2026-10-21 · 신약개발·제약

LG화학, AI로 신약 찾고 환자 선별…2029년 항암백신 임상 추진

LG화학이 2026 LG AI 바이오 컨퍼런스를 개최하고, AI를 신약 후보물질 발굴에서 임상시험 환자 선별 단계까지 확대 적용하겠다는 전략을 발표했다. 특히 정밀 항암 분야에서 바이오마커를 발굴하여 임상에 적합한 환자를 선별함으로써 임상 성공 가능성을 높이는 것을 목표로 한다. 개인맞춤형 mRNA 항암백신 개발에도 AI를 활용하여 환자별 신항원을 예측하는 AI 모델을 구축 중이며, 2027년 전임상, 2029년 임상 진입을 목표로 하고 있다. 이날 행사에는 인실리코 메디슨, 라일라 사이언스 등 글로벌 AI 바이오 기업들이 참여해 생성형 AI 기반 신약 발굴, 자율형 연구실 개념 등의 사례를 공유했다.

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
통합과학1 공통: 영역: 시스템과 상호작용
관련 내용: 생명 시스템

읽는 순서는 자유예요. 궁금한 항목을 바로 열어보세요.

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

기사에서 확인된 사실

LG화학은 2026년 10월 20일 서울 강서구 LG사이언스파크에서 LG AI연구원, 미국 바이오 벤처캐피털 플래그십 파이오니어링과 '2026 LG AI 바이오 컨퍼런스'를 개최했다고 기사 본문에 명시되어 있습니다.
인실리코 메디슨이 생성형 AI로 발굴한 후보물질이 임상 단계까지 진입한 사례를 이날 행사에서 발표했다고 기사에 언급되어 있습니다.
LG화학은 환자별 암세포의 신항원(Neoantigen)을 예측하는 AI 모델을 구축·고도화 중이라고 기사에 서술되어 있습니다.
라일라 사이언스는 AI 에이전트가 신약 설계·합성·실험·학습을 반복하는 '자율형 연구실' 개념을 소개했다고 기사에 기술되어 있습니다.

아직 불확실한 점

LG화학이 2027년 전임상, 2029년 임상 진입을 목표로 한다고 밝혔으나, 이는 현재의 계획과 목표이며 전임상·임상 결과에 따라 일정이 변경될 수 있습니다.
AI를 활용해 임상 성공 가능성을 높일 수 있다는 구상은 현재 연구·개발 중인 전략으로, 실제 임상에서의 효과와 성공 여부는 아직 확인되지 않았습니다.
손지웅 LG화학 사장의 'AI가 신약개발의 핵심 엔진으로 진화하고 있다'는 발언은 기업 경영자의 입장으로, 학계 및 규제 기관의 공식 평가와는 다를 수 있습니다.

더 확인할 근거

인실리코 메디슨이 AI로 발굴한 후보물질의 구체적인 임상 단계(Phase 1/2/3)와 현재 진행 상황은 기사에 명시되지 않아, 공식 임상시험 등록 데이터베이스(ClinicalTrials.gov 등)에서 추가 확인이 권장됩니다.

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

과학이야기

mRNA를 치료제로 활용한다는 아이디어는 1990년대 초부터 제기되었으나, 당시에는 mRNA가 체내에서 너무 빠르게 분해되고 강한 면역 반응을 유발해 실용화가 어렵다는 평가가 지배적이었습니다. 헝가리 출신의 생화학자 커털린 커리코(Katalin Karikó)는 mRNA의 뉴클레오사이드를 변형하면 면역 반응을 낮추고 안정성을 높일 수 있다는 연구를 수십 년간 이어갔으며, 이 연구는 당시 학계와 기관의 지원을 받기 어려웠던 것으로 알려져 있습니다. 이후 드루 와이스먼(Drew Weissman)과의 공동 연구로 이 문제가 돌파구를 찾게 되었고, 두 사람은 이 업적으로 2023년 노벨 생리의학상을 수상했습니다. 이 연구의 핵심 성과는 코로나19 mRNA 백신 개발에 직접 적용되었으며, 이전까지 수년이 걸리던 백신 개발 과정이 약 1년 만에 이루어질 수 있었던 기술적 토대가 되었습니다. 현재 mRNA 기술은 감염병 백신을 넘어 암 치료(항암백신) 분야로 확장되고 있으며, LG화학을 포함한 여러 기업이 이 기술을 암 치료에 적용하기 위한 연구를 진행 중입니다. 오랫동안 비주류로 여겨지던 연구가 하나의 핵심 기반 기술로 자리잡은 역사적 사례로 꼽힙니다.

