엔비디아가 유전자 테크 칩 거물들과 손잡고 어떻게 AI 제약을 도울 수 있을까?

勇敢的树袋熊1

일전, 컴퓨터기술선두인 엔비디아 (NVIDIA) 는 3분기 보고서를 발표했는데 실적은 큰불을 동반한 생성식AI가 리륙했다.3분기 순이익은 588% 상승해 AI 서비스를 포함한 데이터센터 사업 매출이 전년 동기 대비 2.8배 상승해 전체 수입의 8할을 차지했다.
이 가운데 엔비디아의 AI 촉수도 의료제약 분야를 놓치지 않았다.3분기 보고서는 같은 날, 엔비디아와 다국적 약품기업 로씨제약 산하의 유전자텍 (Genentech) 이 공동으로 쌍방이 전략적 AI 연구 협력을 달성하여 약물 발견과 개발을 가속화한다고 발표했다.
구체적으로 양사는 엔비디아의 DGX 클라우드에서 유전자텍이 독점한 머신러닝(ML) 알고리즘과 모델을 가속하고 최적화하기 위해 손을 잡는다.DGX Cloud는 엔비디아가 올해 출시한 AI 슈퍼컴퓨팅 서비스 플랫폼으로, 약물 발견을 위한 생성식 AI 애플리케이션인 NVIDIA BioNeMo를 포함한다.
이와 동시에 협력에서 엔비디아도 약물발견과 개발에서의 AI와 관련된 도전을 깊이있게 통찰하게 된다.이를 통해 BioNeMo 및 기타 플랫폼을 개선하여 바이오테크 업계에서 사용되는 모델의 요구를 더욱 충족시킬 계획이다.
실제로 엔비디아가 AI 제약에 발을 들여놓은 것은 이번이 처음이 아니다.이미 2021년에 아스트라제네카와 협력하여 반응 예측, 분자 최적화 및 분자 생성을 위한 약물 개발 모델인 MegaMolBART를 개발했다.그'모멘트'에는 미국 회사인 Schrodinger, Recursion, 중국 회사인 인실리코 스마트 (Insilico Medicine) 등을 포함한 AI 제약회사도 있다.
AI 제약의 산업 사슬을 보면 엔비디아는 AI 회사, 약품 기업과 다른 위치에 있다.이 산업 사슬의 상류는 GPU 칩, 양자 컴퓨터 등 하드웨어와 데이터베이스, 클라우드 컴퓨팅 플랫폼 등 소프트웨어를 제공하는 회사로 엔비디아, 구글 등을 포함한다.중류는 AI 약물 알고리즘 개발을 제공하는데, 앞에서 서술한 Schrodinger, Recursion 및 국내의 영국 규소 지능, 징타이 과학기술과 같은 AI 약물 연구 개발 기업과 IT 기업을 포함한다.다운스트림은 AI 제약에 수요가 있는 약품업체로 파마 (대형 제약사) 도 있고 바이오테크 (바이오테크) 도 있다.
그리고 이 중 각 위치의 참가자들은 AI 제약에서 구체적으로 어떤 일을 맡고 또 어떤 도전에 직면해 있는가?
앞에서 말한바와 같이 엔비디아는 AI 슈퍼컴퓨팅서비스플랫폼을 제공하는데 그 역할은 중하류회사의 모델이"가속"하여 더욱 빠르고 효률이 높은 모델을 만드는데 도움을 주는것으로 간단히 리해할수 있다.
글로벌건강약물연구개발센터 (GHDDI) 데이터과학부 책임자 곽진강 박사는 계면뉴스에 다음과 같이 소개했다. 그전에 엔비디아가 가속화된 장면에는 영상식별, 처리, 영상감시 등이 포함된다.이에 비해 2D 이미지 데이터 패러다임은 기본적으로 픽셀로 구성되어 있습니다.그러나 생명과학 분야와 관련하여 데이터의 유형, 형식은 이질화될 것이다. 예를 들어 단백질은 아미노산 단위이고, 화합물은 원자와 화학 키를 고려하며, 게놈, 전사 그룹은 각각 DNA 서열, RNA 서열을 기반으로 한다.그 도전은 단백질 3D 구조와 같은 생명 과학 분야의 다양한 데이터의 가속 처리 요구를 충족시키는 방법에 있습니다.
중하위권 회사와 관련해서는 앞서 말한 유전자텍의 ML 알고리즘과 모델에서 AI 제약의 현황을 엿볼 수 있다.공개된 정보에 따르면 이번 협력이 가속화되고 최적화된 유전자 텍'실험실 폐쇄 루프'(lab in a loop) 는 예측 성격의 분자 설계를 생성하고 탐색하는 데 사용되는 반복 프레임워크다.
간단히 이해하자면, 이 반복 프레임워크는 실험 데이터와 생성식 모델이라는 두 가지 부분을 포함한다.올해 대히트한 ChatGPT는 생성식 AI를 대중에게 알렸다.궈진강은 계면뉴스에"생성식 AI 역시 AI 제약 분야에서 이 2년 동안 폭발한 화제 중 하나"라며"그동안 이 분야의 가장 주류였던'가상 선별'에 비해 가장 큰 특징은 이상적인 상황에서'한 걸음 한 걸음'신해를 제시할 수 있다는 것"이라고 말했다.
제약 분야에서 가장 중요한 과제는 질병 관련 표적 정보에 근거해 약물이 표적 단백질을 활성화하거나 억제해 효과를 발휘할 수 있도록 약물을 개발, 설계하는 것이다.자물쇠 구멍의 모양을 먼저 알아낸 다음 자물쇠를 열 수 있는 열쇠를 찾는 것과 같다.처음에 제약인들은 일반적으로 이미 알고있는 화합물창고에서 표적단백질을 결합할수 있는 분자를 선별한후 다시 습실험측정을 했다. 즉 열쇠꼬치에서 될수 있는 열쇠를 끊임없이 따서 직접 자물쇠의 눈에 넣어 자물쇠를 열수 있는가 없는가를 보았다.
