를 선별합니다. 기존에는 합성 후 시험관·동물 실험으로 확인했어요. AI 예측으로 합성 횟수를 1/10로 줄이고, 동물 실험 단계도 보조 도구로 가속화됩니다.

4단계: 임상 시험 (Clinical Trials)

임상 단계에서 AI는 환자 선별 최적화, 프로토콜 설계, 디지털 바이오마커 활용, 실시간 데이터 분석 등에 사용돼요. 특히 희귀질환 임상에서 환자 모집이 어려운 문제를 AI가 전 세계 의료 데이터를 검색해 해결하기도 합니다. 바이오마커 기반 환자 선별도 임상 성공률을 끌어올리는 핵심 요소죠.

5단계: 시판 후 모니터링 (Post-Market Surveillance)

AI는 시판 후 부작용 데이터(FAERS, EudraVigilance)와 SNS·전자의무기록을 실시간 분석해 예상치 못한 부작용을 조기 탐지합니다. 약물 재포지셔닝(drug repurposing)도 AI가 강점을 보이는 영역으로, 기존 승인된 약물의 새로운 적응증을 찾아내는 데 활용됩니다.

대표 기업과 임상 사례

인실리코 메디슨 (Insilico Medicine)

홍콩·뉴욕에 본사를 둔 AI 신약 기업으로, 자사 Pharma.AI 플랫폼으로 표적 발굴부터 분자 설계까지 일관 처리합니다. INS018_055(IPF), INS018_018(COVID-19 후유증) 등 30여 개 파이프라인을 보유했고, 2024년 6월 IPF 후보 물질이 임상 2a상에 진입했죠. AI 신약 분야에서 임상 단계로 가장 빠르게 진입한 회사 중 하나입니다.

아이소모픽 랩스 (Isomorphic Labs)

알파벳(Google 모회사) 산하 신약 개발 자회사로 2021년 설립됐어요. 알파폴드를 만든 딥마인드의 자매 회사답게 알파폴드 3을 활용한 신약 개발에 특화돼 있습니다. 2024년 일라이 릴리·노바티스와 각각 17억 달러, 12억 달러 규모의 협력 계약을 체결하며 빅파마와의 협업 모델을 본격 가동했죠.

리커전 파마슈티컬스 (Recursion Pharmaceuticals)

세포 이미징과 AI를 결합한 표현형 기반 신약 개발 회사입니다. 매주 220만 건의 세포 실험 데이터를 자동으로 생성하고 AI가 분석합니다. 2023년 엔비디아로부터 5,000만 달러 투자를 유치하며 AI 인프라를 대폭 확장했어요.

베네볼런트AI (BenevolentAI)

지식 그래프 기반 약물 재포지셔닝에 강점이 있는 영국 회사입니다. COVID-19 초기에 류마티스 관절염 치료제 바리시티닙(baricitinib)이 COVID-19 중증 환자에게 효과적일 수 있다고 AI로 예측했고, 실제로 후속 임상에서 효과가 입증되어 FDA 긴급 사용 승인을 받았습니다. AI 신약 개발의 첫 명확한 성과 사례로 인용됩니다.

국내 AI 신약 개발 생태계

한국도 AI 신약 개발 경쟁에 적극 참여하고 있습니다. 2026년 현재 국내 AI 신약 개발 기업은 약 60개 규모로 추산되며, 대표 주자로는 다음과 같은 회사들이 있어요. 보건복지부와 식약처는 2024년부터 AI 신약 개발 규제 샌드박스를 운영하며 임상 진입을 가속화하고 있습니다.

신테카바이오: 슈퍼컴퓨터 기반 약물-표적 시뮬레이션
디어젠: AI 기반 신약 후보 발굴 플랫폼, 글로벌 빅파마 협력
파로스아이바이오: 희귀암 표적 항암제 AI 개발, 임상 진입
온코크로스: AI 약물 재창출 플랫폼, 다수 임상 진입
스탠다임: AI 기반 표적 발굴·후보 물질 설계, 한미약품 협력

특히 디어젠의 BACE1 표적 알츠하이머 치료제 후보 물질, 파로스아이바이오의 PHI-101(급성골수성백혈병) 임상 1상이 주목받고 있어요. 국내 빅파마(한미약품·종근당·유한양행)도 자체 AI 플랫폼 구축과 함께 국내 AI 스타트업과의 협력을 늘리고 있습니다.

다만 글로벌 시장 대비 자본 규모가 작고, AI 모델 학습용 의료 데이터 확보가 까다롭다는 구조적 한계가 있어요. 보건의료 데이터 활용을 위한 법·제도 정비가 산업 성장의 변수입니다.

