2026-10-09 · 합성생물학·AI생물정보학

신약에 큰돈 걸기 전…AI로 임상 실패 위험 짚어보니

글로벌 제약·바이오업계가 AI를 활용해 실제 임상시험 전에 가상 환자의 약물 반응을 시뮬레이션하는 '가상 임상' 기술을 신약 개발과 투자 판단에 활용하는 흐름이 확산되고 있다. 덴마크 기업 바이오인베스트GPT는 6건의 임상 결과 중 5건을 사전에 예측하는 데 성공했으나, 노바티스의 펠라카르센 사례처럼 예측이 빗나간 경우도 보고되었다. 이스라엘 기업 퀀트헬스는 투여군 구성, 평가변수, 환자 선정 기준 등 임상 설계 요소를 가상으로 비교·조정하는 서비스를 제공하고 있다. 그러나 다케다와 바이오젠 등 제약업계는 AI가 아직 확정적 예측을 내릴 단계에 이르지 못했으며, 기존 데이터가 부족한 질환에서는 예측 신뢰도가 낮아질 수 있다는 우려를 제기하고 있다. 가상 임상은 개발 위험을 줄이는 보조 도구로서 가능성이 있으나, 최종적인 치료 근거는 실제 환자를 대상으로 한 임상시험에서 확인해야 한다.

BioIN-뉴스 원문 읽기 ↗

고등학교 생명과학 관련 과목·내용

2022 개정 교육과정에서 이 기사와 연결되는 과목과 내용입니다.

생물의 유전 진로선택: 영역: 생명공학기술
관련 내용: 생명공학기술의 활용
통합과학2 공통: 영역: 과학과 미래 사회
관련 내용: 과학기술과 사회

읽는 순서는 자유예요. 궁금한 항목을 바로 열어보세요.

이 기사의 주장은 어디까지 확인됐을까?팩트체크 · 확인된 사실과 더 살펴볼 근거

기사에서 확인된 사실

덴마크 AI 기업 바이오인베스트GPT는 2026년 7월 주요 임상시험의 예상 결과를 실제 발표 전에 로이터에 제출했으며, 보도 시점까지 결과가 나온 6건 가운데 5건에서 예측이 맞았다고 로이터가 보도했다 (출처: 기사 본문).
바이오인베스트GPT는 노바티스의 펠라카르센 후기 임상에서 긍정적 결과를 예측했으나 실제로는 주요 심혈관 사건 감소 목표를 충족하지 못했으며, 회사 측은 지질단백질 크기의 유전적 차이를 충분히 반영하지 못한 것이 원인이라고 사후 설명했다 (출처: 기사 본문).
이스라엘 기업 퀀트헬스는 30개 이상 적응증에서 600건이 넘는 임상시험을 시뮬레이션했다고 밝혔다 (출처: 기사 본문).
일본 다케다 연구책임자 앤디 플럼프는 AI로 확정적인 예측을 내릴 단계에는 아직 이르지 못했다고 밝혔으며, 바이오젠은 과거 자료에 의존하는 알고리즘이 치료 성공 사례가 드문 질환에서 부정적 결과를 예측하는 쪽으로 기울 수 있다는 문제를 제기했다 (출처: 기사 본문).

아직 불확실한 점

바이오인베스트GPT의 6건 중 5건 예측 성공 사례는 표본 수가 매우 적어, 이것만으로 해당 AI가 임상 결과를 안정적으로 예측할 수 있다고 일반화하기 어렵습니다. 어떤 기준으로 예측 성공 여부를 판단했는지, 외부 기관의 검증을 거쳤는지도 기사에서 확인되지 않습니다.
퀀트헬스가 제시하는 '600건 시뮬레이션' 실적은 회사 측 설명에 근거한 것이며, 시뮬레이션 예측의 실제 정확도나 외부 검증 결과는 기사에 제시되지 않아 그 신뢰도를 독립적으로 확인하기 어렵습니다.
가상 임상이 실제 임상 비용을 얼마나 절감하는지, 개발 기간을 구체적으로 얼마나 단축하는지에 대한 수치는 기사에 명시되어 있지 않다.

