AI 신약개발 브리핑: 2026년 5월 둘째 주 핵심 흐름 정리

지난 1주일간 모아둔 AI & 신약개발 브리핑을 다시 읽어보면, 2026년 5월 둘째 주의 흐름은 꽤 분명하다. 이제 AI 신약개발은 “AI가 후보물질을 더 빨리 찾는다”는 단순한 구호에서 벗어나고 있다. 핵심은 개별 예측 모델의 성능 경쟁이 아니라, 여러 데이터와 도구를 연결해 실제 연구 의사결정에 쓸 수 있는 워크플로우를 만드는 쪽으로 이동하고 있다.

이번 주 자료에는 오믹스 AI 에이전트, 경쟁도킹, Boltz-2 평가, 펩타이드 언어모델, 약물 재창출 프레임워크, conformal prediction 기반 FDR 제어, 로보틱 프로테오믹스, 마이크로바이옴 대사체 분석, 단백질·효소 설계 플랫폼이 함께 등장한다. 얼핏 보면 서로 다른 분야처럼 보이지만, 공통된 질문은 하나다. AI가 만든 후보와 가설을 어떻게 검증 가능한 연구 전략으로 바꿀 것인가?

특히 Precision Food Lab 관점에서는 이 흐름이 신약개발에만 머물지 않는다는 점이 중요하다. 생리활성 펩타이드, 식품유래 대사체, 마이크로바이옴 변환물, 식물화합물 스크리닝은 모두 “약물”과 “기능성 식품” 사이의 경계에 놓여 있다. AI 신약개발의 기술적 흐름을 이해하면, 정밀식품 연구에서도 후보 발굴, 기능 예측, 기전 해석, 실험 우선순위 설정을 훨씬 체계적으로 설계할 수 있다.

1. AI 에이전트는 연구 파이프라인의 ‘연결 조직’이 되고 있다

이번 주 첫 번째 큰 흐름은 AI 에이전트의 부상이다. Harvard/MIMS의 Medea는 오믹스 기반 therapeutic discovery를 위해 여러 분석 도구를 통합한 AI 에이전트로 소개되었다. 단일세포 전사체, 벌크 전사체, 암 취약성 지도, 경로 데이터베이스를 따로 보는 것이 아니라, 사용자의 질문에 따라 여러 도구를 순차적으로 호출하고, 중간 결과를 해석하며, 치료 타깃 후보를 좁혀가는 방식이다.

이 접근의 의미는 단순히 “LLM이 분석을 도와준다”가 아니다. 실제 생물학 연구에서는 데이터 종류가 너무 많고, 각 데이터의 전처리·해석·시각화 방식이 다르다. 연구자가 매번 모든 도구를 직접 연결하려면 시간이 오래 걸리고, 분석 과정의 재현성도 떨어진다. Medea 같은 시스템은 이 과정을 하나의 투명한 멀티스텝 분석 흐름으로 묶어, 어떤 데이터에서 어떤 근거로 후보가 나왔는지 추적할 수 있게 한다.

Allen Institute의 Virtual Biotech는 이 방향을 더 극단적으로 확장한다. 37,000개 이상의 clinical-trialist agent를 조직해 임상데이터와 다중오믹스, 단일세포 특성을 연결하는 프레임워크를 제안한다. 숫자 자체보다 중요한 것은 “하나의 거대한 모델”이 아니라 여러 전문 역할을 가진 에이전트 집단이 연구 과정을 분업한다는 발상이다. 이는 실제 연구실의 구조와 닮아 있다. PI, 박사후연구원, 대학원생, 데이터 과학자, 임상전문가가 각자의 관점으로 문제를 보는 것처럼, AI 시스템도 역할 기반으로 나뉘어 가설을 만들고 검토하는 방향으로 가고 있다.

정밀식품 연구에서도 이 구조는 그대로 응용 가능하다. 예를 들어 “특정 식품성분이 장내 미생물 대사체를 통해 염증 경로를 조절할 수 있는가?”라는 질문을 던졌을 때, 문헌 검색 에이전트, 대사체 주석 에이전��, 오믹스 분석 에이전트, 기전 해석 에이전트, 실험 설계 에이전트가 서로 다른 단계에서 기여할 수 있다. 앞으로 중요한 역량은 모델 하나를 잘 쓰는 능력보다, 이런 에이전트형 연구 흐름을 어떻게 설계하고 검증할 것인가가 될 가능성이 크다.

