Vivodyne이 말하는 AI 신약 개발의 병목, 더 나은 인간 데이터

Vivodyne의 핵심 주장은 간단하다. AI 신약 개발의 문제는 알고리즘이 충분히 크지 않아서가 아니라, 인간 조직이 약물에 어떻게 반응하는지를 보여주는 데이터가 부족해서라는 것이다.

AI는 새로운 표적과 분자, 실험 아이디어를 빠르게 제안할 수 있다. 하지만 학습 데이터가 동물실험, 단일 세포 분석, 단백질 연구 또는 관찰 데이터에 치우쳐 있다면, 복잡한 인간 조직에서 특정 약물이 어떤 결과를 낳을지는 제대로 예측하기 어렵다. 비보디네(Vivodyne) 최고경영자 안드레이 게오르제스쿠는 현재의 AI 설계 약물이 인간이 설계한 약물보다 아직 크게 우수하지 않다며, 그 이유로 모델이 학습할 실험실 데이터가 충분하지 않다는 점을 지적했다. 25

회사가 내놓은 해법은 인간 조직을 대규모로 배양하고 약물을 투여한 뒤, 변화 과정을 자동으로 기록하는 자율 실험실 플랫폼 HIVE다.

상관관계만으로는 약물 반응을 설명하기 어렵다

신약 개발 모델은 생물학적 특징과 질병 결과 사이의 연관성을 찾아낼 수 있다. 그러나 특정 조직에 특정 용량의 약물을 투여했을 때 실제로 무엇이 변하는지까지 보여주는 것은 별개의 문제다.

Vivodyne이 강조하는 개념은 **교란(perturbation)**이다. 생물학적 조건을 의도적으로 바꾸고, 그에 따른 조직의 반응을 측정하는 방식이다. 회사의 설명대로라면 “치료 X를 용량 Y로 투여했을 때 조직 Z가 측정 가능한 방식으로 변한다”는 관계를 얻는 셈이다. 기존 데이터를 관찰해 연관성을 찾는 데 그치지 않고, 통제된 실험으로 약물과 조직 반응 사이의 인과적 단서를 확보하려는 접근이다. 2

이 차이는 중요하다. 불완전하거나 인간 생물학과 잘 맞지 않는 데이터로 학습한 모델은 실제 환자에게 적용되지 않는 결과를 높은 확신으로 내놓을 수 있기 때문이다. Vivodyne의 주장은 대형 모델이 쓸모없다는 뜻이 아니다. 모델 규모만 키우고 실험 데이터의 품질과 인간 관련성을 함께 높이지 않으면 성능 향상이 제한적일 수 있다는 뜻에 가깝다. 1725

HIVE는 어떻게 작동하나

HIVE는 로봇공학, 미세유체 기술, 조직공학, 자동 약물 투여 시스템, 생물학적 측정 장비를 결합한 모듈형 자율 실험실이다. Vivodyne은 이 시스템이 20종의 인간 조직을 배양한 뒤 약물이나 유전적 변화 등 다양한 개입을 가하고, 시간에 따른 반응을 추적할 수 있다고 설명한다. 117

플랫폼의 중심에는 TissueDisk가 있다. 회사에 따르면 이 디스크에서는 수백 개의 독립적인 인간 조직을 동시에 배양하고 투여할 수 있다. 각각의 조직 모델은 약 20만~50만 개의 세포로 구성되며, 일부에는 약물이 보다 실제적인 방식으로 전달되도록 조직 특이적인 3차원 혈관 네트워크가 포함된다. 이 혈관망은 관류가 가능해 혈관 내부로 약물을 투여하는 실험도 지원한다. 24

실험 흐름은 다음과 같다.

1. 표준화된 인간 조직 모델을 배양한다.
2. 약물, 용량, 유전적 변화 또는 여러 개입을 적용한다.
3. 분자·세포·기능 수준의 반응을 측정한다.
4. 결과를 분석하고 다음 실험 설계에 반영한다.