더 확인할 근거

기사에 인용된 바이오인베스트GPT와 퀀트헬스의 예측 성능 수치는 해당 기업이 직접 제공한 정보에 기반하므로, 학생들에게 독립적인 제3자 기관의 검증 연구나 동료 심사(peer review)를 거친 논문이 있는지 추가로 찾아보도록 안내하는 것이 좋습니다.

알고 보면 더 재미있는 과학과학이야기 · 핵심 개념어 · 함께 공부하면 좋은 내용

이 기사의 과학이야기는 아직 불러오지 못했어요. 아래 개념부터 살펴보세요.

이 기사를 이해하는 열쇠, 핵심 개념어

가상 임상(In Silico Trial): 실제 환자를 모집하는 대신, 컴퓨터 시뮬레이션과 AI를 이용해 가상의 환자에게 약물을 투여하고 그 반응을 예측하는 방법. 실제 임상시험 전 설계를 점검하거나 개발 가능성을 미리 평가하는 데 활용됩니다.
임상시험 설계 변수: 임상시험에서 결과에 영향을 미치는 조건들. 투여군(약을 받는 집단)과 대조군(위약이나 기존 치료를 받는 집단)의 구성, 효과를 측정하는 평가변수, 참여 환자의 선정·제외 기준, 분석 방법 등이 포함됩니다. 같은 약물이라도 이 변수들이 달라지면 결과가 달라질 수 있습니다.
알고리즘 편향(Algorithm Bias): AI 모델이 학습한 데이터에 특정 경향이 쏠려 있을 때, 그 편향이 예측 결과에도 반영되는 현상. 예를 들어 치료 성공 사례가 거의 없는 희귀 질환의 경우, AI는 새로운 신약도 실패할 것이라고 과도하게 예측하는 경향을 보일 수 있습니다.
생체지표(바이오마커, Biomarker): 질병의 상태나 약물에 대한 반응을 객관적으로 측정할 수 있는 생물학적 지표. 예를 들어 혈중 지질단백질(a) 수치가 낮아지는 것이 생체지표의 변화이지만, 이것이 실제 심혈관 사건 감소로 이어지는지는 별도로 확인해야 합니다.
작용기전(Mechanism of Action, MoA): 약물이 몸속에서 어떤 방식으로 효과를 나타내는지를 설명하는 원리. 새로운 작용기전을 가진 신약은 기존 데이터가 부족하기 때문에 AI 예측 모델이 충분히 학습하지 못해 예측 신뢰도가 낮아질 수 있습니다.

지식 연결 개념도

전체 연결을 한눈에 살펴보세요. 글씨가 작으면 크게 보기를 눌러 좌우로 움직이며 읽을 수 있어요.

함께 공부하면 좋은 내용더 이해하고 싶을 때, 배경지식을 이어서 읽어보세요.

자료를 준비 중입니다. 전체 교육자료 링크에서도 확인할 수 있어요.

이 기사에서 시작하는 탐구 질문근거와 개념을 살펴본 뒤, 질문을 골라 나만의 탐구 보고서로 이어가 보세요.

좋은 질문을 만드는 힘도, 질문을 접하고 연습하며 자라요.

다양한 질문을 읽으며 어떤 점이 좋은 질문인지 생각해 보세요. 마음에 드는 질문은 질문함에 모아 두고, 나만의 질문을 만드는 데 참고해 보세요.

읽는 데서 한 걸음 더 나아가, 질문함에서 직접 답변도 적어 보세요. 어떤 근거가 필요한지, 무엇을 비교하거나 확인할 수 있을지 고민하는 과정이 탐구를 배우는 연습이 됩니다. 완벽한 답이 아니어도 괜찮아요.

질문 하나를 골라 담고, 내 생각으로 답해 본 뒤, 새롭게 떠오른 나만의 질문을 적어 보세요.

질문을 구체화하는 방법의 예시

“효과가 있을까?” → “어떤 조건에서, 무엇과 비교했을 때 효과가 달라질까?”

조건과 비교 대상을 정하면 살펴볼 근거가 더 분명해져요. 아래 예시를 보며 내 질문도 만들어보세요.