이 기사를 이해하는 열쇠, 핵심 개념어

신항원(Neoantigen): 암세포에서 발생한 유전자 돌연변이로 인해 새롭게 만들어지는 단백질 조각으로, 정상 세포에는 없고 암세포에만 존재해 면역계가 암세포를 인식·공격하게 유도하는 표적이 됩니다.
바이오마커(Biomarker, 생체표지자): 혈액·조직·유전자 등 생체 내에서 측정할 수 있는 지표로, 특정 질병의 진단·예후 예측 또는 치료 반응 여부를 판단하는 데 사용됩니다. 임상시험에서는 치료 효과가 높을 환자를 선별하는 기준이 됩니다.
mRNA 항암백신: 암세포의 신항원 정보를 담은 mRNA를 환자에게 투여하여 면역계가 해당 암세포를 인식하고 공격하도록 유도하는 치료 전략으로, 코로나19 백신 기술과 유사한 원리를 암 치료에 응용한 것입니다.
AI 기반 신약개발(AI-driven Drug Discovery): 인공지능이 방대한 생물학적 데이터를 학습하여 신약 후보물질을 발굴하거나, 임상시험 설계·환자 선별 등 신약개발의 여러 단계에서 의사결정을 보조하거나 자동화하는 기술 및 접근법입니다.

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.

이 기사를 더 깊이 이해하려면 생명과학 교과서의 '면역' 단원(항원-항체 반응, 세포성 면역, 체액성 면역)과 '유전자와 단백질' 단원을 함께 복습하는 것이 도움이 됩니다. 특히 T세포가 암세포를 인식하는 원리, MHC(주조직적합성복합체)를 통한 항원 제시 과정을 이해하면 신항원 기반 항암백신의 작동 원리를 더 잘 파악할 수 있습니다. mRNA 백신의 원리는 통합과학2의 '과학과 미래 사회' 단원과 생물의 유전 과목의 '유전자 발현(전사와 번역)' 내용과 연결됩니다. mRNA가 세포 내에서 단백질로 번역되는 과정, 리보솜의 역할, 코돈-아미노산 대응 관계를 정확히 이해하면 mRNA 치료제의 원리를 더 명확하게 설명할 수 있습니다. AI가 유전체 데이터를 분석하는 방식은 정보 교과의 인공지능 기초 및 데이터 과학 과목과 연계됩니다. 머신러닝 모델이 데이터를 학습하여 패턴을 인식하는 원리를 이해하면, AI가 수천 개의 돌연변이 후보 중에서 면역 반응을 유도할 신항원을 어떻게 예측하는지 개념적으로 이해할 수 있습니다.

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: 바이오마커란 무엇이며, 실제 임상시험에서 환자 선별에 어떤 종류의 바이오마커가 사용되는지 조사해보자.
2.탐구 질문 2: 기존 화학적 신약개발 방식과 AI 기반 신약개발 방식을 비교했을 때, 후보물질 발굴 단계에서 소요되는 시간과 비용 측면에서 어떤 차이가 보고되고 있는가?
3.탐구 질문 3: 개인맞춤형 mRNA 항암백신의 효과를 학교 실험 또는 문헌 탐구 수준에서 검증하기 위해 어떤 탐구 설계가 가능할까?
4.탐구 질문 4: AI가 임상시험 참여 환자를 선별하는 기준이 공개되지 않을 경우, 환자와 사회에 어떤 문제가 생길 수 있으며 이를 어떻게 해결할 수 있을까?
5.탐구 질문 5: 이 기사는 AI 바이오 기술의 긍정적 가능성을 주로 소개하고 있는데, 기사에서 다루지 않은 한계나 위험 요소는 무엇이 있을지 비판적으로 분석해보자.

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

탐구의 방향

기사를 단순히 읽고 요약하는 것에서 그치지 않고, 'mRNA 항암백신에서 신항원 예측이 왜 중요한가'라는 구체적인 탐구 질문을 스스로 설정하고, 면역 반응 원리와 AI 예측 모델의 연결고리를 직접 조사·분석한 형태로 세특에 담는 것이 효과적입니다.