이렇게 되면 실험실은 서로 분리된 단일 분석의 집합이 아니라, 반복적으로 생물학 데이터를 생산하는 시스템이 된다. 결과도 단순히 조직이 살아남았는지 여부에 그치지 않는다. 어떤 변화가 일어났는지, 언제 시작됐는지, 어떤 세포가 영향을 받았는지, 용량과 치료 조합에 따라 반응이 어떻게 달라졌는지까지 기록할 수 있다는 설명이다.

동물실험과 세포실험이 놓칠 수 있는 것

동물 모델은 전신에서 나타나는 약물 효과를 연구하는 데 여전히 유용하다. 하지만 동물에서 효과가 나타난 약물이 인간에게서 같은 방식으로 작동한다는 보장은 없다. 종 차이는 약물 대사, 독성, 면역 반응, 질병 기전, 여러 조직 간 상호작용에 영향을 줄 수 있다.

단일 세포나 단백질 분석도 중요한 세부 정보를 제공하지만, 여러 세포가 함께 조직을 이루며 작동하는 구조와 생리학적 맥락은 상당 부분 제거한다. 이런 차이는 전임상 단계에서 유망해 보였던 후보물질이 인간 임상 개발 과정에서 실패하는 이유 중 하나가 될 수 있다.

Vivodyne은 인간 조직 데이터를 더 이른 단계에 추가해, 후보물질이 비용이 큰 환자 임상시험에 들어가기 전에 일부 안전성·유효성 문제를 찾아내겠다는 구상이다. 113

다만 배양 조직은 완전한 인간이 아니다. 장기 간 신호, 전신 약동학, 장기적인 면역 반응, 환자별 차이, 질병의 모든 특성을 실험실 조직이 그대로 재현하기는 어렵다. 따라서 HIVE는 임상시험을 대체하는 기술이라기보다, 단순화된 실험과 실제 임상 사이의 간극을 줄이려는 중간 단계로 보는 것이 타당하다.

지금까지 공개된 근거는 무엇인가

Vivodyne은 20종의 화학항암제를 여러 조직 모델에 시험한 결과를 공개했다. 회사에 따르면 간 모델은 인간 약물 독성을 94%의 정확도로 예측했고, 기도 모델은 인간 조직의 행동과 96% 일치했으며, 골수 모델은 해당 시험 세트에서 100% 일치도를 기록했다. 17

수치만 보면 주목할 만하다. 그러나 해석에는 주의가 필요하다. 현재 공개된 자료에서 이 결과는 회사가 발표한 성능 주장으로 제시돼 있다. 다양한 약물군을 대상으로 한 대규모 독립 재현 및 동료심사를 거친 검증이 확립됐다는 뜻은 아니다. HIVE의 예측이 기존 전임상 프로그램보다 실제 신약 승인률을 높였다는 전향적 비교 결과도 아직 제시되지 않았다.

회사는 또 12개의 HIVE 실험실을 갖춘 시설과 연간 310만 건의 통제된 살아 있는 인간 조직 실험 능력을 발표했다. 이는 플랫폼의 처리 규모에 대한 주장이지, 그 자체로 결과가 임상적으로 정확하다는 증거는 아니다. 37

투자금이 뒷받침하는 전략

Vivodyne은 2023년 코슬라 벤처스가 주도하고 카이로스 벤처스, CS 벤처스, MBX 캐피털, 바이슨 벤처스가 참여한 총 3,800만 달러 규모의 시드 투자를 유치했다고 발표했다. 9 이후 로봇공학과 AI 기반 인간 조직 테스트 인프라 확장을 위한 4,000만 달러 규모의 투자 라운드도 공개했다. 7

이 자금은 실험 생물학을 AI의 기반 인프라로 삼는 전략을 뒷받침한다. 먼저 표준화된 대규모 데이터를 생산하고, 그 데이터를 활용해 치료 효과를 예측하고 다음 실험의 우선순위를 정하겠다는 구상이다.

