Cytiva의 Paul Belcher는 AI가 신약 발굴의 히트 탐색을 물리적 스크리닝에서 예측 설계로 바꾸고 있지만, 결합 동역학과 개발 가능성은 아직 예측하지 못해 모든 후보를 실험실에서 검증해야 한다고 말한다. 신약 개발비는 1950년대 이후 9년마다 두 배로 늘어(이룸의 법칙) 현재 출시까지 10~15년, 10억~25억 달러가 들고 실패율은 90%를 넘는다. 더 큰 병목은 데이터다. 공개 데이터셋은 AI를 염두에 두고 만들어지지 않았고 성공 사례만 실리는 출판 편향 탓에 실패 데이터가 없으며, Elisabeth Bik의 조사에서는 생의학 논문 약 4%가 중복·조작 이미지를 포함했다. Belcher는 예측·실험·최적화를 순환시키는 자율 실험실과 FAIR 데이터 인프라를 해법으로 제시하며, AI 설계 신약의 FDA 승인이 2~3년 내 나올 것으로 본다.
- •신약 개발비는 9년마다 두 배로 증가하는 Eroom's Law 아래 있고, 현재 10~15년·10억~25억 달러·실패율 90% 이상이다.
- •AI는 후보 물질을 설계·예측해 저품질 후보를 조기 제거하지만 동역학·개발 가능성 예측은 못해 습식 실험 검증이 여전히 필수다.
- •공개 데이터셋 의존으로 모델들이 비슷한 결론에 도달하는 '데이터 벽'에 부딪혔고, 실패 데이터 부재가 편향을 키운다.
- •Elisabeth Bik 조사에서 생의학 논문 약 4%가 조작·중복 이미지를 포함했으며, Cytiva는 해시 기반 Image Integrity Checker로 대응한다.
- •24시간 예측-검증-최적화를 순환하는 자율 실험실(lab-in-the-loop)과 기기 간 상호운용 FAIR 데이터가 다음 단계로 제시됐다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Closing the data loop in AI-driven drug discovery
- 1.신약 개발비가 9년마다 2배(Eroom의 법칙)으로 늘자 제약사들이 AI 설계 기반 후보 발굴로 전환
- 2.AI가 히트 후보를 늘리면서 검증·정제 단계 랩 부하 증가, 고처리량 검증 장비 수요 확대
- 3.공개 데이터셋 의존으로 '데이터 장벽' 도달, 실패 실험 데이터 부재가 모델 편향의 원인
- 4.AI 기반 이미지 조작 위험 대응으로 Cytiva는 해시 기반 Image Integrity Checker 제시
왜 중요한가?
AI 신약 발굴의 병목이 모델이 아니라 데이터 품질·부정 데이터(실패 실험) 부재·랩 시스템 통합에 있다는 실무 관점을 제시한다. AI 설계 약물의 FDA 최종 승인은 아직 없으며 2~3년 내 첫 사례를 전망한다는 점도 시장 기대치 조정에 유용하다. Cytiva 스폰서 콘텐츠임은 감안 필요.
언급 프로젝트
본문 미리보기
Drug discovery is a high-cost, high-risk endeavor that is under growing pressure from a market increasingly defined by first-mover advantage. Since the 1950s, the cost of developing new pharmaceuticals has roughly doubled every nine years—a phenomenon known as Eroom’s Law. Today, bringing a new drug to market takes an average of 10-15 years and costs…
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:02AI 초안
