의약품 전주기 단계별 AI 기술의 업계 현황 자료집

과학이야기

인류가 신약을 개발하는 방식은 수십 년에 걸쳐 크게 변화해 왔다. 20세기 초반까지는 자연물에서 유효 성분을 분리하는 방식이 주류였으며, 페니실린의 발견(1928년, 알렉산더 플레밍)처럼 우연한 관찰이 획기적인 의약품으로 이어지는 경우도 있었습니다. 당시에는 수천 가지 물질을 일일이 손으로 시험하는 '무작위 탐색(random screening)'이 표준적인 방법이었습니다. 1990년대 이후 유전체학과 조합화학(combinatorial chemistry)의 발전으로 한 번에 수십만 개의 화합물을 자동으로 시험하는 고속대량탐색(HTS, High-Throughput Screening)이 등장하였고, 이를 통해 후보 물질 탐색 속도가 크게 빨라졌다. 그러나 HTS로 발굴된 후보 물질이 임상에서 실제로 성공하는 비율은 여전히 매우 낮다고 보고되어 있어, 탐색 방법의 효율화만으로는 한계가 있다는 인식이 쌓였습니다. 이러한 배경 속에서 2010년대 이후 딥러닝 기술의 급격한 발전과 방대한 생물학적 데이터의 축적이 맞물리면서, AI를 신약개발에 적극 도입하려는 시도가 산업계와 학계에서 본격화된 것으로 알려져 있습니다. 이처럼 신약개발의 역사는 '어떻게 하면 더 빠르고 정확하게 유효한 물질을 찾아낼 것인가'라는 질문에 대한 끊임없는 방법론적 혁신의 역사이기도 합니다.

이 기사를 이해하는 열쇠, 핵심 개념어

의약품 전주기(Drug Lifecycle)

의약품이 처음 개발 아이디어에서 시작하여 후보 물질 탐색 → 전임상시험 → 임상시험(1·2·3상) → 허가 심사 → 제조·품질관리 → 유통 → 시판 후 안전관리(PV)에 이르기까지 모든 단계를 통칭하는 말입니다.

AI 신약개발(AI-driven Drug Discovery)

인공지능(머신러닝·딥러닝 등)을 활용하여 방대한 화합물 데이터베이스·유전체 데이터·임상 데이터를 분석함으로써 신약 후보 물질 발굴, 독성 예측, 임상 설계 최적화 등을 수행하는 접근법입니다.

임상시험(Clinical Trial)

신약 후보 물질의 안전성과 유효성을 사람을 대상으로 검증하는 단계로, 통상 1상(안전성·용량), 2상(유효성·용량 탐색), 3상(대규모 비교 검증)으로 구분됩니다.

규제과학(Regulatory Science)

의약품·의료기기 등의 안전성·유효성·품질을 평가하고 허가하는 데 필요한 과학적 방법론과 기준을 개발하는 학문 분야로, AI 기술의 의약품 적용 시 규제 기준 마련이 주요 과제로 떠오르고 있습니다.

알고리즘 편향(Algorithmic Bias)

AI 모델이 학습한 데이터에 특정 집단이 과소·과대 대표될 경우, 모델의 예측 결과가 해당 집단에 대해 불공정하거나 부정확해지는 현상입니다.

탐구의 방향

단순히 기사나 자료집을 읽고 요약하는 수준을 넘어, 의약품 전주기의 특정 단계 하나를 선택하여 '그 단계에서 AI가 수행하는 역할의 원리, 현재 활용 사례, 그리고 한계'를 스스로 탐구한 기록으로 구성하는 것이 효과적입니다. 특히 탐구 과정에서 생명과학(생명공학기술), 수학(확률과 통계), 정보(인공지능 기초) 등 여러 과목의 개념이 실제로 어떻게 연결되는지를 학생 자신의 언어로 서술한다면 세특에서 융합적 사고력을 드러낼 수 있습니다.

