AI 항체 설계, 가장 엄격한 블라인드 시험서 입증…하지만 한 과제에서만

이번 대규모 블라인드 전향적 벤치마크의 결론은 단순한 ‘AI의 승리’가 아니다. 인공지능은 실험으로 검증된 고효능 항체 후보를 만들어낼 수 있었지만, 모든 설계 과제에서 일관되게 우수한 단일 방법은 없었다. 가장 뚜렷한 성공 사례는 Aureka Biotechnologies였다. Aureka의 모델이 설계한 SARS-CoV-2 수용체 결합 도메인(RBD) 항체는 94.7pM의 친화력을 기록했다. 이는 부모 항체보다 약 2,000배 개선된 결과이며, 기존 방식으로 성숙화한 최고 클론과 통계적으로 비슷한 수준이었다. 16

AIntibody Challenge는 무엇을 시험했나

‘CASP 스타일’로 설계된 AIntibody Challenge는 AI 모델의 예측 점수가 아니라 실제 실험 성능을 비교하기 위한 시험이었다. 29개 기관이 제출한 511개 항체 서열을 참가자들이 직접 검증하지 않고, 독립된 표준화 실험실에서 평가했다. 12

벤치마크 대상은 SARS-CoV-2 스파이크 단백질의 RBD에 결합하는 항체였으며, 항체 발굴 과정에서 서로 다른 세 가지 상황을 재현했다.

1. 컴퓨터 기반 친화력 성숙화: 주어진 부모 항체의 성능을 개선하는 과제
2. 친화력 순위 예측: 제한된 세 개의 HCDR3 서열 클러스터 안에서 가장 강하게 결합하는 항체를 고르는 과제
3. 라이브러리 밖 설계: 기존 실험 라이브러리에 포함되지 않은 CDR 서열을 새로 만들거나 최적화하는 과제 1

평가에는 표면 플라스몬 공명(SPR)과 별도의 KinExA 측정법이 사용됐다. 여기에 강한 결합력만으로는 확인하기 어려운 항체의 개발 가능성(developability)을 살피기 위해 다섯 가지 분석 패널도 적용했다. 즉 모델이 제시한 점수가 아니라, 실제 실험실에서 발현·결합하고 약물 후보로 발전할 만한 특성이 있는지를 함께 본 것이다. 1

Aureka가 기록한 94.7pM

Aureka의 가장 큰 성과는 친화력 성숙화 과제에서 나왔다. 논문에는 이 항체가 AuraBind로 기재돼 있으며, Aureka의 AuraIDE 플랫폼이 설계한 결과다. 측정된 친화력은 94.7pM으로, 부모 항체보다 약 2,000배 개선됐다. 146

기존 실험 방식과 비교하면 의미가 더 분명해진다. 약 3개월에 걸친 파지 성숙화(phage maturation) 과정에서 얻은 최고 실험 클론의 친화력은 113pM이었다. 수치만 보면 Aureka의 항체가 더 강하게 결합하지만, 두 최고 항체 사이의 차이는 통계적으로 결정적이지 않았다. 따라서 가장 정확한 해석은 AI가 이번 시험에서 실험 방식의 최고 성과와 맞먹는 결과를 냈다는 것이지, 기존 실험을 확실히 압도했다고 단정하는 것은 아니다. 16

성과는 단일 ‘우승 서열’에 그치지 않았다. Aureka는 친화력이 10nM 미만이면서 챌린지의 개발 가능성 기준도 통과한 항체를 여섯 개 만들었다. 친화력 성숙화 결과에서 Aureka의 제출물은 1위, 2위, 5위를 차지했다. 1

우승 서열이 주목받은 이유

우승 항체는 기존 실험에서 이미 선별된 클론을 단순히 복제한 것이 아니었다. 연구 요약에 따르면, Aureka는 제공된 선별 데이터를 바탕으로 추론한 치환과 돌연변이 패턴을 재조합했다. 구조 정보를 반영한 친화력 모델은 1만 개의 생성 후보 가운데 최종 설계를 골랐다. 1

플랫폼은 구조 모델링과 선호도 학습 기반의 적합도 예측기도 결합했다. 모든 서열의 절대적인 결합 상수를 직접 예측하기보다, 실험에서 상대적으로 얼마나 많이 농축되는지를 학습한 방식이다. 이는 후속 실험을 진행할 후보의 순위를 정하는 목적에 더 가까운 접근이다. 1

항체 발굴에서 이 차이는 중요하다. 유용한 설계 시스템이 모든 서열의 최종 친화력을 정확히 맞힐 필요는 없다. 제한된 수의 후보를 실제로 시험했을 때 강하고 활용 가능한 항체가 포함될 가능성을 높이는 것이 핵심이다.

