1상과 2상
사이

인공지능이 우리 삶의 많은 국면으로 폭발해 들어오고 있다. 현재의 많은 직업이 미래에 AI로 대체될 것이라고 예측된다. 2024년 제프리 힌턴과 존 J. 홉필드가 “인공 신경망으로 기계학습을 가능하게 한 기초적 발견과 발명”으로 노벨 물리학상을 받은 것은 놀랍지 않았다. 그러는 사이 AI는 신약의 발견과 개발도 혁명적으로 바꾸고 있다.

원서 제6장은 이렇게 시작한다. 그리고 아홉 면 뒤에 끝난다. 이 책에서 가장 짧은 장이다. 1장이 44면, 2장이 48면, 5장이 32면이었다.

그 짧음이 이 장을 읽는 첫 단서다. 원저자는 마지막 문단에서 그것을 스스로 밝힌다.

“결론적으로, 의약화학자로 훈련받은 사람으로서 나는 암 의학에서 AI의 응용을 겨우 겉만 긁을 수 있을 뿐이다. 더 자세한 것은 참고문헌을 보기 바란다.”

원서 §6.4 마지막 문장

이 문장은 겸양이 아니라 방법론의 선언으로 읽어야 한다. 1장부터 5장까지 이 책의 방법은 일관되게 사람의 이야기였다. 야마기와가 토끼 귀에 250일간 콜타르를 발랐고, 쾰러가 MRC 지하 배양실에서 아내를 껴안고 뛰었고, 재닛 롤리가 68명 정원의 여성 세 자리를 아홉 달 기다렸다. 6장에는 그런 이야기가 없다. 그 부재 자체가 이 장이 전하는 정보이며, 뒤에서 따로 다룰 만한 대목이다.

용어포개진 네 개의 원

원저자는 먼저 용어를 정리한다. 이 대목은 짧지만 정확하다.

원저자는 암 의학에서 AI의 응용을 대략 세 범주로 나눈다. 진단, 신약 발견, 신약 개발. 장의 구성이 그대로 그 셋이다.

암 의학은 자기공명영상(MRI), 흉부 X선, 컴퓨터단층촬영(CT, 저선량 CT 포함), 양전자방출단층촬영(PET) 같은 현대적 진단 장비의 혜택을 크게 받았다. 전문 영상의학과 의사들이 이 영상을 읽고 해석하도록 훈련받아 종양내과 의사의 진단을 돕는다.

그런데 원저자는 바로 여기에 두 개의 형용사를 붙인다. 없어서는 안 되지만, 비싸고 주관적일 수 있다.

AI는 더 이상 특수한 자원이 아니라 종양내과 의사가 손쉽게 쓸 수 있도록 널리 접근 가능하고 민주화된 도구가 되었으므로, 심층학습 알고리즘으로 의료 영상 데이터를 분석해 MRI나 CT에서 경험 많은 영상의학과 의사에 견줄 만한 정확도로 종양을 검출할 수 있다.

그리고 다음 세 문장이 이 장 전체에서 가장 값진 대목이다.

그러나 우리는 AI를 맹목적으로 신뢰할 수도 없다. 사람과 마찬가지로 AI도 위양성과 위음성을 모두 낼 수 있다. 핵심은 AI와 사람 양쪽의 오류를 정량화하는 것이다.

원서 §6.1

비교의 기준을 '사람보다 나은가'가 아니라 '양쪽의 오류를 각각 얼마로 아는가'로 옮겨 놓은 문장이다. 이 페이지의 모든 숫자를 점 추정이 아니라 구간으로 적은 이유도 여기에 있다. 이 장을 읽는 방법이 이 세 문장에 들어 있다.

6.1.1왜 영상의학이 먼저였나

문헌에는 AI를 이용한 암 진단에 관한 발표가 넘친다. 원저자는 폐암에 초점을 맞춘다. 폐암이 전 세계 암 관련 사망의 첫째 원인이며 연간 약 180만 명의 사망을 차지하기 때문이다. 어차피 많은 AI 방법은 암종 사이에서 서로 갈아 쓸 수 있다.

