By Daphne Koller (a16z / insitro) · 2026년 8월 3일 발행 원문: https://www.a16z.news/p/drug-discovery-has-no-magic-wands
⚠️ 저작권 보호 원문(a16z 뉴스레터)의 전문 번역 대신, 핵심 논지를 재구성한 요약 노트입니다. 원문 인용은 최소한의 짧은 구절만 포함했습니다.
저자의 핵심 주장
Koller는 "AI가 초지능 수준에 도달하면 암을 비롯한 거의 모든 질병을 풀어줄 것"이라는 테크 업계의 통념에 정면으로 반박한다. 인체가 측정·조작 가능한 시스템이라는 점은 맞지만, 그 논리가 성립하려면 "우리가 이미 인간 생물학을 충분히 이해하고 있어야" 하는데 현실은 그렇지 않다는 것이다. Koller 본인은 AI-생물학 교차 영역에서 거의 30년, 신약 개발에는 최근 10년을 집중해온 인물이며, AI가 헬스케어를 바꿀 것이라는 믿음 자체는 분명히 밝힌다. 다만 지금 이해 수준으로는 AI가 "성공보다 실패를 더 빨리 양산하는" 도구에 머무를 수 있다고 경고한다.
신약 개발의 3단계와 진짜 병목
신약 개발은 ① 질병→메커니즘(개입 지점 규명), ② 메커니즘→약물(분자 설계), ③ 약물→환자(임상시험) 세 단계로 구성된다. AlphaFold 이후 업계의 AI 투자는 압도적으로 2단계에 쏠렸고, 그 결과 신약 후보 분자를 만들어내는 속도는 크게 빨라졌다.
하지만 Koller가 강조하는 진짜 병목은 "어떤 메커니즘을 겨냥할 것인가"다. 임상시험에 들어간 약물의 90% 이상이 실패하는데, 대부분은 분자 설계가 아니라 애초에 표적으로 삼은 메커니즘 자체가 틀렸기 때문이다. "열쇠(분자)는 잘 만들지만 대개 잘못된 자물쇠(메커니즘)용"이라는 것. KRAS처럼 유명한 '접근 불가능 표적'을 정복한 사례도 AI가 아니라 수십 년의 구조생물학·의약화학, 그리고 항체·siRNA·유전자 편집 같은 새 치료 양식의 등장 덕분이었다. 현재 38개 표적에 50개 넘는 경쟁 프로그램이 몰리는 반면, 매년 새로 진전되는 신규 표적 수는 2015년 약 100개에서 2024년 30개로 급감했다는 통계도 제시한다.
데이터 부족이라는 근본 장벽
두 번째 통념은 "LLM이 방대한 논문을 종합하면 새로운 메커니즘 가설을 낼 수 있다"는 기대다. 하지만 이는 이미 정답이 데이터 안에 있다는 잘못된 전제에 기반한다. 인간 생물학은 진화의 산물이라 유전자·세포 유형·상태·맥락마다 제각각으로 행동하는 방대한 변이를 지니며, 이는 추상적 추론이 아니라 측정으로만 풀린다.
세포생물학 층위만 봐도 필요한 실험 공간은 방대하고, 약물을 '섭동(perturbation)'으로 매핑해야 하면 그 규모는 기하급수적으로 커진다. 현재 세포 아틀라스는 이 공간을 커버하기에 "자릿수가 여러 단위 부족"하다. 'Virtual Cell' 이니셔티브들이 대규모 섭동 데이터를 모으고 있지만 여전히 가능한 공간의 극히 일부, 좁은 세포주 범위만 다룬다. 더 결정적으로는, 이런 노력들이 '세포 메커니즘 → 인간 임상 결과' 연결이라는 후반부 방정식은 다루지 못한다 — 이는 살아있는 유기체 수준의 시스템적 측정을 요구해 확장성이 훨씬 떨어진다.