Aureka가 이긴 것은 전체가 아니라 한 과제였다

Aureka는 1번 과제에서 분명한 승자가 됐지만, 세 과제 전체에서 독주하지는 못했다. 클러스터 순위 예측 과제에서는 클러스터별로 선두 팀이 달랐다. 27F에서는 UCSD/Scripps, 28F에서는 WashU/Xencor, 47F에서는 WashU가 앞섰다. 라이브러리 밖 설계 과제의 승자는 Xencor였다. 1

논문의 과제 간 비교 분석에서도 공개된 모든 그룹은 적어도 한 과제에서 최고 성적이 선두 제출물과 상당한 격차를 보였다. 1

이것이 이번 벤치마크의 핵심 메시지다. AI 항체 설계는 하나의 균일한 능력이 아니다. 표적에 대한 풍부한 데이터가 있고 이미 알려진 항체를 개선하는 데 강한 시스템이, 서열 클러스터의 순위를 매기거나 기존 라이브러리 밖에서 새 항체를 설계할 때도 안정적으로 작동한다고 보기는 어렵다.

실험실 업무를 얼마나 줄일 수 있나

실질적인 의미가 가장 큰 분야는 실험실을 없애는 것이 아니라 선도물질 최적화다. 조건이 맞는다면 AI 모델은 항체 라이브러리 구축, 디스플레이 선별, 클론 발현, 스크리닝을 반복하는 횟수를 줄일 수 있다. 1번 과제에서는 전체 제출물의 약 13%가 부모 항체보다 최소 20배 개선된 결과를 냈지만, 참가자별 성능 차이는 컸다. 1

따라서 이번 결과가 뒷받침하는 현실적인 방식은 ‘실험실이 포함된 AI 순환 구조’에 가깝다.

• 실험적 선별 및 시퀀싱 데이터를 바탕으로 후보를 생성한다.
• AI로 더 작고 다양할 수 있는 후보군의 우선순위를 정한다.
• 후보를 발현한 뒤 블라인드·표준화 조건에서 시험한다.
• 친화력뿐 아니라 개발 가능성을 함께 평가한 뒤 다음 단계로 넘긴다.

마지막 단계는 여전히 필수다. 결합력이 매우 높은 설계 중에도 개발 가능성 평가에서 하나 이상 탈락한 사례가 있었고, 특히 다중반응성(polyreactivity) 관련 검사에서 문제가 나타났다. 94.7pM이라는 수치는 인상적이지만, 결합력이 강하다는 사실만으로 해당 항체가 의약품 개발에 적합해지는 것은 아니다. 1

가장 큰 한계는 ‘일반화’

이번 연구는 까다로운 전향적 시험이었지만, AI에 비교적 유리한 환경이기도 했다. 잘 연구된 단일 항원을 사용했고, 대규모 심층 시퀀싱 및 친화력 데이터가 제공됐다. 특히 두 번째와 세 번째 과제에는 실제 신약 발굴 캠페인에서 같은 시점에 확보하기 어려울 수 있는 정보도 포함됐다. 1

결과 역시 이런 한계를 보여준다. HCDR3 클러스터 데이터에서 고친화력 클론을 예측할 때, 단 하나의 모델을 제외한 나머지 모델은 성능이 낮거나 무작위 선택보다 못했다. 라이브러리 밖 설계 결과도 편차가 컸다. 12

따라서 이번 시험은 AI가 익숙하지 않은 항원, 데이터가 부족한 표적, 다른 항체 형식, 치료제 개발에 필요한 다양한 특성에서도 같은 수준의 성과를 낼 것임을 입증하지 않는다. 다만 생물학적 데이터가 충분하고 과제가 명확한 환경에서는 일부 시스템이 매우 강력하게 작동할 수 있다는 점을 보여준다.

Aureka의 사업적 위치에는 어떤 의미가 있나

Aureka에는 이번 벤치마크가 특히 중요한 검증이 될 수 있다. 내부 모델 점수가 아니라 독립적인 실험 결과와 플랫폼의 성과가 연결됐기 때문이다. Aureka는 2026년 8월 1억 달러 규모의 시리즈 B 투자를 유치했으며, 누적 투자금은 약 2억 달러에 이른다고 보고됐다. 첫 번째 투자분은 Granite Asia가 맡았고, 이후 투자분은 한 전략적 투자자가 주도했다. 1821

Aureka는 또 여러 다국적 제약회사와 사업개발 및 NewCo 형태의 협력을 진행하고 있다고 설명해 왔다. 4 신규 자금과 파트너십은 모델이 설계한 항체를 실제 신약 프로그램으로 전환할 수 있는 연구 역량과 사업 경로를 넓혀줄 수 있다. 418

다만 이번 벤치마크는 임상적 검증이 아니다. Aureka의 플랫폼이 성공적인 의약품을 만들어낼 것이라는 점이나, 모든 실험적 항체 발굴 방식보다 폭넓게 우수하다는 점을 증명하지도 않는다. 현재 근거가 지지하는 주장은 더 좁지만 실용적이다. Aureka의 AI 보조 워크플로는 데이터가 풍부하고 조건이 잘 정의된 특정 최적화 과제에서, 높은 효능과 개발 가능성을 갖춘 항체 후보를 만들어낼 수 있다. 동시에 이 분야가 다른 표적과 실제 발굴 환경에서도 통하는지 확인하려면 더 폭넓은 블라인드 시험이 필요하다.