그리고 데이터가 축적되고 기술이 발전함에 따라 이 과정은 AI 시대에 가상화되었다. 즉'가상 필터링'이 나타났다.곽진강은 다음과 같이 소개했다. 현재의"가상선별"에는 두가지 방식이 있다.첫째, 분자·원자 간의 공간적 위치와 다양한 유형의 작용 관계에 따라 화합물과 표적의 친화도를 판단하는 분자역학, 양자역학 등 물리학적 차원의 정보를 토대로 화합물의 활성도를 판단한다.
둘째, 고품질 데이터에 크게 의존하는 데이터 기반 가상 필터링입니다.이런 AI가 판단하는 과정은 보이지 않는 블랙박스이다. 즉 매 열쇠가 어떻게 생겼는지, 어떻게 빈틈없이 자물쇠구멍에 있어야 하는지를 알 필요가 없다. 대신 기계를 통해 기존의 활성과 무활성 화합물의 데이터를 대량으로 학습하여 직접 예비분자의 활성상황을 판단한다.
결론적으로,"가상 필터링"하에, 제약인들은 스스로 자물쇠 구멍을 꽂을 필요가 없다.그러나 생성식 AI의 전복성은 이 일련의 후보 열쇠가 존재할 필요조차 없다는 데 있다.제약인의 지령, 즉 자물쇠를 여는 요구와 자물쇠에 대한 묘사에 따르면 생성식 AI는 정확한 열쇠의 모형도면을 직접 제시할수 있다.
곽진강은 계면뉴스에 다음과 같이 말했다. 이 가장 제약인을 흡인하는 점은 생성식AI가 준 답안이 정확하고 자물쇠를 열수 있을뿐만아니라 흔히 새로운 열쇠이다. 즉 화합물창고에서 이미 알고있거나 이미 합성할수 있는 그 어느것도 아니다.낮은 열매가 점차 따지고 약물연구개발투입의 산출이 날로 내려가고 경쟁이 더욱 치렬해지는 현재, 이러한 잠재적인"First-in-class"(동종 최초) 분자는 의심할 여지 없이 무한한 매력을 가지고 있다.
또 생성식 AI가 결과를 내는 시간도 더 짧았다.궈진장은 예를 들어 400만 개의 화합물의 라이브러리 선별, 6만 개의 원자 크기의 단백질 도킹의 경우 물리학 기반의'가상 선별'을 사용하는 데 일주일 정도 걸린다.이상적인 생성식 AI는'한 걸음에'답을 주는 것이다.
그러나 현재의 AI 모델은 아직 이러한 이상적인 수준에 도달하기 어려우며, 실험 데이터로 끊임없이 반복되어 이 프레임워크의 다른 절반이 되고 있다.
곽진강은 정확한 열쇠의 모형도면은 쉽게 얻을수 있지만 실제로 만들어낸 열쇠도 반드시 되는것은 아니라고 해석했다.가장 큰 문제는 합성성이다.합성된 화합물이 안정적인지, 단백질이나 세포층에서 좋은 활성을 나타낼 수 있는지는 모두 실제 실험에서 검증하고 최적화해야 한다.
현재 일반적인 방법은 제약인이 먼저 생성식 AI를 통해 수만 개의 화합물 분자를 얻은 다음 가상 선별 방법으로 선별하는 것이다.이와 동시에 경험이 있는 약물연구개발전문가들도 분자를 수식하고 습실험측정을 진행하며 실험결과를 AI모형에 반환하여 다시 학습하도록 도와줌으로써 갈수록 연구개발임무에 적응하게 된다.
실제로 이 배후의 원인은 역시 인체 자체와 약물과의 상호작용의 복잡성에 있다.현재 과학계, 제약계는 아직 한 나무만 보고 숲을 보지 못했을 수도 있는데, 이는 AI 제약이 산업 사슬의 상하류 각 측의 협력을 필요로 하고 모델의 진보를 추진하는 원인이기도 하다.
그러나 그중의 일부 역설은 한면으로는 전통적인 대약기업의 심리상태가 더욱 보수적이고 AI제약분야에서 작은 부분의 시도가 있지만 더욱 많은 부분은 여전히 전통적인 방식으로 하고있다는 점이다.제약인들은 보편적으로 자신의 개인경험에 의거하는것을 더욱 선호한다. 례를 들면 초기에 먼저 실험을 하고 경험에 근거하여 분자를 최적화하고 수식하며 경험이외의 해결하기 어려운 복잡하고 체계적인 문제만이 AI를 찾아 해결하기를 희망한다.이와 동시에 현재 전 세계적범위에서 아직 그 어떤 AI가 연구개발한 약물도 진정으로 출시를 비준받지 못했다. 즉 AI제약의 길이 아직 진실하게 통하지 않았다. 이는 약품기업을 관망상태에 처하게 하고 all in하기 어렵게 하는 원인의 하나이다.
또 데이터는 AI 제약이 돌파하지 못한 딜레마다.결국 데이터는 AI 생명 양분이자 약품 기업의 가장 핵심적인 자산이다.이번 엔비디아와 유전자텍의 협력에서도 유전자텍은 자사의 독점 데이터 공유 여부를 결정할 권리가 있으며, 엔비디아는 유전자텍의 권한을 얻지 못했을 때 해당 데이터에 직접 액세스할 수 없다고 지적했다.