신약 하나에 10년이 걸리는데 대부분은 맨 앞단에서 샌다
신약 하나가 시장에 나오기까지 보통 10년이 넘고 비용은 수조 원에 이른다. 그 대부분은 “될 만한 분자를 찾는” 가장 앞단에서 새어 나간다, 수백만 개 후보 중 임상까지 가는 건 극소수고, 그마저 대개 실패한다. 여기에 머신러닝이 들어오면서 셈법이 바뀌고 있다. 2020년 딥마인드의 AlphaFold가 50년 묵은 단백질 접힘 난제를 풀고 아미노산 서열만으로 3차원 구조를 몇 분 만에 예측하자, “구조를 알아야 약을 설계한다"는 병목 자체가 사라졌다.
그 뒤로 자본이 한꺼번에 쏟아졌다. 알파벳 자회사 Isomorphic Labs는 AlphaFold 3을 토대로 일라이 릴리·노바티스와 약 30억 달러 규모의 파트너십을 맺고 2026년 첫 임상 진입을 준비 중이다. 링크드인 공동창업자 리드 호프먼과 종양학자 싯다르타 무케르지는 2025년 Manas AI를 세워 2,460만 달러 시드를 받고 유방암·전립선암·림프종부터 공략한다. Recursion, Xaira, Eikon, Generate Biomedicines까지, 머신러닝과 생물학을 한 팀에 묶은 회사가 줄줄이 등장했다. 한국도 한미약품·SK바이오팜이 AI 신약 파이프라인에 투자하고, 스탠다임·디어젠·파로스아이바이오 같은 스타트업이 같은 흐름을 탄다.
이 모든 곳이 찾는 사람은 하나다. 모델이 뱉은 분자가 실제로 세포에서 듣는지, 독성은 없는지, 합성이 되는지를 실험과 데이터 양쪽으로 판단할 수 있는 연구원. 순수 ML 연구자도, 순수 약화학자도 아닌, 두 언어를 다 하는 사람이다.
모델을 짜는 손과 생물학을 읽는 눈이 같이 있어야 한다
이 일의 핵심은 이중 언어다. 딥러닝 모델을 짤 줄 알면서, 동시에 그 출력이 생물학적으로 말이 되는지 읽을 줄 알아야 한다. 둘 중 하나만 잘하면 반쪽짜리다.
- 분자·단백질 표현과 케모인포매틱스. SMILES·그래프로 분자를 표현하고, RDKit으로 다루고, ADMET(흡수·분포·대사·배설·독성)을 예측한다. “이 분자가 합성 가능한가, 약물성이 있는가"를 정량적으로 따지는 게 기본기다.
- 구조 생물학과 도킹. 단백질-리간드 결합을 이해하고, AlphaFold 계열 구조 예측과 도킹 시뮬레이션을 실제 타깃에 적용한다. 모델이 예측한 결합이 물리적으로 말이 되는지 검증할 수 있어야 한다.
- 생성 모델. 분자를 새로 만들어내는 디퓨전·생성 모델, 단백질 디자인 모델을 다룬다. 원하는 성질을 조건으로 걸어 후보 공간을 탐색하는 게 이 분야의 최전선이다.
- 지저분한 실험 데이터. 바이오 데이터는 작고, 편향돼 있고, 노이즈가 많다. 어세이마다 측정 조건이 다르고 음성 데이터는 거의 공개되지 않는다. 이 한계를 알고 다루는 감각이 모델 성능보다 중요할 때가 많다.
- 습식 실험 루프 이해. 설계-합성-시험-분석(DMTA) 사이클이 실험실에서 어떻게 도는지 알아야 한다. 벤치의 과학자와 같은 언어로 대화하고, 다음에 무슨 실험을 돌릴지 함께 정한다.
생물학에서 내려오거나 ML에서 올라가거나
진입로는 두 갈래다. 생물학·화학 박사가 ML을 손에 익혀 내려오거나, CS·ML 쪽에서 출발해 생물학을 파고들어 가거나. 어느 쪽이든 결국 “번역가"가 되는 게 목표다, 모델의 언어와 실험대의 언어를 양쪽으로 옮길 수 있는 사람. 채용에서 가장 강한 카드는 이 둘을 한 프로젝트 안에서 실제로 연결해 본 경험이다.
수요는 분명하다. 글로벌 빅파마(릴리·노바티스·다케다)부터 AI-바이오 스타트업까지 케모인포매틱스·구조 생물학·AI 에이전트·ADMET 모델링 인력을 공격적으로 뽑는다. 미국 기준 생성 AI 신약 분야 평균 연봉은 11만 달러대고, 박사급 시니어는 그보다 훨씬 위다. 한국은 한미약품·SK바이오팜·대웅 같은 제약사와 스탠다임·디어젠·신테카바이오 등 AI 신약 스타트업이 양쪽에서 자리를 연다. 다만 진짜 연구직 대부분은 여전히 박사 학위를 요구한다, 이건 빠른 전환이라기보다 트랙 재설계에 가깝다.
가장 빠른 검증법은 공개 데이터로 한 사이클을 직접 돌려 보는 것이다. ChEMBL이나 Tox21 같은 데이터셋에서 분자 독성·활성을 예측하는 모델을 짜 보고, RDKit으로 분자를 다뤄 보고, 공개 단백질 구조에 도킹을 붙여 본다. 이 작은 루프 하나를 끝까지 돌려 본 경험이, 이력서의 어떤 키워드보다 면접에서 강하다.