항체를 설계하는 AI,
믿음을 검증하는 과학자

2026년 10월 4일 기준으로 최신 공개분을 다시 확인했다. 이전에 추적한 연구와 중복되지 않으면서 이번에 추가 알림 가치가 있다고 판단되는 신규 연구·기관 발표는 1건이다. 논문 프리프린트라기보다 실제 신약 파이프라인과 wet-lab 결과를 공개한 산업 연구성과이며, 사용자가 추적하는 축 가운데 멀티에이전트 AI Co-Scientist + 생성형 biologics foundation layer + 실험 자동화 + closed-loop learning에 직접 연결된다.

Xaira Therapeutics — De Novo Design of Progressable Antibodies to Therapeutic Targets

공개일: 2026년 10월 2일 · Xaira Design Team. Xaira가 공개한 이번 결과의 핵심은 단순히 “AI가 antibody binder를 만들었다”는 것이 아니라, 치료제로 실제 개발 가능한(progressable) antibody를 첫 설계 단계에서 만들고 실제 wet-lab assay로 검증했다는 것이다. X-Design의 Vega 모델은 affinity만 높이는 것이 아니라 human-likeness, selectivity, surrogate-species cross-reactivity, developability 등을 동시에 고려하도록 설계됐으며, 회사는 두 실제 내부 신약 프로그램 XA-1과 XA-4에서 이를 시험했다. Xaira

XA-1에서는 특정 therapeutic epitope를 대상으로 182개의 VHH를 zero-shot으로 설계했고, SPR와 여러 developability assay를 거친 뒤 18개의 confirmed binder를 확보했다. 최고 후보는 human target에 KD 17 nM, surrogate에 83 nM을 보였고, 회사 보고 기준 DNA synthesis에서 preclinical lead까지 7주가 걸렸다. 특히 첫 wet-lab round에서 이미 human-like·developable binder를 얻고, 한 차례 추가 최적화로 surrogate cross-reactivity를 개선했다는 점이 중요한다. Xaira

더 흥미로운 것은 XA-4이다. 이 표적은 구조·functional epitope가 불명확하고 post-translational modification과 구조적 유연성이 큰 GPCR이며, Xaira에 따르면 기존 VHH library screening과 llama immunization에서도 기능성 binder 확보에 실패했다. X-Design은 여러 candidate epitope와 conformation을 동시에 고려하여 약 60,000개의 VHH library를 설계했고, 최종적으로 확인한 후보 가운데 7개가 세포 기반 binding을 보였으며 6개가 functional inhibition을 나타냈다. 최고 후보는 β-arrestin assay에서 96% 이상 inhibition, IC50 183 nM, human antigen-positive cell에 EC50 32 nM을 보였고 mouse와 cynomolgus homolog에도 cross-reactivity를 나타내 lead optimization으로 진입했다. Xaira

이 결과가 이번 추적에서 특히 중요한 이유는 X-Design이 Xaira의 더 큰 X-Suite Co-Scientist architecture 안에 위치하기 때문이다. 현재 공개된 구조에서 X-Cell은 perturbation data를 이용해 disease pathway와 target을 탐색하고, X-Patient는 이를 환자 수준의 molecular/cellular/tissue variation으로 연결한다. 그 위의 **X-Scientist는 X-Cell·X-Design·X-Patient를 호출하는 multi-agent “virtual drug hunter”**이고, X-Automate는 high-throughput automation과 physical-AI robotics로 실험을 실행하고 그 결과를 다시 모델 학습 데이터로 되돌리는 physical execution layer이다. 즉 공개 구조만 놓고 보면 disease biology → target → therapeutic design → patient stratification → multi-agent orchestration → wet-lab automation → model update라는 상당히 완결된 폐루프를 지향한다. Xaira

기존 연구 대비 신규성은 앞서 알려드린 T-REX, Virtual Biotech, XtalPi 사례와의 차이에서 분명해집니다. T-REX가 여러 protein-design model을 선택·배분하는 campaign controller에 가까웠고, Virtual Biotech가 여러 biomedical evidence를 결합하여 drug-development 의사결정을 지원했다면, Xaira는 이를 실제 therapeutic-design model과 wet-lab execution까지 하나의 회사 내부 stack으로 연결한다. XtalPi의 KQTD-126이 small-molecule medicinal chemistry closed loop의 산업적 성숙을 보여줬다면, 이번 Xaira 결과는 antibody/protein therapeutic에서 AI-first design이 실제 preclinical lead와 난표적 GPCR binder로 연결될 수 있음을 보여주는 보완적 사례이다. 다만 Xaira의 공개자료는 peer-reviewed systematic benchmark가 아니라 회사 자체 연구발표이며, Vega의 전체 dataset·architecture·독립 재현평가가 아직 공개되지 않았다는 점은 구분해야 한다. Xaira

신약개발 단계에서는 Target Discovery → Epitope Selection → De Novo Biologics Hit Generation → Hit-to-Lead → Developability Optimization → Preclinical Candidate Selection에 직접적인 의미가 있다. 특히 “binding affinity가 높은 단백질”을 생성하는 기존 benchmark에서 벗어나 potency·selectivity·cross-species activity·humanness·aggregation/developability를 동시에 만족시키는 therapeutic-quality object를 설계하는 방향으로 평가 단위가 이동하고 있다는 점이 중요한다. 이는 향후 AI Co-Scientist가 단일 objective를 최적화하는 것이 아니라 다수의 과학적·개발적 제약을 동시에 관리해야 한다는 것을 실제 개발 사례가 보여준 것이다. Xaira

Neuro-Symbolic 관점에서는 아직 결정적인 공백도 있다. 공개된 X-Suite에는 KG/HRKG를 명시적인 scientific belief state로 사용한다는 증거, formal logic/description logic, SCM, 사전 정의된 falsification criterion, formal belief-revision operator가 없다. 따라서 현재 Xaira의 강점은 Neural FM + Multi-Agent Orchestration + Physical Experimentation이고, 사용자가 추적하는 Symbolic Epistemic Layer는 아직 외부에서 확인되지 않는다. 가장 유망한 후속 연구는 X-Scientist가 생성하는 판단을 곧바로 자유형 자연어로 실행하지 않고, 예를 들어 (Candidate, satisfies, TherapeuticConstraint | target, epitope, species, assay, predicted, observed, uncertainty, provenance)와 (Hypothesis, predicts, ExperimentalOutcome | falsification_condition, evidence_state) 같은 Epistemic HRKG assertion으로 컴파일하는 것이다.

그 위에 symbolic constraint engine을 두어 potency, selectivity, cross-reactivity, developability, manufacturability를 명시적 hard/soft constraint로 관리하고, X-Automate의 실험결과가 예상과 어긋났을 때 어떤 설계가 실패했는지가 아니라 어떤 scientific belief가 틀렸는지를 수정하게 만들 수 있다. 그러면 구조는 X-Cell–type causal/perturbational biology → Epistemic HRKG → Multi-Agent X-Scientist → X-Design–type therapeutic generator → Formal Constraint Gate → X-Automate wet lab → Falsification → Belief Revision으로 발전한다. 이 통합은 현재 공개된 Xaira보다 한 단계 더 강한 Neuro-Symbolic AI Co-Scientist 연구주제가 될 수 있다.

Xaira — De Novo Design of Progressable Antibodies to Therapeutic Targets
Xaira X-Suite / X-Scientist / X-Automate 공식 플랫폼 설명