특히 뇌질환·인지질환처럼 인간 특이성이 높은 질병(설치류는 알츠하이머에, 비인간 영장류는 ALS에 걸리지 않는다는 예시)일수록 치료적 진전이 가장 더디며, 동시에 데이터 수집 비용과 윤리적 제약이 가장 크다는 역설을 지적한다.
AI 에이전트 실험실의 한계
세 번째 통념은 "AI 에이전트 무리가 실험실 자동화 루프를 자율적으로 돌며 과학적 난제를 공략한다"는 것이다. 하지만 이런 에이전트 기반 최적화는 "빠르고 정확하며 저렴한 채점 기준"이 있을 때만 작동한다는 조건이 붙는다. 코딩 어시스턴트가 빠르게 발전한 이유도 컴파일러라는 즉각적 피드백 루프 덕분이다. 반면 신약 개발의 진짜 벤치마크 — 환자에게 실제 치료 이득이 있는가 — 는 오직 수년·수백만 달러가 드는 인간 임상시험으로만 확인 가능하다. 화제가 된 에이전트 실험실 성공 사례들은 사실 코딩과 유사한 정량적·제한된 탐색 문제를 푼 것일 뿐, 환자 집단 약효 예측이라는 핵심 난제와는 거리가 있다는 게 저자의 평가다.
임상 단계 압축의 함정
네 번째 통념은 "AI로 임상시험 단계 자체를 압축한다"는 것인데, 저자는 "잘못된 메커니즘을 겨냥한 파이프라인을 가속하면 더 빠른 실패만 만들 뿐"이라고 못 박는다. 독성 예측 모델, 규제문서 자동화, 전자의무기록 기반 환자 식별 같은 AI 활용은 실질적 이점이 있지만 초기 작업 구간에 국한되며, 살아있는 환자에서의 생물학적 관찰 시간은 구조적으로 단축 불가능하다.
유일하게 임상 단계까지 실질적으로 가속할 수 있는 길은 깊은 메커니즘적 질병 이해를 통해 환자 선별·표적 확인·초기 신호 감지에 쓰일 새로운 임상 지표를 찾는 것 — "더 나은 임상시험은 결국 더 나은 생물학의 부산물"이라는 게 저자의 결론이다.
맺음말
Koller는 분자 설계·문헌 종합·실험실 자동화 같은 주변부 최적화가 나름의 가치는 있지만 업계의 근본 구조를 바꾸지는 못한다고 정리한다. AI가 헬스케어를 진정으로 바꾸려면, 검증에 반드시 인간 임상시험이 필요한 "올바른 생물학적 메커니즘 규명"이라는 가장 어려운 문제에 정면으로 집중해야 한다는 것이 이 글의 결론이다. 그는 자신이 속한 insitro가 바로 이 어려운 길을 추구하고 있다고 언급하며 향후 구체적 발표를 예고한다.
핵심 요약 (20줄)
- 테크 업계는 "충분히 강력한 AI가 암을 포함한 거의 모든 질병을 해결할 것"이라는 서사를 받아들였지만, 저자 Daphne Koller(a16z, insitro)는 이를 근본적으로 반박한다.
- 핵심 결함은 우리가 인간 생물학을 충분히 이해하고 있다는 전제 자체가 틀렸다는 것 — 대부분의 질병과 정상 생리는 여전히 극히 부분적으로만 파악되어 있다.
- 신약 개발은 ①질병→메커니즘 규명, ②메커니즘→약물 설계, ③약물→환자 임상의 세 단계로 나뉜다.
- AI 투자는 AlphaFold 성공 이후 압도적으로 2단계(분자 설계)에 쏠려 있어 신약 후보 생성 속도는 빨라졌다.
- 그러나 진짜 병목은 "어떤 메커니즘을 겨냥할 것인가"이며, 임상시험 진입 약물의 90% 이상이 실패하는 이유도 대부분 표적 메커니즘 자체가 틀렸기 때문이다.
- 업계는 "열쇠는 잘 만들지만 대개 잘못된 자물쇠용"이라는 비유로 요약된다 — 38개 표적에 50개 넘는 경쟁 프로그램이 몰리는 동안, 매년 새로 진전되는 신규 표적 수는 2015년 100개에서 2024년 30개로 급감했다.
