우연에 기댄 10년의 도박이 1과 0의 정밀한 공학 설계로 대체되기 시작했다. 엔비디아(NVIDIA)와 일라이 릴리(Eli Lilly)가 10억 달러를 투입해 구축하기로 한 'AI 신약 개발 공동 연구소'는 제약 산업의 근간을 뿌리째 흔드는 거대한 신호탄이다. 이제 신약 개발은 생물학적 직관의 영역을 넘어, 엔비디아의 가속 컴퓨팅 인프라 위에서 돌아가는 거대한 '디지털 공장'의 시대로 진입한다.

데이터가 설계하고 로봇이 검증하는 'AI 팩토리'의 탄생

양사의 협력은 단순히 소프트웨어를 공급받는 수준을 넘어선다. 핵심은 엔비디아의 생성형 AI 플랫폼인 '바이오네모(BioNeMo)'와 릴리의 로봇 자동화 실험실을 하나로 묶는 '폐쇄 루프(Closed-loop)' 시스템 구축에 있다. 기존의 신약 R&D가 가설 설정, 실험, 데이터 분석이라는 단절된 과정을 거쳤다면, 이들의 청사진은 '연산 건식 실험실(Dry Lab)'과 '실제 습식 실험실(Wet Lab)'이 실시간으로 데이터를 주고받는 연속 학습 체계를 지향한다.

엔비디아는 이 거대한 계산량을 감당하기 위해 'DGX 슈퍼팟(SuperPOD)' 기반의 초고성능 컴퓨팅 자원을 투입한다. 바이오네모는 수조 개의 단백질 구조와 분자 결합 데이터를 학습하여, 질병의 원인이 되는 타깃 단백질에 정확히 결합하는 최적의 분자 구조를 몇 초 만에 생성한다. 릴리는 이렇게 설계된 가상 분자를 로봇 팔이 가득한 자동화 실험실로 보내 즉각 합성하고 테스트한다. 이 실험 결과는 다시 바이오네모로 환류되어 모델을 더 정교하게 다듬는 '능동 학습(Active Learning)'의 연료가 된다.

이 프로세스는 소위 'DMTA(Design-Make-Test-Analyze)' 사이클로 불리는데, 기존에는 사람이 직접 개입해 수개월이 걸리던 작업이다. 엔비디아와 릴리는 이 과정을 자동화하여 후보 물질 선별에 드는 비용과 시간을 기존 대비 30% 이상 절감한다는 계획이다. 이는 제약사가 더 이상 '발견(Discovery)'에 매달리지 않고 '설계(Engineering)'를 하는 제조 업체로 변모함을 의미한다.

'인실리코(In-silico)'가 실험실을 지배할 때의 리스크

핵심 리스크는 따로 있다. 생성형 AI가 설계한 단백질 구조가 실제 인체 내에서 의도한 대로 작동할지는 여전히 미지수다. AI 모델은 수학적으로 완벽한 결합을 제시할 수 있지만, 생물학적 복잡성은 가끔 수학적 모델의 예측을 비웃는다. 이른바 'AI 환각(Hallucination)' 현상이 단백질 설계 단계에서도 발생할 수 있다는 뜻이다.

또한, 데이터 독점의 문제도 제기된다. 릴리가 엔비디아의 인프라를 통해 축적한 고품질의 실험 데이터는 경쟁사들이 따라잡기 힘든 강력한 진입장벽이 된다. 이는 기술 격차가 곧 약가 결정권과 시장 독점으로 이어질 수 있다는 우려를 낳는다. 규제 당국인 FDA(미국 식품의약국) 역시 AI가 설계한 약물을 어떤 기준으로 승인할지에 대한 명확한 가이드라인을 아직 완성하지 못했다. 기술의 속도가 규제의 속도를 앞지르고 있는 상황이다.

실전 적용: 제약 기업과 개발자가 주목해야 할 변화

이제 신약 개발의 전선은 실험실 창고가 아니라 데이터 센터로 이동했다. 제약 분야의 데이터 사이언티스트들은 이제 파이썬 코드를 짜는 것만큼이나 단백질의 3차원 구조를 이해하는 능력을 요구받는다.