영상 기술을 증강하는 데 AI가 성공을 거둔 분야로 컴퓨터 보조 검출(CAD), 합성곱 신경망(CNN), 그리고 라디오믹스가 꼽힌다. 라디오믹스는 영상의 정량적 수학 분석이다. CAD 시스템은 전형적으로 독립형이며 질병의 검출 또는 진단이라는 단일 목표를 갖는다.

라디오믹스는 의료 영상에서 여러 특징을 추출해 채굴 가능한 정량 데이터로 번역하는 신흥 분야다. 그 데이터는 이어 AI 방법이든 통상의 통계 방법이든으로 통계 모형과 예측 분석을 만드는 데 쓸 수 있다.

그런데 이 절에서 가장 정확한 한 문장은 기술이 아니라 자료의 형식에 관한 것이다.

조직병리학과 달리 영상의학은 본래적으로 디지털인 영상을 만들어 내므로 디지털화 과정에 발목이 잡히지 않는다.

원서 §6.1

왜 AI가 영상의학에서 먼저 성과를 냈는지에 대한 답이 이것이다. 알고리즘이 우월했기 때문이 아니라 자료가 이미 기계가 읽을 수 있는 형태로 존재했기 때문이다. 1장 §1.4.2에서 퍼킨의 보라색 염료가 합성되고 나서야 세포 안의 염색체가 보였고, 2장에서 안트라사이클린의 붉은 형광이 연구를 가속했고, 3장에서 노웰의 수돗물이 염색체를 셀 수 있게 만들었다. 이 책에서 진전은 언제나 보는 방법이 바뀔 때 일어났다. 여기서는 그 방법이 디지털이다.

라디오믹스와 AI의 결합은 지금 폐암, 전립선암, 그리고 다른 암에서 자주 쓰인다.

6.1.2다섯 갈래의 입력

비소세포폐암(NSCLC) 환자가 전체 폐암의 80%를 차지한다. NSCLC에서는 EGFR, KRAS, TP53, c-Myc의 공동 돌연변이가 유전 바이오마커로 자주 쓰인다. 1장과 3장, 4장에 걸쳐 각각 등장한 그 네 유전자가 여기서 한 줄에 모인다.

최근에는 기계학습 알고리즘이 영상 데이터의 상세 분석에 점점 더 많이 활용되어 폐암의 검출과 분류를 돕는다. 그러는 사이 자연어처리(NLP)는 임상 기록과 환자 병력을 처리하고 해석하는 데 쓰여 왔다. 더불어 AI 도구는 조직병리 슬라이드에서 폐암 운전자 돌연변이를 예측하는 데도 쓰였다.

이 절에는 바이오마커에 관한 문단이 하나 끼어 있다. 머크의 PD-1 억제제 펨브롤리주맙(키트루다)이 295억 달러 매출로 2024년 최다 판매 약이었으며, 그 성공은 머크가 임상시험에, 특히 환자 선별 과정에 PD-L1 바이오마커를 도입한 초기 결정에 크게 힘입었다는 것이다. 4장 §4.2.4, 5장 §5.3.4에서 이미 두 번 나온 이야기이며 이 책에서 세 번째다. 바이오마커가 이 책의 통일된 주제 중 하나라는 것을 6장이 다시 확인해 준다.

신약 발견은 아마도 AI가 가장 큰 영향을 미칠 수 있는 곳이다. 표적 확인과 검증, 약물-표적 상호작용 예측, 개인화 의료, 약물 재창출, 약물 안전성 평가라는 다섯 지점에서다.

6.2.1표적 — 그러면 그 참사를 피할 수 있었을까

전통적 신약 발견은 길고 비싼 과정이다. 원서는 발견에 최대 12년, 이어 개발에 6년이 더 걸린다고 적는다. 표적 확인과 최적화 단계는 신약 발견·개발 전 과정에서 아마도 가장 결정적인 단계다.

그리고 원저자는 곧바로 두 개의 실패를 든다. 가까운 기억 속에 표적과 연관된 눈부신 실패가 몇 있었다.

• CETP 억제제 — 콜레스테릴 에스터 전달 단백질 억제제는 HDL 수치를 올리기 위한 것이었다. 그 일은 해냈다. 그리고 심혈관질환을 줄이는 일은 해내지 못했다.
• IDO 억제제 — 인돌아민 2,3-이산소화효소 억제제는 잠재적 암 면역치료로 기대되었으나 효능이 없음이 입증되었다.