2. 구조 예측 이후의 문제는 ‘후보를 어떻게 믿을 것인가’이다

두 번째 흐름은 구조 기반 신약개발의 현실적 재정렬이다. AlphaFold 계열 이후 단백질 구조 예측은 연구자들에게 강력한 도구가 되었지만, 구조를 예측할 수 있다는 사실만으로 좋은 약물을 만들 수 있는 것은 아니다. 이번 주에 정리한 AI-guided competitive docking 연구는 이 문제를 잘 보여준다. Boltz-2와 AlphaFold3 계열 접근을 활용해 활성·비활성 분자를 pairwise로 비교하고, 단순 docking score가 아니라 상대적 효능 예측에 초점을 둔다.

이 전략이 흥미로운 이유는 현실적인 스크리닝 문제에 더 가깝기 때문이다. 실제 연구실에서는 “이 분자의 절대 결합친화도는 얼마인가?”라는 질문도 중요하지만, 초기 단계에서는 “수많은 후보 중 무엇을 먼저 실험할 것인가?”가 더 중요하다. 경쟁도킹은 활성 후보와 비활성 후보를 비교하는 식으로 우선순위를 정할 수 있어, 제한된 실험 자원을 배분하는 데 유용할 수 있다.

반면 Boltz-2 평가 연구는 중요한 경고도 준다. 구조 예측 속도와 편의성은 우수하지만, 결합친화도 예측 해상도는 아직 정밀 최적화 단계에서 충분하지 않을 수 있다. 따라서 Boltz-2 같은 도구를 “정답 생성기”로 쓰기보다, 초기 스크리닝과 후보 우선순위화 도구로 사용하는 것이 안전하다. 이 구분을 하지 않으면 AI 예측값을 과신해 실험 설계가 왜곡될 수 있다.

Brookhaven Lab과 Texas A&M의 uncertainty-guided generative molecular design은 또 다른 관점을 제시한다. 일반적인 생성 모델은 확률이 높은 익숙한 분자 공간을 선호하기 쉽다. 그러나 신약개발에서 진짜 흥미로운 후보는 때로 모델이 잘 모르는, 불확실성이 큰 영역에 있을 수 있다. 이 연구는 불확실성을 단순히 피해야 할 위험으로 보지 않고, 새로운 화학공간 탐색을 위한 신호로 활용하려 한다. 이는 정적 구조 기반 도킹에서 동역학과 탐색성을 함께 고려하는 방향으로의 전환을 의미한다.

3. 펩타이드 언어모델은 정밀식품 연구와 가장 직접적으로 연결된다

이번 주 자료 중 Precision Food Lab과 가장 가까운 주제는 생리활성 펩타이드 예측이다. BPFun은 생리활성 펩타이드의 기능을 예측하는 딥러닝 프레임워크로, 트랜스포머 기반 멀티레이블 분류와 여러 서열 특성을 결합한다. GitHub 코드가 공개되어 있다는 점도 중요하다. 논문에서 끝나는 모델이 아니라, 연구실에서 직접 내려받아 데이터셋을 넣고 비교 실험을 해볼 수 있는 형태이기 때문이다.

PepBERT는 또 다른 실용적 방향을 보여준다. 6층 경량 트랜스포머 구조로 펩타이드 표현을 학습하고, 12개 기능 예측 task에서 ESM-2 대비 경쟁력 있는 결과를 보였다고 보고되었다. 대형 단백질 언어모델은 강력하지만 계산 비용과 운용 난도가 높다. 반면 PepBERT처럼 특정 도메인에 맞춘 경량 모델은 식품공학·영양학 연구실에서도 상대적으로 접근하기 쉽다. GPU가 부족한 환경에서도 후보 펩타이드의 항산화, 항염, 항고혈압, 항균 가능성을 빠르게 분류하는 도구로 활용할 수 있다.

다만 펩타이드 예측에서 가장 조심해야 할 부분은 예측된 기능과 실제 생체 효능 사이의 간극이다. 식품유래 펩타이드는 소화 과정에서 분해되거나, 흡수율이 낮거나, 혈중에서 빠르게 제거될 수 있다. 따라서 서열 기반 기능 예측은 후보를 좁히는 첫 단계일 뿐이며, 소화 안정성, 장내 미생물 변환, 세포 기반 assay, 동물실험 또는 인체적용시험으로 이어지는 검증 흐름이 필요하다.