임상시험에는 어떤 변화가 생길 수 있나

HIVE가 독립적인 전향적 연구에서 실제 예측력을 입증한다면, 신약 개발에는 크게 세 가지 변화가 가능하다.

실패를 더 일찍 발견

효과가 약하거나 독성이 높은 후보물질을 환자에게 투여하기 전에 개발 우선순위에서 제외할 수 있다. 임상 실패를 모두 없애지는 못하더라도, 근거가 취약한 후보가 임상시험에 진입하는 사례를 줄일 가능성이 있다.

후보물질과 용량 선택 개선

여러 용량과 조직 환경을 함께 시험하면 어떤 후보물질을 다음 단계로 보낼지, 어떤 용량 범위를 임상에서 검토할지 더 구체적으로 판단할 수 있다. Vivodyne은 이 인간 데이터 플랫폼을 신약 발굴뿐 아니라 ADME·독성 평가와 임상시험 설계에도 활용할 수 있다고 설명한다. 13

더 유용한 AI 모델 구축

치료 개입과 조직 반응을 반복해서 측정하면, AI가 약물·표적·용량·질병 맥락과 조직 수준의 결과를 연결해 학습할 수 있는 데이터가 늘어난다. Vivodyne은 장기적으로 이를 인간 생물학의 ‘월드 모델’로 확장한다는 목표를 제시하고 있다. 8

물론 실험 횟수가 많다고 자동으로 더 좋은 데이터가 되는 것은 아니다. 조직 모델이 실제 환자 집단의 다양성을 얼마나 반영하는지, 측정값이 사람에게서 나타나는 결과를 얼마나 잘 예측하는지, 다른 연구기관이 같은 결과를 재현할 수 있는지가 핵심이다.

병용요법은 중요한 시험대다

병용요법을 개발하려면 한 가지 변수만 보는 것으로는 부족하다. 약물 조합, 각 약물의 용량, 투여 순서, 시간 간격, 조직 환경을 함께 탐색해야 한다.

인간 조직 플랫폼은 이런 조합을 보다 체계적으로 시험할 수 있는 기반이 될 수 있다. 환자에게 투여하기 전에 약물 간 상승 효과를 찾고 독성을 걸러낼 수 있다는 기대다. 단일 약물이 복잡한 질병 경로의 일부만 차단하는 질환에서는 특히 유용할 가능성이 있다.

다만 여기에도 같은 한계가 따른다. 조직 실험은 모델에 포함된 생물학적 환경 안에서 상호작용을 보여줄 수 있지만, 실제 임상 결과는 흡수·분포·대사, 면역 반응, 장기 간 상호작용, 환자별 이질성에도 좌우된다.

결론: 모델보다 먼저 필요한 것은 데이터일 수 있다

Vivodyne은 AI 신약 개발의 다음 도약이 단순히 더 큰 알고리즘에서 나오지 않을 것이라고 본다. 대신 20종의 배양 인간 조직을 대상으로 고용량·고빈도 통제 실험을 수행하고, 그 결과를 구조화된 생물학 데이터로 바꾸는 HIVE가 AI에 필요한 현실의 기반을 제공할 수 있다고 내다본다. 117

이 접근은 전임상 연구와 인간 임상 사이의 오래된 문제를 겨냥한다. 단순화된 시스템에서 학습하거나 검증된 모델이 실제 환자에게서 일어날 일을 안정적으로 예측하지 못할 수 있다는 문제다.

Vivodyne이 공개한 성능 수치와 처리 규모는 눈길을 끌지만, 현재로서는 회사가 제시한 근거라는 점을 분명히 해야 한다. 진짜 시험대는 독립적으로 검증된 HIVE 예측이 후보물질 선택을 개선하고 임상 실패를 줄이는지, 또 학습에 사용되지 않은 조직과 약물에도 통하는 AI 모델을 만들어내는지에 달려 있다.