이어지는 물음과 답이 이 장의 지적 정점이다.

만약 그 두 약물 표적을 정밀하게 살피는 데 AI가 동원되었더라면 그 참사를 피할 수 있었을까? 아마 아닐 것이다. 어떤 부작용은 수천 명의 환자를 등록하는 대규모 임상시험 없이는 드러나지 않았을 것이다.

원서 §6.2.1

AI를 다루는 장에서 저자가 스스로 이렇게 적은 것을 그냥 넘기기 어렵다. 두 실패는 모두 분자의 실패가 아니라 표적의 실패였다. 분자는 설계한 대로 작동했다. CETP 억제제는 HDL을 올렸고, 그 HDL이 심혈관 사건을 줄이지 못한 것이 문제였다. 가설이 틀린 것을 계산이 알아낼 수 있는가 하는 물음에 저자는 아니라고 답한다. 히어로의 그림에서 1상의 우위가 2상에서 사라지는 이유를 여기서 미리 읽을 수 있다.

그럼에도 원저자는 유보 뒤에 가능성을 남긴다. 기계학습과 심층학습 같은 AI 기술은 방대한 데이터셋의 효율적 분석을 가능하게 함으로써 표적 평가와 선택에 어느 정도 빛을 던질 수 있을지 모른다.

유전체, 프로테옴, 전사체, 후성유전체에 걸친 멀티오믹스 데이터의 가용성이 커지면서 새로운 생물학적 표적의 예측에 AI를 응용할 새 기회가 열렸고, 발암 과정에 대한 우리의 이해에도 기여하고 있다.

같은 맥락에서 고속 계산 기법이 대규모 데이터셋으로 결합 부위의 단백질-단백질 상호작용(PPI)을 예측함으로써 표적 확인을 개선했다. DrugnomeAI와 PandaOmics 같은 첨단 도구가 치료 표적 확인에 기여해 왔다. 더불어 비교유전체학과 네트워크 기반 방법이 세포 기능에 관한 데이터를 활용해 잠재적 치료 표적의 탐색을 더 정교하게 할 수 있다.

표적 확인은 오믹스 데이터셋을 포함한 빅데이터에서 이득을 얻는 것 외에도, 표현형과 발현 데이터에서도 이득을 볼 수 있다. 질병의 근간이 되는 생물학적 기전을 이해하고 새로운 단백질이나 유전자를 찾는 데 쓰이는 것이다. 표적 단백질의 3차원 구조를 예측함으로써 AI는 표적 확인과 검증을 가속할 수 있다. 그리고 그 지점이 다음 절이다.

6.2.2노드는 아미노산, 엣지는 근접

약물-표적 상호작용(DTI)은 신약 발견의 심장이다. 원저자는 이 절을 하나의 계보로 그린다.

1. 원시적 구조-활성 관계(SAR). 표적 단백질의 구조를 아는 이득 없이 '맹목적으로' DTI를 탐색했다. 1장부터 3장까지의 의약화학이 대체로 이 단계였다.
2. 결정학. 과학이 진전하면서 결정학이 표적 단백질의 단결정 구조를 제공해, 표적과 더 큰 상호작용을 갖는 약을 설계하는 능력을 강화했다.
3. 극저온 전자현미경(cryo-EM). 그 등장이 단백질 결정 구조의 목록을 지수적으로 확장했다. 그럼에도 고품질 단백질 결정을 얻는 일은 여전히 어렵고 비싸고 시간이 걸린다.

바로 그 지점에서 계산이 들어온다. 서포트 벡터 머신(SVM) 같은 기계학습 방법이, 상호작용하는 약물-표적 쌍과 그렇지 않은 쌍을 구분하는 초평면을 구성함으로써 DTI를 예측한 최초의 방법에 속했다. DeepDTA도 분자와 그 표적 사이의 결합 친화도를 예측한 최초의 심층학습 모형 중 하나였다.

오늘날 CNN, 그래프 신경망(GNN), 트랜스포머 구조 같은 신경망 기반 방법의 도움으로, AI는 DTI뿐 아니라 단백질 접힘, 결합 친화도, 결합 곡선, Ki, 심지어 IC50 값까지 예측하는 데 널리 활용되고 있다.