그럼에도 이 분야는 정밀식품 연구에서 매우 유망하다. 기존에는 단백질 원료를 가수분해하고 활성을 측정한 뒤 후보 펩타이드를 사후적으로 찾는 방식이 많았다. 이제는 먼저 AI로 후보 서열을 예측하고, 원료·효소·가공조건을 역으로 설계하는 접근이 가능해진다. 이는 기능성 식품 개발을 “발견 중심”에서 “설계 중심”으로 옮기는 중요한 전환점이 될 수 있다.

4. 약물 재창출과 타깃 발굴에는 통계적 신뢰도 관리가 필요하다

AIDO.Builder와 SCOUT, TxConformal은 AI 신약개발에서 모델 성능만큼 중요한 것이 운영 가능한 프레임워크와 신뢰도 제어라는 점을 보여준다. AIDO.Builder는 사용자가 생물의학 태스크를 입력하면 AutoML처럼 모델 개발 파이프라인을 자동으로 구성하는 시스템이다. 이는 “AI가 AI 모델을 만든다”는 표현으로 요약할 수 있지만, 실제 의미는 반복적인 모델 선택·특징 처리·평가 과정을 자동화한다는 데 있다.

SCOUT는 약물 재창출 문제를 더 현실적으로 다룬다. 단순히 타깃 결합만 보는 것이 아니라, 장기투과성, 타깃결합, 바이오마커 조절이라는 요소를 함께 고려한다. 약물 재창출에서 실패가 많은 이유는 후보가 타깃에 결합할 수 있어도 실제 조직에 도달하지 못하거나, 원하는 생물학적 변화를 만들지 못하기 때문이다. SCOUT의 구조는 이런 다단계 조건을 함께 고려하려는 점에서 실제 개발 의사결정에 더 가깝다.

TxConformal은 AI 타깃 발굴의 통계적 신뢰도 문제를 다룬다. 많은 AI 모델은 수많은 후보를 제시하지만, 그중 상당수는 false discovery일 수 있다. 특히 오믹스 데이터처럼 차원이 높고 노이즈가 큰 데이터에서는 멋진 후보 목록이 쉽게 나오지만, 실제 재현성은 낮을 수 있다. conformal prediction 기반 FDR 제어는 이런 위험을 줄이는 도구로 볼 수 있다.

이 부분은 식품·영양 연구에도 매우 중요하다. 기능성 성분 후보를 많이 찾는 것보다 중요한 것은, 그 후보 중 얼마나 많은 것이 실제로 재현 가능한 효과를 갖는지다. AI 기반 후보 발굴 논문을 읽을 때도 단순 AUC나 accuracy만 볼 것이 아니라, false discovery를 어떻게 통제했는지, 외부 검증셋이 있는지, 실험 검증으로 이어졌는지를 함께 확인해야 한다.

5. 로보틱 프로테오믹스는 “왜 효과가 있는가”를 자동화하려는 시도다

5월 14일 브리핑에서 가장 신선했던 주제는 로보틱 perturbation proteomics와 AI 에이전트를 결합한 약물 메커니즘 발견 연구였다. 이 접근은 약물을 처리한 뒤 세포 내 단백질 발현과 변화를 대규모로 측정하고, AI 에이전트가 그 결과를 해석해 작용기전을 추론하는 방식이다. 후보를 찾는 것에서 한 걸음 더 나아가, 후보가 어떤 경로를 건드리는지 설명하려는 시도다.

신약개발에서 후보물질 발굴만큼 어려운 단계가 기전 해석이다. 어떤 화합물이 세포에서 효과를 보이더라도, 그것이 직접 타깃 효과인지, 독성인지, 스트레스 반응인지, 보상 경로 활성화인지 구분하기 어렵다. 프로테오믹스는 단백질 수준의 변화를 넓게 볼 수 있기 때문에, 후보물질의 작용 양상을 더 입체적으로 파악할 수 있다. 여기에 LLM 에이전트가 문헌과 경로 지식을 연결하면 해석 속도가 빨라질 수 있다.

천연물과 식품성분 연구에서는 이 접근이 특히 중요하다. 식품성분은 단일 타깃 약물처럼 작동하기보다 여러 경로에 약한 영향을 동시에 주는 경우가 많다. 항염, 항산화, 대사조절 같은 효과는 네트워크 수준에서 나타나는 경우가 많기 때문에, 단일 타깃 결합 예측만으로는 설명하기 어렵다. 로보틱 프로테오믹스와 AI 해석은 이런 다중 경로 효과를 체계적으로 설명하는 도구가 될 수 있다.