AI 신약 개발의 한계와 규제 과제

가장 큰 한계는 “임상 진입까지는 빨라졌지만 임상 성공률 자체가 극적으로 오른 증거는 아직 부족하다”는 점입니다. AI가 발굴한 후보 물질이 임상 2·3상에서 어느 정도 성공률을 보일지는 향후 5~10년에 걸쳐 누적 데이터로 검증되어야 해요. 현재까지의 사례만으로 “AI 신약은 더 잘 성공한다”고 단정하기는 이릅니다.

규제 측면에서도 과제가 많습니다. FDA는 2023년 “Artificial Intelligence in Drug Manufacturing” 지침 초안을 발표했고, 2025년에는 AI 모델의 검증·재현성·편향성에 대한 가이드라인을 추가했어요. EMA(유럽 의약품청)도 비슷한 접근입니다. 한국 식약처는 2024년 “AI 의료기기·신약 개발 가이드라인 2.0”을 발표하며 따라가고 있죠.

가장 까다로운 윤리 이슈는 “AI가 만든 분자의 지식재산권”과 “AI 모델 학습 데이터의 출처”입니다. 미국 특허청은 2024년 “AI가 단독으로 발명한 분자는 특허를 받을 수 없다”고 판결했어요. 인간 발명자와 AI의 공동 발명을 어떻게 인정할지가 신약 산업 IP 구조의 핵심 변수가 되고 있습니다.

마지막으로 데이터 편향 문제가 있습니다. AI 모델은 학습된 데이터의 편향을 그대로 반영합니다. 의료 데이터 대부분이 백인·서구인 중심이라, AI 발굴 약물이 동아시아인·아프리카인에게 동일한 효과를 보일지는 별도 검증이 필요해요. 이 부분이 글로벌 신약의 인종별 효능 격차를 줄이는 데 핵심 과제로 떠오르고 있습니다.

FAQ

AI 신약 개발로 약가가 내려갈 가능성이 있나요?

장기적으로는 가능성이 있지만 단기간(5~10년)에는 어려울 것으로 봅니다. AI는 개발 비용을 줄이지만, 신약 가격을 결정하는 핵심 요인은 개발 비용보다 임상 효과·시장 독점 기간·각국 약가 협상이에요. 다만 AI로 개발 비용이 절반 이하로 줄면 희귀질환·소아 적응증처럼 시장이 작아 외면됐던 영역에서 신약이 더 많이 나올 가능성은 큽니다.

일반 환자가 AI 신약 임상에 참여할 수 있나요?

가능합니다. AI 신약도 임상 시험 등록 절차는 일반 신약과 동일합니다. 한국에서는 식약처 임상시험 정보 사이트와 각 병원 임상시험 모집 공고에서 참여 기회를 확인할 수 있어요. 다만 임상 시험은 효능이 입증되지 않은 약을 사용하는 것이라 위험·이익을 충분히 이해한 뒤 결정해야 합니다.

알파폴드는 무료로 누구나 쓸 수 있나요?

알파폴드 2까지는 코드와 데이터베이스가 모두 공개돼 누구나 무료로 사용할 수 있습니다. 알파폴드 3는 2024년 5월 발표 시 학술용 무료 웹 서버 형태로 제공됐고, 상업용은 아이소모픽 랩스를 통한 라이선스 모델로 운영됩니다. 학생과 학술 연구자는 큰 제약 없이 활용할 수 있어요.

AI 신약 개발 회사 주식 투자는 안전한가요?

전형적인 고위험·고수익 영역입니다. 임상 결과에 따라 주가가 급변동하고, 다수 회사가 누적 적자 상태예요. 인실리코·아이소모픽 같은 선두 기업도 아직 시판 약물이 없습니다. 투자보다는 산업 트렌드를 이해하는 차원에서 접근하시고, 실제 투자는 분산·장기·여유 자금 원칙을 지키시는 것을 권합니다.

AI 신약이 사람이 개발한 신약보다 부작용이 적나요?

현재까지 명확한 비교 데이터는 없습니다. AI는 부작용 예측에 도움이 되지만, 실제 인체 반응은 임상에서만 확인됩니다. 다만 AI가 표적 외 결합(off-target binding)을 미리 예측해 부작용 가능성이 높은 후보를 사전 배제하기 때문에, 이론적으로는 부작용 프로파일이 더 깨끗한 후보가 선택될 가능성이 높아요. 검증은 향후 임상 누적 데이터로 이뤄질 것입니다.