알파폴드가 무엇인지에 대한 한 문장

DTI를 예측하는 많은 AI 도구 중 알파폴드가 단백질 구조 예측에서 아마도 가장 영향력 있는 것이다. 그리고 원저자가 알파폴드를 정의하는 문장이 이 장에서 기술적으로 가장 밀도 높은 대목이다.

알파폴드는 단백질의 3차원 구조를 예측하는 그래프 기반 신경망이며, 아미노산을 노드로 잔기 사이의 근접을 엣지로 삼는 그래프 표현을 반복적으로 정련한다.

원서 §6.2.2

단백질을 그래프로 본다는 것. 노드는 아미노산이고 엣지는 잔기 사이의 근접이다. 5장이 근접(proximity)을 분자접착제와 PROTAC의 원리로 다루었다면, 여기서는 같은 개념이 표현(representation)의 단위가 된다. 무엇을 노드로 잡고 무엇을 엣지로 잡을지가 곧 모형이 무엇을 볼 수 있는지를 결정한다.

알파폴드가 실제로 쓰인 자리

원저자는 추상적 기대에 머물지 않고 네 개의 구체적 사례를 든다. 이 절에서 가장 실질적인 대목이다.

표를 세로로 읽으면 알파폴드의 실제 용도가 세 가지로 갈린다. 구조가 아예 없는 표적의 구조를 얻는 일, 이미 있는 구조의 빈 칸을 메우는 일, 그리고 얻은 구조 위에서 결합 가능한 자리 — 특히 시스테인 — 를 훑는 일. 첫째가 가장 널리 홍보되지만 실무에서는 둘째와 셋째가 더 자주 쓰인다는 것을 이 네 사례가 보여 준다.

2021년 알파폴드2의 도입이 단백질과 그 상호작용의 구조를 모형화하는 데 더 많은 열기를 불러왔다. 2024년 공개된 알파폴드3 모형은 확산 기반 구조로 상당히 갱신되어, 단백질·핵산·저분자·이온·변형 잔기를 포함하는 복합체의 결합 구조를 예측할 수 있다. 새 모형은 이전의 많은 특수 도구보다 상당히 개선된 정확도를 보이며, 단백질-리간드 상호작용에서는 다른 최신 도킹 도구에 비해 훨씬 큰 정확도를 보인다.

6.2.3개인화 — 아직 임상에 쓸 준비가 되지 않았다

정밀치료로도 알려진 개인화 의료는 개인의 유전, 환경, 생활습관, 그리고 다른 개인 데이터를 고려해 더 유효하고 표적화된 치료를 개발한다.

전립선암 환자의 경우 심층학습은 자기공명(MR) 기반 전립선암 재구성, MR 기반 검출과 층화, PET 및 안드로겐 차단요법(ADT) 데이터의 해석에 잠재적으로 쓰일 수 있다. 2장 §2.5.2에서 다룬 그 안드로겐 차단요법이다.

그런데 원저자는 여기서 두 번째 유보를 놓는다. 그리고 이번에는 근거가 붙는다.

64편의 논문을 모아 본 결과, MRI에서 전립선암을 검출하는 심층학습 모형은 유망하기는 하나 아직 임상에 쓸 준비가 되지 않았다는 것이 확인되었다. 방법, 라벨, 평가 기준의 편차 때문이다. 모형이 대체로 이질성이 높은 작은 데이터셋으로 훈련되었기 때문이다.

원서 §6.2.3

실패의 원인으로 지목된 것이 알고리즘이 아니라 방법·라벨·평가 기준의 편차라는 점이 정확하다. 같은 문제를 서로 다르게 정의하고, 정답을 서로 다르게 붙이고, 성능을 서로 다른 잣대로 재면, 64편이 모여도 하나의 결론이 되지 않는다. 그리고 그 근원은 이질성이 높은 작은 데이터셋이다.

유방암에서는 AI가 진단과 개인화 의료에 활용되었다. 유방 영상과 조영증강 유방촬영(CEM) 선별의 CAD가 디지털화되어 AI 기반 유방암 검출에 쓸 수 있게 되었다. MRI와 초음파를 이용한 보조적 유방암 선별에서도 마찬가지다. §6.1에서 검토한 진단 외에도, AI는 유방암의 병기 결정과 예측·예후 인자 생성을 돕는 데도 응용되었다.