1.탐구 질문 1: 임상시험에서 '대조군'과 '실험군'을 나누는 이유는 무엇이며, AI 가상 임상에서도 이 구분이 동일하게 적용되는지 조사해보자.
2.탐구 질문 2: AI 예측 모델의 성능을 평가할 때 '6건 중 5건 적중'이라는 수치는 통계적으로 충분한 근거가 될 수 있는가? 표본 크기와 예측 신뢰도의 관계를 비교·분석해보자.
3.탐구 질문 3: 동전 던지기나 주사위 굴리기 같은 단순한 확률 도구를 이용해 '표본 크기가 작을수록 결과의 신뢰도가 낮아진다'는 원리를 직접 실험으로 확인할 수 있을까?
4.탐구 질문 4: AI가 '임상 실패 가능성이 높다'고 예측한 신약의 개발을 중단하는 결정을 기업이 내린다면, 그로 인해 치료 기회를 잃는 환자에 대한 도덕적 책임은 누구에게 있는가?
5.탐구 질문 5: 이 기사에서 AI 가상 임상의 성과로 제시된 수치들은 모두 해당 기업이 직접 제공한 것입니다. 이 정보를 그대로 믿어도 될까? 독립적으로 신뢰성을 검증하려면 어떤 정보가 추가로 필요한가?

이 관심을 나만의 탐구로 이어가려면?학생부 활용 아이디어 · 타교과 연계

탐구의 방향

단순히 기사를 요약하는 수준을 넘어, AI 예측 성능의 통계적 한계를 직접 실험으로 검증하거나, 임상시험 설계 변수를 생물학 개념과 연결해 분석한 탐구 경험으로 서술하는 것이 효과적입니다. '읽고 느낀 것'이 아니라 '직접 조작하고 비교한 것'을 중심에 놓으세요.

심화 탐구 아이디어 1: 동전 던지기 또는 주사위 굴리기 시뮬레이션을 이용해 표본 크기(n=6, 30, 100, 300)에 따라 성공 비율의 분산이 어떻게 달라지는지 직접 기록하고 그래프로 시각화합니다. '6건 중 5건 적중'이라는 수치가 통계적으로 충분한 근거가 되는지 스스로 판단하는 근거 자료를 만들어봅니다.
심화 탐구 아이디어 2: 『과학의 배신』(스튜어트 리치) 또는 국내 의학 통계 입문서를 참고해 임상시험에서 p-값, 통계적 유의성, 표본 크기의 관계를 정리하고, AI 가상 임상 예측 성능 지표(정확도, 민감도, 특이도)와 비교하는 보고서를 작성합니다. 또한 PubMed 등에서 'in silico clinical trial'로 검색해 동료 심사를 거친 논문이 기업 발표 수치와 어떻게 다른지 비교해봅니다.
심화 탐구 아이디어 3: 수학(확률과 통계) 교과와 융합해 이항분포를 이용한 '6회 시행 중 5회 성공'의 확률을 계산하고, 이것이 우연에 의한 결과일 가능성을 수치로 제시합니다. 또는 사회·윤리 교과와 융합해 알고리즘 편향으로 인한 희귀 질환 환자의 치료 기회 불평등 문제를 논증 구조로 정리하고, AI 의사결정의 책임 소재에 대한 자신의 입장을 근거와 함께 서술합니다.

활동을 기록하는 문장 예시

직접 수행한 활동을 바탕으로 수정하는 예시입니다. 아직 하지 않은 활동을 수행한 것처럼 쓰지 마세요.

AI 가상 임상의 예측 성능을 비판적으로 검토하기 위해 동전 던지기 실험을 설계하여 표본 크기(n=6, 30, 100)별 성공 비율의 변동 폭을 직접 기록하고, '6건 중 5건 적중'이라는 수치만으로 예측 신뢰성을 일반화하기 어렵다는 결론을 데이터로 도출하였습니다. 알고리즘 편향 개념을 학습한 뒤, 희귀 질환처럼 성공 사례 데이터가 적은 분야에서 AI 모델이 부정적 예측으로 기울 수 있는 원리를 생명과학의 바이오마커 개념과 연결해 보고서로 정리하였습니다.