다만 이 접근도 자동화가 곧 진실을 의미하지는 않는다. 로봇이 데이터를 많이 만들고 AI가 그럴듯한 기전 설명을 제시하더라도, 최종적으로는 독립 실험과 perturbation 검증이 필요하다. 핵심은 AI가 기전을 “확정”하는 것이 아니라, 검증할 만한 기전 가설을 더 빠르고 넓게 제시한다는 점이다.

6. 마이크로바이옴 대사체는 식품과 약물 사이의 연결고리다

iScience 2026의 microbiome metabolites machine learning 연구는 장내 미생물 대사체와 약물유사 분자의 생물학적 효과를 ML로 주석화하는 접근을 제시했다. 이 주제는 정밀식품 연구에서 매우 중요하다. 우리가 섭취하는 식품성분은 그대로 작용하기도 하지만, 장내 미생물에 의해 변환된 뒤 새로운 대사체로 작용하는 경우도 많다.

예를 들어 폴리페놀, 식이섬유, 펩타이드, 발효식품 성분은 장내 미생물에 의해 다양한 저분자 대사체로 바뀔 수 있다. 이 대사체들이 숙주의 수용체, 면역세포, 장상피, 간 대사 경로에 영향을 줄 수 있다면, 기능성 식품의 실제 효능은 “원래 식품성분”이 아니라 “미생물 변환 후 대사체”에 의해 설명될 수 있다. 따라서 AI 기반 정밀식품 연구는 식품성분 데이터베이스만으로는 부족하고, 마이크로바이옴 대사체 주석과 생물학적 효과 예측을 함께 고려해야 한다.

이 관점은 신약개발의 ADMET 사고방식과도 연결된다. 약물은 흡수, 분포, 대사, 배설, 독성의 과정을 거치며 효과가 달라진다. 식품성분도 마찬가지다. 다만 식품성분에서는 장내 미생물이라는 추가 변환층이 훨씬 중요할 수 있다. 앞으로의 정밀식품 AI 모델은 식품성분 → 미생물 변환 → 대사체 → 숙주 타깃 → 표현형으로 이어지는 연쇄를 모델링하는 방향으로 발전해야 한다.

7. 단백질·효소 설계는 점점 대중화되고 있다

OpenProtein.AI와 Riff-Diff는 단백질·효소 설계가 더 이상 계산 전문가만의 영역에 머물지 않음을 보여준다. MIT의 OpenProtein.AI는 no-code 인터페이스를 통해 생물학자들이 단백질 설계 도구를 사용할 수 있게 하는 플랫폼으로 소개되었다. 오픈소스 모델과 사용자 인터페이스를 결합해, 실험 중심 연구자도 단백질 변이 설계나 기능 예측을 시도할 수 있게 하는 방향이다.

Riff-Diff는 효소 설계에서 더 구체적인 가능성을 보여준다. 자연효소의 촉매잔기 구조 패턴을 학습하고, 원자 수준 모델링과 결합해 새로운 효소를 설계하려는 접근이다. 효소는 식품가공, 발효, 기능성 펩타이드 생성, 향미 개선, 알레르겐 저감 등 식품과학에서 매우 중요한 도구다. 따라서 de novo 효소 설계 기술은 정밀식품 연구와도 자연스럽게 연결된다.

이 흐름이 의미하는 바는 명확하다. 앞으로 연구자는 기존 효소를 찾아 쓰는 데 그치지 않고, 특정 기질과 반응, 안정성, 공정 조건에 맞춘 효소를 설계하려 할 것이다. 물론 실제 산업 적용까지는 활성, 안정성, 생산성, 안전성 검증이 필요하지만, 초기 설계와 후보 탐색의 속도는 크게 달라질 수 있다.

8. 연구실 적용 전략: 지금 당장 무엇을 해볼 수 있을까

첫째, 생리활성 펩타이드 후보 발굴에서는 BPFun과 PepBERT를 병렬로 사용해볼 수 있다. 두 모델이 공통적으로 높은 점수를 주는 후보는 우선순위가 올라간다. 반대로 한 모델에서만 높게 나오는 후보는 서열 특성, 학습 데이터 편향, 기능 라벨 차이를 검토하는 비교 연구 주제가 될 수 있다. 단순히 “가장 높은 점수”만 고르기보다, 여러 모델의 합의와 불일치를 함께 보는 것이 안전하다.

