Andreessen Horowitz의 바이오테크 투자 부문을 10년 넘게 이끌며 약 40억 달러를 운용하는 규모로 성장시킨 Vijay Pande는 지난해 6월 회사를 떠나 Zach Werner와 함께 더 작은 투자회사 VZVC를 설립했다. 새로운 조직은 매년 제한된 수의 집중 투자에 의존하며, 인공지능과 소프트웨어 에이전트를 활용해 전통적인 투자팀의 필요성을 줄인다.
그러나 투자 모델의 변화가 Pande의 비전에서 유일한 핵심은 아니다. 그는 인공지능이 생명과학을 점차 산발적인 발견과 운에 의존하는 분야에서 더욱 설계하고 공학적으로 구현할 수 있는 분야로 이끌고 있다고 본다. 여기에는 약물 표적 선정, 약물 설계, 임상시험 단계의 개선이 포함되며, 임상시험은 신약 개발에서 가장 비용이 많이 드는 부분 중 하나다.
발견에서 설계로
Pande에 따르면 머신러닝 기술은 기존 방법으로 분석하기 어려웠던 생물학적 복잡성을 컴퓨터가 다룰 수 있도록 했다. 지난 10년 동안 생물학과 화학 분야의 인공지능에서 병렬적인 발전이 축적됐다. 전자는 질병과 치료 방법을 이해하는 데, 후자는 특정 단백질을 표적으로 삼는 화합물을 만드는 데 초점을 둔다.
이러한 발전이 신약 개발을 저렴하거나 확실하게 만들었다는 뜻은 아니다. Pande는 임상시험에 도달하는 데 필요한 시간과 비용이 줄어들기 시작했지만, 시험을 수행하는 데 여전히 수억 달러가 들 수 있다고 말한다. 또한 약물이 1상 시험에서 3상 시험 종료까지 성공적으로 이동할 확률은 약 20%라고 언급한다. 이는 약 10개 약물 중 8개가 실패한다는 뜻이며, 성공한 약물 하나당 산정되는 비용을 높인다.
Pande는 합성 데이터를 사용하면 임상시험 비용이 널리 언급되는 만큼 실제로 낮아졌다는 주장에 의문을 제기한다. 그는 이를 실현된 현실이라기보다 야심에 가깝다고 표현한다. 또한 약물 실패의 상당 부분을 생쥐와 같은 동물 모델이 인간에게 일어날 일을 예측하는 능력이 부족한 데서 찾는다. 그의 관점에서 인공지능 모델은 완벽하지 않겠지만, 일부 경우에는 동물 모델의 예측 능력을 넘어설 수 있다.
정밀 의학에는 개인에 대한 데이터가 필요하다
이 구상은 약물 발견을 넘어 각 환자에게 가장 적합한 치료법을 선택하는 단계로 확장된다. Pande는 의료 관행이 환자의 검사 결과를 인구 집단의 평균과 비교하는 데 크게 의존하지만, 더 중요한 질문은 그 결과가 바로 그 사람에게 얼마나 이례적인지일 수 있다고 설명한다.
그는 게놈만으로는 충분하지 않다고 본다. 게놈은 집을 지을 때의 설계도와 비슷하지만, 몇 년 후 그 집의 상태를 반드시 설명해 주지는 않는다. 따라서 프로테오믹스와 같은 다른 측정은 현재 신체 상태를 이해하는 데 중요해진다. 또한 자동화와 로봇 측정은 인공지능 모델과 연결할 수 있는 새로운 데이터를 대량으로 제공한다.
폐쇄적인 데이터의 문제
생명과학은 인터넷에서 이용 가능한 텍스트와 근본적으로 다르다. 기업은 생물학적 데이터를 단순히 웹에서 수집해 그 데이터로 모델을 학습시킬 수 없다. 그 결과 각 기업은 자체 데이터 세트를 구축하는 경향이 있으며, 이는 공동 모델을 학습하거나 한 모델에서 다른 모델로 지식을 쉽게 이전할 가능성을 제한한다.
Pande는 대개 기초 모델의 형태로 광범위한 생물학 정보 아틀라스를 개발하면 이러한 흐름을 바꿀 수 있다고 믿는다. 그는 오픈소스 생물학 모델이 상용 모델과 경쟁하는 과정에서 오픈소스 대규모 언어 모델이 했던 것과 비슷한 역할을 할 것으로 예상한다. 그러나 이 주장은 기업과 연구자들이 상업적·과학적 가치가 있는 데이터를 공유할 의지가 있는지에 달려 있다.
실제로 무엇이 변하는가?
VZVC는 Pande가 언급한 두 가지 주요 분야에 집중한다. 의료 제공을 위한 인공지능과 임상시험을 위한 인공지능이다. 그는 펀드가 30건이 아니라 연간 약 5건의 투자를 계획하고 있으며, 선정된 기업에 자신과 Werner가 직접 참여할 것이라고 말한다. 또한 뜨거운 투자 라운드에서 단기적으로 승리하려는 사람이 아니라 진실성을 갖추고 장기적인 관계를 고민하는 창업자를 찾는다.
Pande의 발언에서 가장 중요한 해석은 의료 인공지능의 주요 장애물이 알고리즘만은 아니라는 점이다. 모델이 개선되더라도 데이터의 품질과 이용 가능성, 공유 가능성은 여전히 결정적인 요소로 남는다. 또한 실험실에서 기술이 성공했다고 해서 상업적 성공이 보장되는 것은 아니다. Pande는 시장에 도달하는 일이 기술 자체를 구축하는 것보다 어려울 수 있다고 인정한다.
따라서 이 발언은 낙관적이지만 조건부인 전망을 제시한다. 인공지능은 약물 표적 선정과 설계, 치료 방향 설정을 개선할 수 있지만, 존재하지 않는 생물학적 데이터를 만들어 내거나 임상시험의 위험을 없앨 수는 없다. 데이터 공유, 인간 대상 모델 검증, 과학적 결과를 실제 적용 가능한 제품으로 전환하는 문제에 관한 미해결 질문은 ‘발견’에서 ‘공학’으로의 전환이 광범위한 실질적 변화가 될지 결정하는 요인으로 남아 있다.