6.2.4재창출 — 우연을 탐색으로 바꾸는 일

약물 재창출은 승인된 약에 대해 원래 치료 용도를 넘어서는 의학적 적응증에서 새로운 치료 목적을 찾아내는 전략이다. 재배치, 재프로파일링, 재지정, 재발견이라고도 불린다.

원저자가 드는 예가 셋이다. 셋 모두 방향이 극적으로 뒤집혔다.

• 실데나필(비아그라) — 5형 포스포디에스터레이스 억제제로 처음에는 고혈압 치료제로 개발되었으나 발기부전을 완화하는 약으로 재창출되었다. 아마도 가장 잘 알려진 예다.
• 아지도티미딘(AZT) — 처음에는 항암제로 만들어졌으나 HIV/에이즈의 최초 유효 치료제 중 하나로 재창출되었다.
• 탈리도마이드 — 아마도 가장 악명 높은 약. 임신부의 입덧을 치료하기 위해 팔렸다. 그런데 셀진이 다발골수종과 한센병 같은 특정 염증 상태의 치료제로 재창출했으며, IKZF1과 IKZF3을 분해하는 분자접착제로 작동한다.

마지막 항목에서 6장이 5장을 보완한다. 5장 §5.1.3은 탈리도마이드가 '두 개의 아연 손가락 전사인자'를 분해한다고만 적었다. 6장이 그 둘의 이름을 댄다. 두 장을 함께 읽어야 문장이 완성되는 자리다.

그리고 이 절의 핵심 문장이 나온다.

전통적인 약물 재창출은 거의 전적으로 우연을 통해 이루어졌다.

원서 §6.2.4

이 한 줄이 앞의 다섯 장 전체를 소급해서 요약한다. 2장의 미토마이신 C가 녹내장에서 쓰임을 찾은 것, 사이클로포스파미드와 메토트렉세이트가 이상성 약물이 된 것, 3장의 다사티닙이 T세포 억제제에서 CML 치료제로 돌려세워진 것과 PD-0325901이 다발골수종 실패 뒤 신경섬유종증으로 되살아난 것, 4장의 BCG가 결핵 백신에서 방광암 백신이 된 것, 5장의 인디설람이 선반에서 내려온 것. 모두 우연이었다. AI가 하겠다는 것은 그 우연을 탐색으로 바꾸는 일이다. 흩어진 것을 부록 2에 모아 두었다.

빅데이터, 멀티오믹스, 실세계 데이터의 등장과 함께 AI와 ML이 암 신약 발견의 거의 모든 국면에 영향을 미치며 암 약물 재창출을 혁명적으로 바꾸고 있다. 재창출을 위한 지도 ML·AI 알고리즘은 세 범주로 배치될 수 있다. DTI를 위한 알고리즘, 분자 도킹과 분자동역학 시뮬레이션을 위한 알고리즘, 그리고 세포·조직 기반 약물 반응 예측을 위한 알고리즘이다.

구체적 예로 원저자는 아라키돈산 연쇄를 든다. 신약 발견의 전형적 경로다. 유명하게도 아스피린은 이 연쇄에 관여하는 사이클로옥시게네이스의 비가역적 공유결합 억제제다. 아스피린은 처음에 진통제로 발명되었으나 훗날 혈액 희석제로 재창출되었다. 2장 부록 1의 이상성 약물 표에 나온 그 아스피린이다. AI 도구를 이용해, 항혈소판제가 암 예방으로 잠재적으로 재창출될 수 있음이 발견되었다. 특히 5-리폭시게네이스의 새롭게 드러나는 비정통적 기능성이 백혈병 치료의 잠재적 표적이 될 수 있다.

6.2.5안전성 — 데이터를 더 넣어도 나아지지 않았다

약 하나를 시장에 내놓는 데는 십여 개가 넘는 분야가 관여한다. 그런데 FDA가 신약허가신청 서류를 볼 때 그들이 레이저처럼 집중하는 속성은 둘이다. 효능과 안전성. 물론 화학·제조·품질관리(CMC)가 제약사 임원들에게 위궤양을 안기는 일이 흔하지만, 관심의 대부분은 효능과 안전성이 받는다. 4장 §4.4에서 생물학적 제제의 CMC가 매우 복잡하고 통제하기 어렵다고 한 대목과 나란히 읽을 만하다.