둘째, 천연물·식물화합물 스크리닝에서는 경쟁도킹과 phytochemical AI screening을 조합할 수 있다. 식물화합물 라이브러리를 구성한 뒤, 타깃 단백질 구조에 대한 docking 우선순위를 만들고, 이후 세포 기반 assay나 오믹스 분석으로 기전을 확인하는 흐름이다. 이때 docking score를 절대값으로 과신하지 말고, 후보군을 좁히는 필터로 사용하는 것이 중요하다.

셋째, 후보의 기전 검증에는 transcriptomics 또는 proteomics를 연결하는 것이 좋다. AI가 예측한 후보가 실제 세포에서 어떤 경로를 바꾸는지 확인해야 기능성 주장에 설득력이 생긴다. Medea류 오믹스 에이전트 접근이나 로보틱 프로테오믹스 해석 흐름은 이 단계에서 유용한 참고 모델이 된다.

넷째, 통계적 신뢰도 관리를 실험 설계에 포함해야 한다. TxConformal이 보여준 것처럼, AI가 많은 후보를 제시할수록 false discovery 위험도 커진다. 연구실에서는 후보 수를 늘리는 것만큼이나, 검증 우선순위와 FDR 통제, 외부 검증셋, 반복 실험 설계를 명확히 해야 한다.

다섯째, 교육적으로는 전통 docking, AI-guided competitive docking, Boltz-2/AF3 기반 구조 예측, 펩타이드 언어모델을 비교하는 실습을 만들 수 있다. 학생들에게 “AI가 정답을 준다”가 아니라, 각 도구가 어떤 질문에 강하고 어떤 질문에 약한지 보여주는 방식이 더 좋은 교육이 될 것이다.

결론: 2026년의 AI 신약개발은 자동화와 검증의 균형으로 간다

이번 주 브리핑을 종합하면, AI 신약개발의 키워드는 “더 많은 후보 생성”만이 아니다. 오히려 중요한 것은 자동화된 후보 발굴을 어떻게 검증 가능한 실험 계획으로 연결할 것인가다. 에이전트 시스템은 연구 흐름을 연결하고, 도킹과 구조 예측은 후보 우선순위를 만들며, 펩타이드 언어모델은 정밀식품 응용 가능성을 넓히고, 프로테오믹스와 마이크로바이옴 대사체 분석은 기전 해석의 깊이를 더한다.

그러나 모든 단계에서 필요한 것은 절제된 해석이다. AI 예측은 강력한 가설 생성 도구이지만, 그 자체가 실험적 진실은 아니다. 좋은 연구는 AI가 만든 후보를 무조건 믿는 것이 아니라, 그 후보를 더 엄격하고 빠르게 ���증할 수 있는 흐름을 만드는 데서 나온다. 그런 의미에서 2026년의 AI 신약개발은 “AI 모델의 시대”를 넘어 AI 기반 연구 시스템의 시대로 이동하고 있다.

정밀식품 연구도 같은 방향으로 갈 가능성이 높다. 식품성분, 펩타이드, 마이크로바이옴 대사체, 단백질·효소 설계는 모두 AI 신약개발 기술과 맞닿아 있다. 앞으로의 경쟁력은 새로운 모델을 많이 아는 데서 끝나지 않고, 그 모델들을 어떤 연구 질문과 실험 검증 체계 안에 배치하느냐에 달려 있다.

주요 출처

• Medea: An omics AI agent for therapeutic discovery — bioRxiv 2026
• AI-guided competitive docking for virtual screening and compound efficacy prediction — npj Drug Discovery 2026
• PepBERT: Lightweight language models for bioactive peptide representation — Future Foods 2026
• Evaluation of Boltz-2 for Structure and Binding Affinity Prediction — arXiv/JCIM 2026
• AIDO.Builder: Autonomous ML model development agent — bioRxiv 2026
• SCOUT: Modular ML Framework for Drug Repurposing — bioRxiv 2026
• TxConformal: FDR Control in AI Therapeutic Discovery — bioRxiv 2026
• Robotic perturbation proteomics + AI agents for drug mechanism discovery — bioRxiv 2026
• Profiling biological effects of microbiome metabolites via machine learning — iScience 2026
• OpenProtein.AI — MIT News 2026
• Riff-Diff generative enzyme design — TU Graz/Wiley 2026