• 심화 탐구 아이디어 1: 식약처 발간 자료집 원문(PDF)을 직접 분석하여 의약품 전주기 중 한 단계(예: 임상 2상 설계)를 선택하고, 그 단계에서 AI가 실제로 어떤 알고리즘을 사용하며 어떤 데이터를 분석하는지를 수집한 자료를 근거로 정리·발표해 보기.
• 심화 탐구 아이디어 2: 국내외 AI 신약개발 관련 논문 1편(PubMed·RISS에서 검색 가능한 리뷰 논문)을 선택하여 초록과 결론 부분을 독해하고, 논문이 주장하는 성과와 한계를 비판적으로 정리한 독서 감상문 또는 탐구 보고서 작성하기.
• 심화 탐구 아이디어 3: 「확률과 통계」 수업에서 배운 민감도·특이도 개념을 AI 독성 예측 모델의 성능 평가에 적용하여, 'AI가 독성을 잘못 예측할 경우 어떤 결과가 발생하는가'를 수학적 관점(위양성·위음성 비용 비교)과 윤리적 관점에서 동시에 탐구하는 교과 융합 보고서 작성하기.

다른 교과의 관점으로 살펴보면

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

의약품 개발 및 허가·관리 과정에 AI를 도입할 때, 알고리즘의 투명성·책임 소재·데이터 편향성 문제를 어떻게 해결할 것인가?

헬싱키 선언(임상연구 윤리), 국내 「생명윤리 및 안전에 관한 법률」(생명윤리법), 「개인정보 보호법」, EU AI Act(인공지능 규제법, 2024년 발효), 식품의약품안전처 AI 기반 의료기기·의약품 가이드라인

AI가 신약 후보 물질을 선별하고 임상 데이터를 분석하는 과정에서 내린 판단에 오류가 생겨 환자에게 피해가 발생했다면, 그 책임은 AI를 개발한 기업, AI를 사용한 제약사, 허가를 내린 규제기관 중 누가 어떤 비율로 져야 할까?

기억할 핵심

• 의약품 전주기란 신약의 아이디어 탄생부터 시판 후 안전관리까지 모든 단계를 포함하며, AI는 이 각 단계에서 서로 다른 방식으로 활용될 수 있습니다.
• AI가 의약품 개발에 도입된다는 것은 AI가 스스로 신약을 만든다는 뜻이 아니라, 방대한 데이터를 분석하여 연구자의 의사결정을 보조하는 것을 의미합니다.
• AI 신약개발 기술에는 알고리즘 편향, 데이터 프라이버시, 책임 소재 불명확성 등의 윤리적·제도적 과제가 함께 존재하며, 이를 해결하기 위한 규제 기준 마련이 진행 중입니다.

헷갈리기 쉬운 부분

• 오개념 1: 'AI가 신약을 직접 발명한다' → 올바른 이해: AI는 수많은 화합물 데이터 중 가능성이 높은 후보를 빠르게 추려내는 역할을 하며, 실제 실험·임상·허가·판단은 여전히 과학자와 규제기관이 담당합니다.
• 오개념 2: 'AI를 쓰면 신약개발이 반드시 빠르고 정확해진다' → 올바른 이해: AI 모델의 성능은 학습 데이터의 질과 양에 크게 의존하며, 데이터 편향이나 모델 과적합 문제로 인해 잘못된 예측이 나올 수도 있습니다. 현재는 AI 도입 효과를 검증하는 연구가 진행 중인 단계입니다.

의약품 전주기의 5단계(후보 탐색 → 전임상 → 임상 → 허가 → 시판 후 관리)를 직접 순서대로 설명하고, 각 단계에서 AI가 어떤 역할을 할 수 있는지 한 가지씩 예를 들어 설명할 수 있는가?

AI는 의약품 전주기의 여러 단계에서 활용되고 있으며, 특히 신약 후보 물질 탐색, 임상시험 설계 최적화, 제조 공정 품질관리, 시판 후 이상반응(부작용) 신호 탐지 분야에서 도입이 진행 중인 것으로 알려져 있습니다. 식품의약품안전처는 이러한 흐름에 대응하여 업계 현황을 파악하고 규제 가이드라인 마련을 위한 기초 자료로 본 자료집을 발간한 것으로 보입니다.

