See the world through my eyes.Jong-Eun Kim · Est. 2014
WP기술/AI2026-05-09 19:03:33·12분 읽기조회 22

AI 신약개발은 기능성식품 연구에 어떻게 들어올 수 있을까

인쇄
AI 신약개발은 기능성식품 연구에 어떻게 들어올 수 있을까

핵심 요약: 2026년 AI 신약개발의 중요한 변화는 “AI가 신약을 만든다”는 구호가 아니라, AI 예측 → multi-omics 검증 → 세포·동물 실험 → 규제 문서화로 이어지는 검증 가능한 워크플로우가 구체화되고 있다는 점이다. 기능성식품·천연물 연구에서도 이 흐름을 그대로 가져와 소재의 작용기전과 표적을 더 설득력 있게 제시할 수 있다.

왜 지금 AI 신약개발을 기능성식품 연구자가 봐야 할까?

AI 신약개발은 더 이상 “분자를 자동 생성한다”는 기술 시연에 머물지 않는다. 최근 논문과 규제 문서를 보면, 핵심은 후보물질 자체보다 어떻게 예측을 검증하고, 어떤 데이터로 기전을 설명하며, 어떤 방식으로 규제기관이 납득할 수 있게 문서화할 것인가로 이동하고 있다.

기능성식품 연구도 같은 문제를 가진다. 어떤 천연물이나 식품 유래 화합물이 효과를 보였다고 해도, 실제로는 다음 질문을 피하기 어렵다.

  • 이 소재가 어떤 표적 또는 경로를 건드리는가?
  • 전사체·단백체·대사체 수준에서 일관된 근거가 있는가?
  • in silico 예측과 wet-lab 결과가 연결되는가?
  • 건강기능식품 인정, IRB, 논문 심사에서 설명 가능한가?

이 질문에 답하려면 “AI를 썼다”가 아니라 chain-of-evidence, 즉 증거의 사슬을 설계해야 한다. 오늘 살펴볼 세 가지 흐름은 이 사슬을 만드는 데 직접 쓸 수 있다.

1. AI 신약개발의 임상 번역: 성공보다 중요한 것은 검증 구조다

Springer Nature 계열 BJC Reports에 2026년 4월 게재된 Perspective는 AI 기반 신약개발의 임상 번역을 다루며, AI가 설계한 TNIK 저해제가 특발성 폐섬유증 환자 대상 Phase 2a 임상까지 진입한 사례를 중요한 참고점으로 제시한다. 논문의 핵심은 “AI가 임상에 갔다”는 뉴스가 아니다. 오히려 AI 유래 후보물질도 안전성, 약력학적 표적 관여, 기전 이해, 규제 정렬을 모두 통과해야 한다는 점이다.

특히 이 Perspective는 정밀종양학 맥락에서 세 가지 전략을 강조한다.

  • multi-omics 통합: 유전체, 전사체, 단백체, 임상 데이터를 통합해 질병과 표적의 맥락을 좁힌다.
  • federated validation: 여러 기관의 데이터를 직접 공유하지 않고도 모델을 외부 검증할 수 있는 구조를 만든다.
  • adaptive trial design: 고정된 임상 설계가 아니라 데이터에 따라 환자군·용량·평가 지표를 조정한다.

기능성식품 연구자에게 이 논문이 중요한 이유는 명확하다. 기능성 소재 연구도 “효과가 있다”에서 끝나면 약하다. 앞으로는 예측된 표적이 omics 데이터에서 보이고, 그 표적이 세포 실험에서 움직이며, 그 결과가 기능성 지표로 이어진다는 구조를 보여주는 연구가 더 강한 설득력을 갖게 된다.

연구실 적용 포인트: 소재 스크리닝 단계에서 ML 모델을 쓰더라도, 최종 산출물은 “점수 높은 화합물”이 아니라 “후보 화합물–표적–경로–검증 실험”으로 이어지는 도식이어야 한다.

2. Quercetin–PRKCA 사례: 기능성 화합물 연구에 바로 적용 가능한 모델

2026년 Phytomedicine에 보고된 quercetin 연구는 기능성식품 연구자가 특히 주목할 만하다. 이 연구는 quercetin이 근감소증(sarcopenia)에 보호 효과를 보일 가능성을 multi-omics와 machine learning으로 분석하고, PRKCA가 quercetin 매개 근육 분화 조절의 중요한 매개자일 수 있음을 제시했다.