다른 교과의 관점으로 살펴보면

연결 과목: 확률과 통계 · 실용 통계 · 수학과제 탐구 · 정보 · 인공지능 기초 · 현대사회와 윤리 · 윤리문제 탐구 · 법과 사회 · 정치 · 독서와 작문 · 주제 탐구 독서 · 독서 토론과 글쓰기

수학

임상시험에서 예측 모델의 성능을 평가하는 민감도·특이도, p값, 신뢰구간 개념을 학습하고, '6건 중 5건 적중'이라는 수치가 통계적으로 얼마나 의미 있는지를 표본 크기와 오차 범위 관점에서 분석할 수 있습니다.

정보

AI 예측 모델이 과거 임상 데이터를 학습해 결과를 예측하는 원리(지도 학습, 훈련 데이터와 테스트 데이터 분리, 과적합 문제)를 이해하고, 학습 데이터의 편향이 예측 결과에 어떤 영향을 미치는지 연결할 수 있습니다.

윤리

AI가 의료 영역에서 의사결정을 보조할 때 발생하는 책임 귀속 문제, 알고리즘 편향으로 인한 의료 불평등, 환자 동의와 데이터 프라이버시 쟁점을 생명윤리 원칙과 연결해 토론할 수 있습니다.

사회

신약 허가 절차와 임상시험 규제 체계를 학습하고, AI 가상 임상 결과가 규제 기관의 허가 심사에서 어느 수준의 근거로 인정될 수 있는지, 관련 법·제도가 어떻게 변화하고 있는지 탐구할 수 있습니다.

국어

과학 기사의 수치와 주장을 비판적으로 읽는 연습을 하고, '6건 중 5건'처럼 제한된 사례를 일반화하는 표현이 독자에게 어떤 인상을 주는지 분석하며 과학적 글쓰기의 정확성과 표현 방식을 탐구할 수 있습니다.

이 문제를 다른 입장에서 보면?윤리 쟁점 · 여러 관점과 토론 질문

AI 가상 임상이 신약 개발의 투자 판단과 임상 설계에 활용될 때, 예측 오류로 인한 환자 피해와 알고리즘 편향의 책임을 누가 어떻게 질 것인가.

찬성/지지 입장

가상 임상은 실제 환자를 위험에 노출시키기 전에 임상 설계의 문제점을 미리 발견하고 수정할 기회를 제공합니다. 불필요한 임상시험 진입을 줄임으로써 환자가 효과 없는 약물에 노출되는 위험을 낮추고, 막대한 개발 비용이 낭비되는 것을 줄여 결과적으로 더 많은 환자에게 더 빠르게 효과적인 치료제를 공급할 수 있다는 논리다. 또한 희귀 질환처럼 환자 수가 적어 충분한 규모의 임상시험을 수행하기 어려운 경우, 가상 시뮬레이션이 대안적 근거를 보완하는 역할을 할 수 있다는 기대도 있습니다.

반대/우려 입장

AI 예측 모델은 과거 임상 데이터를 학습하기 때문에, 기존 치료 경험이 부족한 질환이나 새로운 작용기전을 가진 신약에 대해서는 신뢰할 수 있는 예측이 어렵다는 점이 기사에서도 지적되었습니다. 또한 예측이 틀렸을 때 그 결과로 개발이 중단된 약물이 실제로는 효과가 있었을 가능성, 반대로 잘못된 긍정 예측으로 유해한 약물이 임상에 진입할 가능성도 배제하기 어렵습니다. AI 판단에 과도하게 의존할 경우, 의사와 과학자의 전문적 판단이 약화되고 예측 오류에 대한 책임 소재가 불분명해질 수 있다는 우려도 있습니다.

헬싱키 선언(임상시험에서 피험자 보호와 과학적 엄밀성 요구), 「생명윤리 및 안전에 관한 법률」(국내 임상시험 윤리 기준), FDA의 AI/ML 기반 의료기기 규제 지침(해외 사례), 알고리즘 투명성 및 설명 가능성(XAI) 원칙

AI가 '이 신약은 임상에서 실패할 가능성이 높다'고 예측했을 때, 제약사가 개발을 중단하는 결정을 AI 예측만으로 내려도 될까? 그 결정으로 치료 기회를 잃는 환자가 생긴다면, 책임은 누구에게 있을까?

