일라이 릴리가 공개한 신약 개발의 미래: 생물학 데이터 공장 & AI 기반의 빠른 학습 사이클

이번 인터뷰에서 일라이 릴리가 가장 강조한 점은 AI 모델 자체보다 얼마나 빠르게 학습할 수 있는지가 더 중요하다는 내용이다. 신약 개발은 임상시험 과정에서 환자 모집과 치료, 결과 관찰 등 물리적으로 필요한 시간이 존재하기 때문에, AI의 진짜 역할은 하루라도 빨리 새로운 실험을 설계하고 데이터를 얻어 다음 실험으로 연결하는 학습 사이클을 가속화하는 데 있다. 과거 업계에서 느린 편에 속하던 릴리는 지난 10년간 연구개발 과정을 지속적으로 최적화한 결과 현재는 경쟁사보다 약 3~3.5년 빠르게 신약을 개발하고 있다고 설명한다. 다만 빠른 출시의 의미는 단순한 속도가 아니라 실패를 더 빨리 겪고 데이터를 더 빨리 얻어 이를 바탕으로 다음 후보물질을 더 빠르게 설계한다는 점이다. 결국 신약 개발의 핵심은 한 번의 성공이 아니라 얼마나 빠르게 반복 학습할 수 있느냐다.

AI 주요 활용 영역은 신약 개발의 거의 모든 단계에 걸치지만, 특히 약물 발견 단계에서 가장 큰 효과를 보인다고 지목한다. 예를 들어 화학자가 새로운 분자를 설계할 때 과거 연구 데이터를 토대로 더 좋은 구조를 제시하거나, 항체와 치료용 단백질 설계에서 최적화 방향을 제시하는 식이다. 데이터의 중요성도 반복해서 강조된다. 현재 대형 AI 모델은 인터넷의 방대한 텍스트 데이터를 학습하지만, 생물학 화학 분야는 상황이 다르다. 공개 데이터가 많지 않고, 실제로 가치 있는 데이터는 수십 년간 축적된 제약회사 내부 데이터에 집중되어 있다. 따라서 최신 모델을 쓰기보다 실제 실험으로 얻은 데이터를 얼마나 확보하느냐가 더 중요하다고 본다.

생물학·화학 데이터 공장 구축도 핵심 전략으로 제시된다. 자체 연구소에서의 실험은 물론 외부 협력을 통해 데이터를 확보하고 있으며, 엔비디아와 함께 자동화된 데이터 공장도 구축 중이다. 이러한 데이터 생산 능력이 향후 가장 큰 경쟁우위가 될 것으로 본다. 또한 실제 연구 과정에서 생물학 데이터를 충분히 학습하지 못한 모델은 성능이 비슷해 보일 수 있지만, 실제 실험으로 얻은 대규모 데이터가 투입되면 AI 성능이 크게 향상된다고 설명한다. 따라서 생물학 AI에서는 어떤 모델을 쓰느냐보다는 어떤 데이터를 얼마나 학습했느냐가 더 큰 변수로 작용한다.

질환별 전문성 역시 중요한 축으로 꼽힌다. 알츠하이머병 데이터를 많이 학습했다고 해서 암을 이해하게 되는 것은 아니고, 비만 데이터를 많이 학습했다고 해서 면역질환까지 잘 이해하는 것도 아니다. AI는 학습한 영역에서 강력하지만 다른 영역으로 자동 일반화되지는 않는다는 뜻이다. 이로 인해 특정 질환에 대한 오랜 연구 경험이 매우 중요하다고 본다. 알츠하이머병, 비만, 암, 면역질환 등 특정 분야에서 수십 년간 축적된 데이터와 연구 노하우가 결국 AI 성능으로 연결된다는 점이 강조된다. 일부는 범용 생물학 모델을 주장하지만, 릴리는 장기적으로도 특정 질환에 대한 깊은 데이터와 전문성이 가장 강력한 진입장벽이 될 가능성이 크다고 본다.