중요한 점은 이 연구가 단순히 “quercetin이 좋다”는 식의 소재 효능 보고가 아니라는 것이다. 연구의 구조는 기능성 소재 연구에 거의 그대로 옮겨올 수 있다.

  1. 근감소증 또는 노화 관련 public omics 데이터를 수집한다.
  2. 질병 상태와 관련된 유전자·단백질 특징을 ML로 선별한다.
  3. quercetin과 연결되는 후보 표적 네트워크를 재구성한다.
  4. PRKCA–ERK 신호처럼 설명 가능한 경로를 도출한다.
  5. C2C12 myoblast differentiation 같은 세포 모델에서 검증한다.

이 접근은 quercetin에만 머물 필요가 없다. resveratrol, EGCG, curcumin, luteolin, 발효물 유래 대사체, 버섯·해조류 추출물 등에도 같은 방식으로 확장할 수 있다.

Precision Food Lab에서 바로 시도할 수 있는 분석 흐름

  • 데이터: GEO, ArrayExpress, PRIDE 등에서 노화·근감소·염증 관련 transcriptomics/proteomics 데이터 확보
  • 분석: Random Forest, XGBoost, LASSO 등으로 feature selection
  • 네트워크: PubChem, STITCH, BindingDB, STRING, KEGG를 이용해 화합물–표적–경로 연결
  • 검증: C2C12, RAW264.7, HepG2 등 연구 목적에 맞는 세포 모델에서 qPCR, Western blot, reporter assay 수행
  • 문서화: 예측 모델, 데이터 전처리, train/test split, 검증 실험 조건을 체크리스트화

이렇게 하면 기능성식품 소재 연구가 “활성 결과 나열”에서 벗어나 AI 기반 표적 발굴 연구로 격상된다. 특히 과제 제안서나 논문에서는 “AI-driven functional ingredient discovery pipeline”이라는 형태로 명확한 차별점을 만들 수 있다.

3. 천연물 라이브러리와 AI: Enveda식 접근을 식품 소재 연구에 응용하기

Enveda Biosciences는 천연물 기반 신약개발에서 AI와 mass spectrometry를 결합하는 대표적 사례다. Enveda는 자사 플랫폼 설명에서 3만 8천 개 식물과 1만 2천 개 질병·증상 정보를 연결하고, 식물 유래 분자 라이브러리를 mass spectrometry와 machine learning으로 탐색한다고 설명한다.

기능성식품 연구에서도 이 관점은 매우 유용하다. 많은 식물·버섯·발효물 추출물은 이미 효과를 보였지만, 실제 활성 성분과 작용기전은 불명확한 경우가 많다. 이때 LC-MS/MS 기반 분자 네트워킹과 AI 예측을 결합하면 다음과 같은 연구 질문을 만들 수 있다.

  • 특정 추출물에서 반복적으로 나타나는 unknown feature는 무엇인가?
  • GNPS molecular networking에서 알려진 생리활성 물질과 가까운 cluster가 있는가?
  • SIRIUS, CSI:FingerID 등으로 예측된 구조가 어떤 target class와 연결되는가?
  • 예측된 화합물이 NLRP3, SIRT1, AMPK, PPARγ 같은 기능성 타깃과 연결되는가?

이 접근은 “성분 분석”과 “기능성 평가”를 분리하지 않는다. 오히려 분석화학 데이터에서 기능성 표적 가설을 생성하고, 그 가설을 세포·동물 실험으로 검증하는 구조를 만든다.

4. FDA Good AI Practice: 기능성 연구도 검증 문서화가 필요하다

FDA는 2026년 1월 Guiding Principles of Good AI Practice in Drug Development를 발표했다. 이 문서는 AI를 약물개발에 사용할 때 필요한 원칙을 제시한다. 핵심은 다음과 같다.