읽고 나니, 무엇이 달라졌을까?핵심 정리 · 오개념 · 자기점검

기억할 핵심

가상 임상은 실제 임상시험을 대체하는 것이 아니라, 임상 설계를 보완하거나 개발 가능성을 미리 점검하는 보조 도구입니다.
AI 예측 모델은 학습 데이터에 편향이 있으면 예측 결과도 편향될 수 있으며, 특히 치료 성공 사례가 드문 질환에서 부정적 예측 오류가 생길 수 있습니다.
기업이 직접 제공한 예측 성능 수치는 독립적인 제3자의 검증을 거치지 않았을 수 있으므로, 동료 심사 논문 등 추가 근거를 확인하는 비판적 태도가 필요합니다.

헷갈리기 쉬운 부분

오개념 1: 'AI가 6건 중 5건을 맞혔으니 믿을 만한 기술이다' → 올바른 이해: 표본 수가 6건에 불과하면 우연에 의한 결과일 가능성을 배제하기 어려우며, 예측 성공 기준과 검증 방식이 투명하게 공개되지 않으면 수치만으로 신뢰도를 판단할 수 없습니다.
오개념 2: '가상 임상이 발전하면 실제 환자 임상시험은 필요 없어질 것이다' → 올바른 이해: 현재 기술 수준에서 가상 임상은 설계 보조 도구이며, 다케다·바이오젠 등 제약업계도 AI가 아직 확정적 예측 단계에 이르지 못했다고 밝혔다. 실제 환자 임상시험은 여전히 치료 근거를 확인하는 필수 과정입니다.

바이오젠이 제기한 '알고리즘 편향' 우려를 자신의 말로 설명하고, 이 문제가 어떤 종류의 질환에서 특히 심각해질 수 있는지 그 이유를 생명과학 개념을 활용해 서술할 수 있는가?

이 과학은 실제로 어디에 쓰일까?산업 연계 · 기업과 기관 · 미래 전망

기사에 따르면 글로벌 제약·바이오업계는 AI를 신약 후보물질 발굴에서 임상시험 설계와 투자 판단 영역으로 확장 적용하고 있습니다. 가상 임상 기술은 실제 임상 전 단계에서 어떤 환자군에게 효과가 나타날지, 어떤 설계가 최적인지를 사전에 시뮬레이션해 개발 실패 위험과 비용을 줄이는 방향으로 활용되고 있다고 기사는 보도하고 있습니다. 또한 인수합병(M&A) 과정에서 후보물질의 가치를 평가하는 도구로도 활용되는 흐름이 나타나고 있습니다.

시장 동향

기사 본문에는 구체적인 시장 규모 수치가 제시되어 있지 않다. 다만 기사는 글로벌 제약·바이오업계 전반에서 AI 가상 임상 활용이 확산되는 흐름을 보도하고 있으며, FDA의 AI 기반 심사 준비와 '디지털트윈 임상' 실험 등의 관련 동향도 함께 언급하고 있습니다. 구체적인 시장 규모 데이터는 별도의 시장조사 보고서(예: Grand View Research, MarketsandMarkets 등의 보고서)를 통해 확인해야 합니다.

이런 문제를 다루는 사람들은?직업 · 학과 · 진로 탐색

임상시험 데이터 사이언티스트

임상시험에서 수집된 환자 데이터를 분석하고, AI 예측 모델의 성능을 검증하거나 시뮬레이션 결과와 실제 임상 결과를 비교 분석하는 업무를 담당합니다. 통계학, 생물정보학, 의학 지식이 복합적으로 요구됩니다.

임상시험 설계 전문가(CRA/CRO 연구원)

신약의 임상시험 프로토콜을 설계하고, 적절한 환자군 선정 기준과 평가변수를 결정하는 역할을 합니다. AI 가상 임상 도구를 활용해 설계안을 사전에 시뮬레이션하고 최적화하는 업무가 점점 중요해지고 있습니다.

바이오테크 투자 분석가

신약 후보물질의 개발 가능성과 임상 성공 확률을 분석해 투자 가치를 평가하는 업무를 담당합니다. 기사에서 언급된 것처럼 AI 가상 임상 결과를 인수합병(M&A) 판단에 활용하는 흐름이 나타나면서, 생명과학 지식과 재무·경제 분석 역량을 함께 갖춘 전문가 수요가 증가하고 있습니다.