- KRAS 같은 '접근 불가능 표적' 정복은 AI가 아니라 수십 년의 구조생물학·의약화학, 그리고 생물학 제제·siRNA·유전자 편집 같은 새로운 치료 양식의 등장에서 비롯됐다.
- 두 번째 마법 지팡이 서사는 "LLM이 방대한 논문을 종합해 새 메커니즘 가설을 낼 것"이라는 기대인데, 이는 이미 답이 데이터 안에 있다는 잘못된 전제에 기반한다.
- 인간 생물학은 진화의 산물이라 공학적으로 설계되지 않았고, 유전자·세포 유형·상태·맥락마다 제각각으로 행동하는 방대한 변이를 지녀 추상적 추론만으로는 풀리지 않는다.
- 세포생물학 층위만 봐도 필요한 실험 공간은 방대하며, 약물을 '섭동'으로 매핑해야 하는 경우 그 규모는 기하급수적으로 커진다 — 현재 세포 아틀라스는 이 공간 대비 수 자릿수 부족하다.
- 'Virtual Cell' 이니셔티브들이 대규모 섭동 데이터를 축적하고 있지만, 여전히 가능한 섭동 공간의 극히 일부, 좁은 세포주 범위만 샘플링하고 있다.
- 더 결정적으로, 이런 이니셔티브들은 '세포 메커니즘 → 인간 임상 결과' 연결이라는 방정식의 후반부를 다루지 못하며, 이는 살아있는 유기체 수준의 시스템적 측정을 요구해 확장성이 훨씬 떨어진다.
- 뇌질환·인지질환처럼 인간 특이성이 높은 질병(설치류는 알츠하이머에, 비인간 영장류는 ALS에 걸리지 않음)일수록 치료적 진전이 가장 더디며, 동시에 데이터 수집 비용·윤리적 제약이 가장 크다.
- 세 번째 마법 지팡이는 "AI 에이전트가 실험실 자동화 루프를 자율적으로 돌며 과학을 공략한다"는 서사인데, 이는 빠르고 정확하며 저렴한 채점 기준이 있을 때만 작동한다.
- 코딩 어시스턴트가 빠르게 발전한 이유는 컴파일러라는 즉각적·저렴·정확한 피드백 루프 덕분이지만, 신약 개발의 진짜 벤치마크(환자에게 실제 이득이 있는가)는 오직 수년·수백만 달러가 드는 인간 임상시험으로만 확인 가능하다.
- 따라서 화제가 된 에이전트 실험실 성공 사례들은 사실 코딩과 유사한 정량적·제한된 탐색 문제를 푼 것이지, 환자 집단 약효 예측이라는 핵심 난제와는 거리가 멀다.
- 네 번째 마법 지팡이는 "AI로 임상시험 단계를 압축한다"는 것인데, 저자는 "잘못된 메커니즘을 겨냥한 파이프라인을 가속하면 더 빠른 실패만 만들 뿐"이라고 지적한다.
- 독성 예측·규제문서 자동화·환자 식별 같은 AI 활용은 실질적 이점이 있지만 초기 작업 구간에 국한되며, 살아있는 환자의 생물학적 관찰에 걸리는 시간은 여전히 구조적으로 단축 불가능하다.
- 유일하게 임상 단계까지 가속할 수 있는 길은 깊은 메커니즘적 질병 이해를 통해 환자 선별·표적 확인·초기 신호 감지에 쓰일 새로운 임상 지표를 찾는 것 — 즉 "더 나은 임상시험은 결국 더 나은 생물학의 부산물"이라는 결론이다.
- 결론적으로 AI가 헬스케어를 진정으로 바꾸려면 분자 설계·문헌 종합·실험실 자동화 같은 주변부 최적화가 아니라, 검증에 임상시험이 반드시 필요한 "올바른 생물학적 메커니즘 규명"이라는 가장 어려운 문제에 정면으로 집중해야 한다.