AI가 만든 약을, 다시 AI가 인간 임상 데이터로 읽기 시작했다

AI 신약개발의 출력이 다시 다음 AI 모델의 입력이 된다

이전 AI drug discovery의 대표 서사는 대체로 Target → Molecule → Preclinical → Clinical candidate였다. 이번 결과는 그 뒤에 clinical multi-omics → AI biomarker model → mechanism hypothesis를 붙인다. 즉 한번 생성된 약물이 임상에서 데이터를 만들고, 그 데이터가 다시 AI의 해석 대상이 된다.

새 Co-Scientist 자체가 등장한 것은 아니다

첨부 자료는 이번 최신 확인에서 새로운 과학특화 멀티모달 foundation model, Drug-Discovery Multi-Agent/Agentic RAG, prospective autonomous wet-lab Co-Scientist의 뚜렷한 신규 발표는 확인되지 않았다고 명시한다. 따라서 이번 글의 초점은 새로운 agent architecture가 아니라 임상 데이터까지 확장된 AI feedback의 시간축이다.

AI 표적 발굴과 AI 분자 설계의 임상 결과를 multi-model biomarker 분석으로 확장한다

Zhavoronkov et al.의 Integration of proteomic aging clocks in a phase 2a clinical trial supports simultaneous geroprotective assessment는 Nature Biotechnology에 2026년 9월 7일 발표되었다. 연구진은 생성형 AI를 이용해 발굴한 TNIK 표적과 AI 기반 generative chemistry로 설계한 rentosertib의 기존 IPF Phase 2a trial에서 확보한 혈청 proteomics를 재분석했다.

전체 임상시험은 71명을 무작위 배정했고, 이번 분석에는 longitudinal proteomics가 확보된 42명이 포함되었다. 연구는 ProtAge, OrganAge 계열, PAC, ipfP3GPT, PAOPAC을 포함한 6개의 독립적인 proteomic aging clock을 사용했다.

IPF 치료효과와 geroprotective effect를 분리해야 한다

논문 자체는 proteomic clock만으로 IPF 치료효과와 실제 aging-process modulation을 분리할 수 없다고 명시한다. 이는 이번 결과를 읽는 가장 중요한 제한이다. biological-age prediction이 낮아졌다고 해서 intervention이 인간의 노화과정을 직접 되돌렸다고 결론내릴 수 없다.

55,319명 trajectory와의 역상관은 흥미롭지만 간접 evidence이다

UK Biobank의 55,319명 proteomic trajectory와 비교했을 때 30 mg BID군의 변화가 정상 노화 방향과 역상관하는 결과가 있었다. 그러나 첨부 자료는 이를 여전히 간접적 computational evidence로 분류한다. 비-IPF 인구에서의 직접 검증이 필요하다.

첫 번째 단계는 AI가 발견한 표적과 분자가 실제 임상까지 도달한 것이다

첨부 자료는 2025년 Nature Medicine의 선행 Phase 2a 논문을 기준점으로 둔다. 당시 핵심은 AI로 발견한 TNIK와 AI로 설계한 rentosertib가 실제 임상 단계까지 도달해 안전성과 효능 신호를 평가했다는 점이었다.

동일 trial을 clinical endpoint에서 끝내지 않는다

이 두 번째 AI feedback layer가 이번 연구의 구조적 새로움이다. 선행 임상 결과와 결합하면 AI의 역할이 candidate generation을 넘어 human evidence interpretation과 새로운 therapeutic hypothesis 발굴까지 확장된다.

OMIX008341과 Python code가 biomarker-analysis를 외부 재분석 가능하게 한다

첨부 자료는 재현성도 중요한 차별점으로 든다. proteomics 데이터는 CNCB의 OMIX008341로 공개되었고, 여러 aging clock을 통합 실행하기 위한 Python 코드도 공개되었다. 즉 적어도 biomarker-analysis 부분은 외부 연구자가 재분석할 수 있는 형태이다.

Clinical Development, Translational Medicine, Biomarker Strategy가 다음 전장이다

이번 변화는 특히 Clinical Development / Translational Medicine / Biomarker Strategy에서 중요하다. 기존 흐름이 Target → Molecule → Preclinical → Clinical candidate에 집중했다면, 이번 연구는 여기에 다음을 추가한다.

AI Co-Scientist는 discovery 단계에서 끝나는 것이 아니라 임상시험을 장기적인 학습 데이터로 사용하고 다음 indication, dose, biomarker, mechanism experiment를 제안하는 longitudinal scientist로 확장될 수 있다.

같은 총 일일 용량도 schedule이 다르면 biological profile이 달라질 수 있다

첨부 자료는 같은 총 일일 용량이라도 30 mg BID와 60 mg QD가 서로 다른 proteomic·aging-clock profile을 보였다는 점을 강조한다. 이는 향후 Co-Scientist가 단순 efficacy maximization을 넘어 dose–schedule–mechanism을 jointly reason해야 함을 시사한다.

proteomics를 읽었지만 다음 trial을 스스로 설계하지는 않았다

AI가 proteomics 결과를 읽고 실제 다음 임상시험의 dose, patient subgroup, biomarker panel, mechanistic experiment를 자율적으로 선택한 것은 아니다. 따라서 이번 연구는 closed-loop AI Co-Scientist의 prospective demonstration이 아니다.

Multimodal clinical evidence에서 prospective action까지

이 구조가 완성될 때 비로소 임상 AI는 retrospective analytics를 넘어 human evidence를 읽고 다음 행동을 선택하며 결과에 따라 belief를 갱신하는 Co-Scientist에 가까워진다.

AI-designed intervention이 human evidence를 만들고, 그 evidence가 새로운 hypothesis를 만든다

첨부 자료는 2026년 9월 8일 현재 확인한 신규 자료에서 임상 multi-omics feedback을 Multi-Agent AI Co-Scientist가 자동으로 받아 가설 수정 → 다음 실험/임상 의사결정 → prospective validation까지 수행한 연구는 아직 확인되지 않았다고 명시한다. 바로 이 “AI-designed drug → human evidence → autonomous belief revision” 연결부가 가장 중요한 연구기회이다.

이번 업데이트를 일곱 문장으로 압축하면