1. 디지털 트윈의 도입: 개발자들은 바이오네모와 같은 플랫폼을 활용해 분자의 물리적 특성을 가상 환경에서 시뮬레이션해야 한다. 실제 합성에 들어가기 전, '인실리코' 환경에서 독성과 유효성을 먼저 검증하는 것이 표준 공정이 될 것이다.
2. 에이전틱 워크플로우: 단순한 예측 모델을 넘어, 실험 장비를 직접 제어하고 결과에 따라 다음 실험을 스스로 결정하는 'AI 에이전트' 기반의 자동화 파이프라인 구축이 필수적이다.
3. 인프라의 현대화: 기존의 로컬 서버로는 생성형 AI 모델의 거대한 연산량을 감당할 수 없다. DGX 시스템이나 클라우드 기반 가속 컴퓨팅 자원을 R&D 예산의 핵심 항목으로 편성해야 한다.

FAQ

Q: 엔비디아 바이오네모는 구글 딥마인드의 알파폴드(AlphaFold)와 어떻게 다른가? A: 알파폴드가 단백질의 3차원 구조를 '예측'하는 데 특화되어 있다면, 바이오네모는 이를 넘어 새로운 분자를 '생성'하고 최적화하는 데 중점을 둔 생성형 AI 플랫폼이다. 특히 기업들이 자신의 고유 데이터를 활용해 모델을 맞춤형으로 튜닝할 수 있는 프레임워크를 제공한다는 점이 상업적 차별점이다.

Q: 이 기술이 적용되면 신약 가격이 저렴해지는가? A: 이론적으로는 R&D 비용이 절감되므로 약가가 내려갈 가능성이 있다. 하지만 초기 인프라 구축 비용이 막대하고, 임상 시험의 성공률을 높여 수익을 극대화하려는 제약사의 전략에 따라 소비자 가격 인하보다는 기업의 이익률 개선으로 이어질 확률이 높다.

Q: 어떤 질환군에서 가장 먼저 성과가 나올 것으로 예상되는가? A: 릴리의 주력 분야인 당뇨와 비만 치료제, 그리고 복잡한 단백질 결합 구조가 핵심인 항암제 분야가 1순위다. 이미 구조가 어느 정도 알려진 단백질을 표적으로 삼는 경우, AI를 통한 최적화가 가장 빠르기 때문이다.

결론: 제약 산업의 '운 좋은 우연'은 끝났다

엔비디아와 릴리의 협력은 신약 개발의 문법을 '시행착오'에서 '예측 가능한 공학'으로 고쳐 쓰고 있다. 10억 달러라는 금액보다 중요한 것은 생물학적 난제를 연산 문제로 치환했다는 점이다. 앞으로의 신약 개발 시장은 누가 더 좋은 실험실을 가졌느냐가 아니라, 누가 더 정교한 'AI 팩토리'를 운영하느냐에 따라 승패가 갈릴 것이다. 이제 제약사들은 스스로에게 물어야 한다. 우리는 여전히 운에 맡긴 실험을 반복하고 있는가, 아니면 데이터를 제조하고 있는가.

참고 자료

• 🛡️ Nvidia Deepens Push Into Drug Discovery Via New Partnerships with Lilly
• 🛡️ NVIDIA and Lilly set for co-innovation AI lab to reinvent drug discovery
• 🛡️ Nvidia And Eli Lilly To Build $1 Billion AI-Powered Drug Discovery Lab
• 🏛️ NVIDIA and Lilly Announce Co-Innovation AI Lab to Reinvent Drug Discovery
• 🏛️ NVIDIA Bets Big on AI-Driven Drug Discovery, Physical AI, and a $1 Billion Eli Lilly Partnership
• 🏛️ NVIDIA and Lilly Announce Co-Innovation AI Lab to Reinvent Drug Discovery