약물 안전성 문제 가운데 간독성이 가장 자주 마주치는 이상반응 중 하나다. 2장과 3장에서 나이트로기와 티오히단토인과 히드록사메이트를 두고 반복해서 나온 그 문제다. 약물 유발 간손상(DILI)에 관한 사례 연구에서, 규제과학의 안전성 평가에 대한 AI의 적응성이 검토되었다.

DeepDILI는 사람에서 DILI를 예측하는 심층학습 기반 모형으로, 초기 훈련 집합에 데이터셋을 더 편입해 새 데이터에 적응했다. 그리고 그 결과가 흥미롭다.

두 번째 항목이 값지다. 데이터를 더 넣는 것이 성능을 유의하게 개선하지 않았다는 음성 결과다. AI 논의에서 통상 전제되는 더 많은 데이터가 더 좋은 모형을 만든다는 가정이 적어도 이 사례에서는 성립하지 않았고, 대신 무엇으로 평가하는가가 결과를 지배했다. §6.2.3에서 64편의 전립선암 논문이 평가 기준의 편차 때문에 하나의 결론이 되지 못한 것과 같은 방향을 가리킨다.

발암성 예측을 위한 ML 접근에서도 유의한 진전이 이루어졌다. 발암성 예측을 위한 AI 응용의 발표 수가 지난 10년간 꾸준히 늘었다. In silico 접근은 다수의 고차 약물-약물 및 약물-질병 이상반응을 평가하는 데도 적용되었다.

AI는 이미 신약의 임상 개발에 쓰여 왔다. 원저자는 그 개입 지점을 임상시험을 기준으로 세 시점으로 나눈다.

1. 1상 이전 — 설계와 실행. 전자건강기록(EHR)과 다른 환자 데이터 원천을 분석함으로써 AI는 환자 선별과 모집 과정을 개선할 수 있다. 환자 모집에서 AI 플랫폼은 EHR과 유전 데이터베이스에서 환자 데이터를 채굴하고 모집을 자동화해 시간과 비용을 아끼고 임상을 앞당길 수 있다. 더불어 실세계 데이터(RWD)를 활용해 시험 설계를 최적화함으로써 신약을 시장에 내놓는 데 필요한 시간을 줄인다.
2. 임상 중 — 실시간 판독. AI 알고리즘이 생체 징후와 검사 결과를 분석해 치료 효능이나 부정적 효과를 시사할 수 있는 추세와 패턴을 찾아낼 수 있다. 이 시스템은 연구자가 실시간 통찰로 시험 결정을 내릴 수 있게 한다.
3. 시판 이후 — 4상. 암 진단과 치료를 위한 시판 후 조사(PMS, 4상 시험으로도 알려진다)에 AI를 통합하는 것이 안전성 감시와 치료 효능을 강화하는 데 유망한 결과를 보였다.

이 절은 짧고, 원서에서 가장 일반적인 서술로 이루어져 있다. 개별 약이나 사례의 이름이 하나도 나오지 않는다. §6.2가 알파폴드와 네 개의 구체적 사례를 든 것과 대조된다. 임상 개발에서 AI의 기여는 아직 사례로 특정할 만큼 축적되지 않았다는 뜻으로 읽는 것이 정직할 것이다.

다만 이 세 시점에는 §6.2에 없는 요소가 하나 있다. 환자 모집과 실세계 데이터, 곧 사람에 관한 기록이 자료의 원천이라는 점이다. §6.2가 분자와 단백질을 다뤘다면 §6.3은 기록과 사람을 다룬다. 그리고 그것이 이 장에서 가장 규제와 맞닿는 지점이다. 5장 §5.3.4에서 일라이릴리가 중국에서만 수행한 임상으로 항PD-1 약을 들여오려 했을 때 FDA가 더 다양한 환자 집단을 요구했던 것이 그 예다. 자료의 대표성 문제는 알고리즘으로 풀리지 않는다.