심화 탐구 아이디어 1: 실제 공개된 신항원 예측 도구(예: NetMHCpan 등 온라인 공개 툴)의 작동 원리를 조사하고, 어떤 입력값(HLA 유형, 펩타이드 서열 등)이 필요한지 정리하여 AI 예측 모델의 기본 구조를 탐구해보자.
심화 탐구 아이디어 2: 커털린 커리코와 드루 와이스먼의 2023년 노벨 생리의학상 수상 업적 관련 공식 자료(노벨위원회 보도자료)를 읽고, mRNA 뉴클레오사이드 변형 기술이 항암백신 개발에 어떻게 연결되는지 생물의 유전 교과의 '유전자 발현' 내용과 연결하여 보고서를 작성해보자.
심화 탐구 아이디어 3: 통계 교과(확률과 통계)에서 배운 민감도·특이도 개념을 활용하여, 바이오마커 기반 환자 선별의 정확성을 어떻게 평가할 수 있는지 수학적 관점에서 분석하고 생명과학 탐구 보고서와 연계해보자.

활동을 기록하는 문장 예시

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

'mRNA 항암백신에서 신항원이 면역 반응을 유도하는 원리를 교과서의 세포성 면역 단원과 연결하여 탐구하고, AI가 수천 개의 돌연변이 후보 중에서 신항원을 예측하는 방식과 기존 방식의 차이를 비교·정리하였다.' / '바이오마커를 활용한 임상시험 환자 선별 과정에서 발생할 수 있는 알고리즘 편향 문제를 조사하고, 이를 헬싱키 선언의 피험자 보호 원칙과 연결하여 생명윤리적 쟁점을 다각도로 분석하였다.'

다른 교과의 관점으로 살펴보면

연결 과목: 인공지능 기초 · 데이터 과학 · 정보 · 현대사회와 윤리 · 윤리문제 탐구 · 확률과 통계 · 실용 통계 · 수학과제 탐구

정보

AI 모델이 유전체 데이터와 환자 생물학적 특성을 학습하여 신항원을 예측하는 과정은, 인공지능의 머신러닝 원리(데이터 학습·패턴 인식·예측 모델 구축)와 직접 연결됩니다.

정보

임상시험에서 바이오마커를 발굴하고 환자를 선별하는 과정은 대규모 유전체·임상 데이터를 수집·분석·해석하는 데이터 과학의 실제 적용 사례입니다.

도덕(윤리)

AI가 임상시험 참여 환자를 선별하는 과정에서 발생할 수 있는 알고리즘 편향, 환자 자율성, 사전 동의 등의 생명윤리 쟁점을 탐구할 수 있습니다.

수학

임상시험의 성공 가능성을 높이기 위해 환자 선별 기준을 분석하는 과정에서, 민감도·특이도·통계적 유의성(p값) 등의 통계 개념이 직접 활용됩니다.

이 문제를 다른 입장에서 보면?윤리 쟁점 · 여러 관점과 토론 질문

AI가 임상시험 참여 환자를 선별하는 데 활용될 때, 알고리즘의 편향 또는 불투명성으로 인해 특정 환자군이 치료 기회에서 배제될 수 있는가.

찬성/지지 입장

AI가 환자의 생물학적 특성과 바이오마커를 정밀하게 분석하면 치료 효과가 높을 환자를 선별할 수 있어, 임상시험의 성공률을 높이고 부적합한 환자가 부작용 위험에 노출되는 것을 줄일 수 있습니다. 효율적인 임상 설계는 신약 개발 기간과 비용을 줄여 결국 더 많은 환자에게 빠르게 치료제를 제공하는 데 기여한다는 논리다.

반대/우려 입장

AI 모델이 특정 인종·성별·연령대의 데이터에 편중되어 학습된 경우, 특정 환자군이 체계적으로 임상에서 배제될 수 있습니다. 또한 AI의 의사결정 과정이 불투명(블랙박스)할 경우, 환자나 의료진이 선별 기준을 이해하거나 이의를 제기하기 어려워 환자의 자율성과 알 권리가 침해될 수 있습니다.

헬싱키 선언(임상시험에서의 피험자 보호와 사전 동의 원칙), 대한민국 생명윤리 및 안전에 관한 법률(임상시험 피험자 보호), EU AI Act(고위험 AI 시스템에 대한 투명성·설명가능성 요구)

AI가 임상시험에 참여할 환자를 선별하는 기준을 환자 본인과 의료진에게 얼마나, 어떤 방식으로 공개해야 한다고 생각하는가?

읽고 나니, 무엇이 달라졌을까?핵심 정리 · 오개념 · 자기점검

기억할 핵심

LG화학은 AI를 신약 후보물질 발굴뿐 아니라 임상시험 환자 선별 단계까지 확대 적용하려 하며, 이를 통해 임상 성공 가능성을 높이는 것이 핵심 전략입니다.
개인맞춤형 mRNA 항암백신은 환자별 암세포의 신항원을 AI로 예측하여 그 정보를 담은 mRNA를 투여함으로써 면역계가 암세포를 표적 공격하도록 유도하는 원리입니다.
이 기사에 나온 임상 목표 일정(2027년 전임상, 2029년 임상 진입)은 현재의 계획이며, 실제 임상 성과는 아직 확인되지 않은 상태임을 구분해야 합니다.