  • AI의 사용 목적과 맥락을 명확히 정의할 것
  • 위험도에 맞는 검증 체계를 적용할 것
  • 데이터 거버넌스와 추적 가능성을 확보할 것
  • 모델 성능뿐 아니라 인간–AI 상호작용까지 평가할 것
  • 모델 업데이트와 데이터 drift를 포함한 life cycle 관리를 할 것

기능성식품은 신약과 규제 체계가 다르지만, AI 예측을 연구·논문·기능성 근거로 쓰려면 이 원칙을 무시하기 어렵다. 특히 “AI가 예측했다”는 문장은 심사자에게 충분하지 않다. 어떤 데이터를 썼고, 어떤 방식으로 학습했으며, 어떤 외부 검증을 했고, wet-lab에서 어디까지 확인했는지를 보여줘야 한다.

연구실용 AI 검증 체크리스트

  • AI 모델의 목적: 표적 발굴, 화합물 선별, 독성 예측, biomarker 탐색 중 무엇인가?
  • 데이터 출처: public DB, 자체 실험, 문헌 기반 데이터 중 무엇인가?
  • 데이터 분할: train/test 또는 external validation set이 있는가?
  • 설명 가능성: top feature 또는 주요 pathway를 제시할 수 있는가?
  • 실험 검증: qPCR, Western blot, enzyme assay, 세포 phenotype 중 무엇으로 확인했는가?
  • 재현성: 코드, 파라미터, 전처리 과정을 기록했는가?

이 체크리스트는 논문 Methods 섹션뿐 아니라 연구과제 제안서, IRB 설명자료, 기능성 근거자료의 뼈대로도 활용할 수 있다.

이번 주 바로 할 수 있는 실전 액션

30분 안에 할 일

BJC Reports Perspective의 Figure와 Introduction을 읽고, “AI-to-clinic pipeline”이 현재 연구실의 기능성 소재 발굴 흐름과 어디에서 만나는지 3줄로 정리한다. 핵심 질문은 하나다. 우리 연구실의 소재 발굴 과정에서 AI 예측과 wet-lab 검증은 어디서 연결되는가?

반나절 걸릴 일

quercetin–PRKCA 논문을 모델로 삼아, resveratrol 또는 curcumin을 대상으로 public transcriptomics 데이터를 검색한다. 이후 간단한 feature selection 스크립트를 만들어 질병군과 대조군을 구분하는 top gene list를 뽑고, 해당 gene이 화합물–표적 네트워크와 연결되는지 확인한다.

강의 또는 세미나 슬라이드 한 장으로 바꾼다면

슬라이드 제목: AI가 발굴한 기능성 화합물, 어떻게 검증할 것인가?

슬라이드는 3단계 도식으로 구성하면 좋다.

  1. In silico 예측: 기능성 후보 화합물, public omics, ML feature selection
  2. Multi-omics 검증: 후보 표적, pathway enrichment, drug-target network
  3. Wet-lab 확인: 세포 분화, 염증 억제, 단백질 발현, 기능성 phenotype

중앙에는 quercetin → PRKCA → ERK signaling → muscle differentiation 흐름을 사례로 배치하고, 오른쪽에는 FDA Good AI Practice 체크리스트를 작게 붙이면 된다. 이 한 장만으로 “AI 예측이 실험 근거로 어떻게 번역되는가”를 설명할 수 있다.

결론: AI는 기능성식품 연구의 ‘예측기’가 아니라 ‘검증 구조’를 바꾼다

AI 신약개발의 진짜 교훈은 자동화가 아니다. 중요한 것은 연구 질문을 더 정교하게 만들고, omics 데이터와 실험 검증을 연결하며, 심사자가 납득할 수 있는 문서화 구조를 만드는 것이다.

기능성식품·천연물 연구에서 AI를 도입한다면, 첫 목표는 “AI로 후보물질을 많이 찾기”가 아니라 후보물질–표적–경로–검증 실험을 하나의 파이프라인으로 묶는 것이어야 한다. quercetin–PRKCA 사례, Enveda식 천연물-MS 접근, FDA Good AI Practice 원칙은 그 방향을 보여주는 좋은 출발점이다.

참고자료

댓글 0

첫 한 줄을 남겨 보자.

로그인 뒤 한 줄을 남길 수 있다.