신약 발견에서 AI에 관해 우리는 오늘 어디에 있는가. 원저자는 이 물음으로 맺음을 열고 숫자로 답한다.

그리고 원저자는 세 번째 유보를 붙인다. 이 장에서 가장 신랄한 문단이다.

그럼에도 악마는 세부에 있다. 일화적인 분자 구조 몇 개를 대충 훑어보면 AI가 발견한 분자 일부가 '미투' 약인 것처럼 보인다. 통상의 의약화학이 그 AI 주도 '미투' 약들과 비슷한 구조를 더 싸게 내놓을 수 있었을까? 시간이 말해 줄 것이다.

원서 §6.4

3장 §3.3.4에서 원저자는 “'미투' 약은 반드시 더러운 말이 아니다. 환자에게 가치를 가져다준다면 회사에도 가치를 가져다줄 것이다”라고 적었다. 같은 사람이 여기서는 '미투'를 비용의 물음으로 되돌린다. 가치가 아니라 값이 문제라는 것이다. AI로 미투 약을 만드는 데 드는 비용이 통상의 의약화학으로 같은 것을 만드는 비용보다 크다면, 그 성공률의 우위는 회계상으로 상쇄될 수 있다.

아홉 면의 장에서 원저자는 다섯 번 걸음을 멈춘다. 흩어져 있는 그 유보들을 한자리에 모으면, 이 장이 실제로 무엇을 주장하고 무엇을 주장하지 않는지가 분명해진다. AI를 다루는 글에서 이만한 절제를 보기가 흔하지 않다.

다섯 유보를 세로로 읽으면 하나의 방향이 보인다. 이 장은 AI의 능력을 의심하지 않는다. AI에 관한 주장의 형식을 의심한다. 오류를 한쪽만 재는 것, 사례 수로 성숙도를 대신하는 것, 데이터 양을 성능의 보증으로 여기는 것, 성공률만 보고 비용을 빼놓는 것. 다섯 유보가 모두 측정과 회계에 관한 것이다.

여섯 번째 유보를 하나 더 얹을 수 있다면 그것은 이 장 자체의 성격일 것이다. 원저자는 26편의 문헌 대부분을 2024~2025년의 리뷰 논문에 의존한다. 1차 연구가 아니라 2차 문헌 위에 서 있다는 것을 그는 마지막 문장에서 스스로 밝혔다. 이 장을 인용할 때 확인해야 할 것도 그 지점이다.

§6.2.4의 한 문장 — “전통적인 약물 재창출은 거의 전적으로 우연을 통해 이루어졌다” — 이 앞의 다섯 장을 소급해서 요약한다. 이 책에 흩어진 재창출 사례를 모아 놓고 보면, AI가 하겠다는 일이 무엇인지가 구체적으로 드러난다. 우연이 하던 일을 탐색으로 대신하는 것이다.

표를 오른쪽 열로 읽으면 계기가 다섯 가지로 갈린다. 순전한 우연, 오래 쓰인 약에 축적된 데이터, 실패한 약을 다른 병에 가져간 사람, 기전이 나중에 밝혀져 재해석된 경우, 그리고 계산으로 예측한 경우. 마지막 하나만이 AI의 몫이며, 이 표에서 그 항목은 아직 하나다.

재창출에 AI를 쓰기 위한 알고리즘을 원저자는 세 범주로 나눈다. DTI 알고리즘, 분자 도킹과 분자동역학 시뮬레이션 알고리즘, 세포·조직 기반 약물 반응 예측 알고리즘. 표의 왼쪽 열을 다시 보면 이 세 범주가 겨눌 수 있는 것과 겨눌 수 없는 것이 갈린다. 기전에서 오는 재창출은 계산으로 찾을 여지가 있고, BCG처럼 한 세기의 임상 데이터에서 나오는 재창출은 다른 종류의 자료를 요구한다. 원저자가 §6.3에서 실세계 데이터와 전자건강기록을 언급한 것이 그 자리다.

이 문서는 인명·연도·수치를 원서 표기에 따랐다. 다만 원서 안에서 어긋나거나 오기로 보이는 대목이 몇 군데 있다. 임의로 고치지 않고 그대로 옮긴 뒤 여기에 표시해 둔다.