헷갈리기 쉬운 부분

오개념 1: 'mRNA 항암백신은 감염병 백신처럼 모든 사람에게 동일하게 적용된다' → 올바른 이해: 항암 mRNA 백신은 환자별 암세포의 고유한 신항원을 분석하여 각 환자에게 맞춤 제작하는 '개인맞춤형' 치료제로, 감염병 예방 백신과 달리 표준화된 대량 생산이 현재 기술적으로 도전적인 과제입니다.
오개념 2: 'AI가 신약을 개발하면 임상시험이 필요 없어진다' → 올바른 이해: AI는 후보물질 발굴이나 환자 선별의 효율을 높이는 도구이며, 실제 안전성과 효능을 검증하는 전임상·임상시험은 여전히 반드시 거쳐야 하는 필수 단계입니다.

신항원(Neoantigen)이 정상 세포가 아닌 암세포에서만 나타나는 이유를 유전자 돌연변이 개념과 연결하여 스스로 설명할 수 있는가?

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

AI 기반 신약개발은 후보물질 발굴, 임상시험 설계, 환자 선별 등 신약개발의 여러 단계에 걸쳐 실제 산업에 도입되고 있습니다. LG화학은 개인맞춤형 mRNA 항암백신 개발을 포함해 AI를 임상개발 의사결정에 활용하겠다는 전략을 공식적으로 발표했으며, 이는 기업의 신약 파이프라인 전략의 일환입니다.

시장 동향

한국바이오협회 및 글로벌 시장조사 기관들은 AI 신약개발 시장이 빠르게 성장하고 있다고 보고하고 있으나, 구체적인 시장 규모 수치는 기사에 명시되지 않아 별도 출처 확인이 필요합니다. 이 기사에서는 국내외 AI 바이오 기업 관계자 140여 명이 컨퍼런스에 참석했다는 사실을 통해 해당 분야에 대한 산업계의 높은 관심을 확인할 수 있습니다.

미래 전망

현재 여러 제약·바이오 기업과 연구기관에서 개인맞춤형 mRNA 항암백신의 실용화를 목표로 연구가 진행 중입니다. 모더나와 머크(MSD)는 흑색종(피부암) 환자를 대상으로 개인맞춤형 mRNA 암 백신(mRNA-4157)의 임상시험을 진행하고 있으며, 일부 결과가 학술적으로 보고된 바 있습니다. LG화학은 2027년 전임상, 2029년 임상 진입을 목표로 자체 신항원 예측 AI 모델을 고도화하고 있다고 밝혔으나, 구체적인 임상 성과는 아직 확인되지 않았습니다. AI를 활용한 임상시험 환자 선별 기술은 정밀의료(Precision Medicine)의 실현 가능성을 높일 수 있다는 가능성이 제기되고 있습니다. 다만 AI 모델의 학습 데이터 다양성 부족, 예측 결과의 임상 검증 부족 등이 해결해야 할 과제로 지속적으로 언급되고 있으며, 규제 기관의 AI 의료기기 허가 기준 마련도 현재 논의 중인 단계다. 자율형 연구실 개념(AI 에이전트가 실험을 반복 수행)은 신약개발의 속도를 높일 수 있다는 기대와 함께, 실험의 재현성과 안전성 확보가 선행되어야 한다는 지적도 함께 제기되고 있습니다.

이런 문제를 다루는 사람들은?직업 · 학과 · 진로 탐색

생물정보학자(Bioinformatician)

유전체·단백질 서열 데이터를 분석하여 신항원을 예측하는 AI 모델을 개발하고 검증하는 업무를 수행하며, 이 기사에서 언급된 AI 기반 신항원 예측 모델 구축과 직접 연결됩니다.

임상시험 코디네이터(Clinical Research Coordinator)

임상시험 프로토콜에 따라 환자 선별 기준을 적용하고 데이터를 수집·관리하는 업무를 담당하며, AI 선별 도구의 실제 현장 적용을 지원하는 역할을 합니다.

의약품 규제 전문가(Regulatory Affairs Specialist)

AI 기반 의료기기 또는 신약이 식품의약품안전처·FDA 등 규제 기관의 허가를 받을 수 있도록 임상 데이터를 정리하고 허가 신청 전략을 수립하는 업무를 수행합니다.