항체 신약 · Ab-ARS®
항원–항체의 3D 결합을 예측하고 CDR 부위를 AI로 설계·최적화한다. 통상 2~3년 걸리던 과정을 약 2주로 줄인다.
신테카바이오 · AI 신약개발 공정
백자를 얻자면 흙을 물에 풀어 고운 앙금만 가라앉히는 수비(水飛)를 거쳐야 한다. 신약도 다르지 않다. 다만 여기서 거르는 것은 흙이 아니라 100억 개의 화합물이다.
전통적으로 IND 신청까지 평균 5~7년이 걸리던 길을, 자체 AI 플랫폼과 슈퍼컴퓨팅을 엮어 약 2년으로 줄인다는 것이 이 공정의 요지다. 후보물질 발굴 속도는 3~4배로 잡는다.
IND 신청까지
가상 스크리닝
선도물질 최적화
항체 설계
가마를 지피기 전에 갖추어야 할 것이 있다. 좋은 흙과 물, 불을 견디는 가마, 그리고 손에 익은 연장이다. 신테카바이오가 갖춘 연장은 네 벌의 AI 플랫폼과 한 채의 슈퍼컴퓨팅 센터다.
DeepMatcher®가 구조를 보고, Sm-ARS®가 합성신약을, Ab-ARS®가 항체를, NEO-ARS®가 암백신을 맡는다. 이것들이 돌아가는 자리가 AI 바이오 슈퍼컴 센터(ABS Center)이고, 밖으로 열린 창구가 STB-CLOUD다.
연장이 갖추어졌으니 이제 공정을 따라가면 된다. 여덟 단계, 물길처럼 위에서 아래로 흐른다.
모든 답사가 그러하듯 어디를 갈지 정하는 일이 먼저다. 유전체 빅데이터와 정밀의료 분석 도구로 미충족 의료 수요가 큰 질환 — 항암, 면역, 대사, 희귀질환 — 을 짚고, 그와 얽힌 단백질 타깃을 골라낸다.
AlphaFold가 풀어놓은 약 2억 개 단백질 구조와 유전체 정보를 겹쳐 질병–유전자–단백질의 상관을 추론하고, 상업성과 개발 가능성이 함께 높은 표적에 순위를 매긴다. 이 단계에서 이미 수십에서 수백 개 타깃을 동시에 검토하므로, 하나씩 더듬어 가던 시행착오가 크게 줄어든다.
Sm-ARS®의 핵심은 언어모델 기반 가상 스크리닝, 곧 LM-VS™다. 100억 개 규모의 화합물 라이브러리를 초고속으로 훑는다.
타깃 단백질 정보를 넣으면 단 2~3시간 만에 후보가 1만 개 수준으로 좁혀진다. 여기에 DeepMatcher®의 3D 구조 분석과 도킹, 물리화학적 필터링이 이어지면 유효물질(Hit) 후보 수백에서 수천 개가 남는다.
기존 방식이라면 수년에서 수십 년이 걸릴 탐색이다. 이 공정의 가장 날카로운 자리가 여기다.
체의 눈이 고와지는 것이 아니라, 체질하는 손이 빨라진 것이다.
DeepMatcher®는 수용체–리간드의 3D 결합 구조에 회전·병진·에너지 최소화(RTE), 분자동역학(MD) 시뮬레이션, 3D-CNN을 겹쳐 얹는다. 목적은 하나, 위양성(false positive)을 걷어내고 실제로 붙는 물질만 남기는 것이다.
1000개 후보에 대해 MD 기반 결합 에너지를 평가해 상위 200개 안팎의 고품질 Hit을 뽑아낸다. 이 모든 과정이 클라우드에서 원클릭으로 돌아간다.
실험실이 HTS를 시작하기 전에 이미 검증을 통과한 후보를 손에 쥔다는 점이 중요하다. 시간과 비용이 줄어드는 자리가 정확히 여기다.
확보한 Hit의 구조를 밑그림 삼아 3bmGPT 같은 생성형 AI와 DeepMatcher® 최적화 모듈이 수만 개의 유도체를 자동으로 설계한다.
손보는 방향은 넷이다. 효능, 선택성, 물성, 대사 안정성. 이 넷을 동시에 끌어올리면서 구조를 미세하게 조정해, 표적에는 강하게 붙되 다른 단백질에는 거의 붙지 않는 후보를 만들어낸다.
2~3년이 걸리던 최적화가 수주에서 수개월로 줄어든다.
약이 되는 조건은 잘 붙는 것이 아니라, 거기에만 붙는 것이다.
대사·독성 모델과 약물 도스 예측 모델을 걸어, 후보 물질의 흡수·분포·대사·배설(ADME) 특성과 독성 위험을 미리 살핀다.
CYP 효소 관련 독성 예측 등을 통해 임상에 들어가기 전 단계에서 실패 가능성이 큰 물질을 걸러내고, 안전성과 약효가 균형 잡힌 개발 후보를 확정한다.
임상 실패율을 낮추는 핵심 여과기가 바로 이 단계다. 앞의 공정이 “붙는가”를 물었다면, 여기서는 “몸이 견디는가”를 묻는다.
합성신약만이 아니다. 같은 플랫폼 위에서 항체와 백신까지 함께 다룬다. 여러 형태의 파이프라인을 한 자리에서 동시에 쌓아 올릴 수 있다는 뜻이다.
항원–항체의 3D 결합을 예측하고 CDR 부위를 AI로 설계·최적화한다. 통상 2~3년 걸리던 과정을 약 2주로 줄인다.
환자 특이적 신생항원을 3D 구조에 근거해 정밀하게 예측하고, 그 환자에게 맞는 백신 후보를 설계한다.
계산은 가설을 만들 뿐이고, 판정은 실험대가 한다. AI가 뽑아낸 후보를 CRO를 통해 in vitro·in vivo 실험으로 검증하고, 살아남은 물질을 자체 파이프라인이나 기술이전(Licensing-out) 자산으로 확보한다.
현재 수십 개 타깃에 대한 검증 자산을 보유하며, 이것이 글로벌 제약사와의 공동개발·수주 계약으로 이어진다.
가마 문을 열기 전까지는 아무도 그릇의 빛깔을 장담하지 못한다. 계산의 몫과 실험의 몫은 끝까지 나뉘어 있다.
유효물질에서 선도물질로, 전임상을 지나 임상 1상에서 3상까지. 이 긴 여정을 하나의 전주기 AI 플랫폼으로 묶어 관리한다.
환자 선별 마커 예측, 임상 데이터 통합, 희귀질환 원인 분석 같은 정밀의료 기능까지 얹혀 있다. 물질을 찾아내는 데서 그치지 않고 개발이 성공할 확률 자체를 끌어올리는 쪽으로 판을 넓힌 셈이다.
이 워크플로우는 결국 네 가지의 결합으로 구현된다. 어느 하나만으로는 서지 못하고, 넷이 함께여야 무게를 견딘다.
유전체 정보와 2억 개 단백질 구조. 판단의 근거가 되는 흙이다.
LM-VS™와 3bmGPT. 백억을 훑고 수만을 그려내는 속도의 원천이다.
도킹·RTE·MD. AI가 지어낸 것과 실제로 가능한 것을 갈라놓는 저울이다.
ABS Center와 STB-CLOUD. 앞의 셋을 실제로 돌려낼 수 있게 하는 불이다.
시간과 비용을 줄이고, 실패의 위험을 낮추며, 환자 한 사람에게 맞는 치료제까지 내다보는 것. 여덟 단계를 관통하는 값은 결국 그 하나로 모인다.