관련 기업·기관

1) 식품의약품안전처(NIFDS): 의약품 AI 활용 현황 자료집 발간 및 규제과학 가이드라인 개발 주도. 2) 국내 제약바이오 기업들(구체적 기업명은 자료집 원문 확인 필요): AI를 활용한 신약 후보 물질 탐색 및 임상 데이터 분석을 추진 중인 것으로 보고된 바 있음(구체적 성과는 원문 및 개별 기업 공시 확인 필요). 3) 글로벌 사례로는 Insilico Medicine, Recursion Pharmaceuticals 등이 AI 신약개발 플랫폼을 운영 중이라고 공개적으로 알려져 있으나, 본 기사 기준으로 이들 기업이 자료집에 포함되었는지는 원문 확인이 필요합니다.

시장 동향

글로벌 AI 신약개발 시장은 꾸준히 성장 중이라고 다수의 시장조사 기관이 보고하고 있으나, 구체적인 수치는 조사 기관과 시점에 따라 다르므로 특정 수치를 단정하지 않는 것이 바람직합니다. 국내에서는 식약처·보건복지부를 중심으로 AI 기반 의약품 개발 지원 정책이 추진 중이라고 공개 보도된 바 있다 (출처: 식약처 공식 홈페이지 및 정책 보도자료).

미래 전망

현재 국내외 규제기관은 AI가 도출한 데이터를 의약품 허가 근거로 인정하기 위한 가이드라인 마련을 목표로 연구 중입니다. 식품의약품안전처도 이번 자료집 발간을 포함하여 AI 활용 현황 파악과 규제 기준 개발을 단계적으로 추진하는 것으로 보입니다. 신약 후보 물질 탐색 단계에서 AI가 화합물 공간을 더 효율적으로 탐색하여 임상 실패율을 낮출 수 있다는 가능성이 제기되고 있으나, 이것이 실제로 유의미한 수준으로 구현될 수 있는지는 현재 진행 중인 연구들을 통해 검증되고 있는 단계입니다. 또한 AI 모델의 예측 결과를 사람이 검증하는 '인간-AI 협업' 방식이 규제 허가 심사에 도입될 수 있는지에 대한 논의가 학계와 규제기관 사이에서 이루어지고 있는 것으로 알려져 있습니다. 위장관 감염병 백신 분야에서는 AI를 활용한 항원 예측 및 백신 후보 물질 탐색 연구가 진행 중인 것으로 보고되고 있으며, 이 역시 기술의 실제 성과가 임상을 통해 검증되는 과정에 있습니다. 어떤 방향으로 발전할지는 현재의 연구 결과가 축적된 이후에야 보다 명확해질 것으로 전망됩니다.

관련 학과

1) 제약학과·약학대학: 의약품 개발 전반과 규제과학을 다루며, AI 활용 신약개발 연구가 증가하고 있습니다. 2) 바이오정보학과·생명정보학과: 유전체·단백질 데이터 분석 및 AI 모델 개발을 중심으로 신약개발과 연계한 연구를 수행합니다. 3) 의생명공학과·의공학과: 의약품 및 의료기기 개발에 AI·데이터과학을 접목하는 융합 연구를 담당합니다.

식품의약품안전처 규제과학 연구원들은 제약기업이 제출한 AI 기반 분석 결과의 타당성을 검토하기 위해 AI 알고리즘의 작동 원리, 학습 데이터의 품질, 출력 결과의 재현성 등을 직접 점검하는 업무를 수행하는 것으로 알려져 있습니다. 이들은 생명과학·약학·통계학·정보과학 등 다양한 배경을 가진 전문가들이 협력하여 규제 기준을 만들어가는 과정에 있으며, 국내외 가이드라인을 비교 분석하고 공청회를 통해 업계 의견을 수렴하는 일도 담당합니다.