[메디게이트뉴스 이지원 기자] 인공지능(AI)을 활용한 신약개발이 확대되면서 실제 연구에 필요한 환자 데이터 확보와 검증의 중요성이 커지고 있다. AI가 유망한 후보물질이나 바이오마커를 발굴하더라도 환자의 치료 이력과 검체 확보 시점 등 임상정보가 충분하지 않으면 연구 결과를 실제 신약개발에 활용하기 어렵기 때문이다.

LG AI연구원 박용민 리더는 10일 서울 역삼동 ST센터에서 열린 'AI 파마 코리아 컨퍼런스 2026'에서 '단일 도구를 넘어 신약개발 통합 AI 전략'을 주제로 발표하며 AI 신약개발 연구 과정에서 확인한 한계와 대응 방향을 소개했다.

박 리더는 "지난 몇 년간 실수했던 것이 데이터를 일단 다 모아보자는 접근이었다"며 "공개된 데이터는 양도 많고 과제도 많지만 실제 현장에서 약물을 개발하는 데 활용할 수 있는 데이터는 많지 않았던 것 같다"고 말했다.

이어 AI를 활용한 신약 후보물질 개발에서 초기 임상 성과가 후기 임상까지 이어지지 않고 있다고 지적했다.

박 리더는 "AI가 설계한 신약 후보물질의 임상 1상 성공률이 80~90%로 기존 방식의 약 50%보다 높지만, 임상 2상에서는 기존 방식과 유사한 수준을 보이고 있다"며 "약물 설계에만 AI를 적용하는 것이 아니라 문헌 검토부터 동반진단, 상업화까지 신약개발 전 과정에 통합적으로 AI를 적용해야 하지 않겠느냐는 문제의식이 있었다"고 설명했다.

이에 LG AI연구원은 실제 신약개발 수요에 맞춰 환자의 치료 전후 검체와 임상정보를 확보하는 공동연구를 진행했다. 구체적으로 대장암과 위암 등을 대상으로 치료 전후 변화를 비교할 수 있는 검체 확보 가능성과 미충족 의료 수요를 검토하고, 관련 데이터를 생산하는 작업을 추진하고 있다.

박 리더는 "데이터 수집에서 가장 중요한 것은 치료 전후의 샘플이 있어야 한다는 점"이라며 "치료 전후 검체가 있는 환자를 선별하고 데이터를 생산하는 작업을 하고 있다"고 설명했다.

환자 검체를 확보한 이후에는 전자의무기록(EHR)의 정보 누락과 데이터 입력 방식의 차이 등이 문제로 나타났다. 박 리더는 "환자의 임상 결과나 진단 이력, 검사 수치를 수집해야 하는데 누락된 데이터가 너무 많고 입력 방식도 다르다"며 "환자별 정보를 정리하는 데 수작업이 필요했다"고 언급했다.

LG AI연구원은 이러한 문제를 해결하기 위해 표 형태의 데이터를 분석하는 파운데이션 모델 '엑사원 테뷸러(EXAONE Tabular)'를 의료 데이터에 적용하는 공동연구를 진행하고 있다. 기존 검사 기록과 데이터 간 관계를 분석해 누락된 값을 추정하는 방식이다.

또한 LG AI연구원은 병리영상에서 종양 내부와 경계, 주변 미세환경을 구분하고 세포의 종류와 단백질 발현 정도를 정량화해 환자의 치료 결과와 연관된 바이오마커를 탐색하는 연구를 진행하고 있다.

박 리더는 "AI를 활용해 약 2000개의 바이오마커 후보를 도출하고 임상 결과와의 연관성을 분석했다"며 "의미 있는 결과를 찾긴 했는데, 검체가 치료 전인지 후인지에 따라 연구 정의가 잘 안 돼 있는 부분이 있어서 이를 수정해 다시 진행하고 있다"고 밝혔다.

이어 "일상적인 병리검사에서 확보하는 H&E·면역조직화학염색(IHC) 영상만으로 세포를 분류하고 단백질 발현량을 정량화하는 동반진단 AI 소프트웨어도 개발하고 있다"며 "환자가 올 때마다 공간전사체 분석을 할 수는 없기 때문에 일상적으로 확보하는 H&E나 IHC 영상을 활용한 동반진단 소프트웨어가 필요하다. 1차 개발은 끝났고 이제 고도화할 계획"이라고 부연했다.

그는 "현재는 파트너 연구기관과 같이 데이터를 만들고 생산하고 분석하면서 그 결과를 제약사에 전달하고, 제약사가 임상의와 함께 테스트하는 과정을 반복하며 공동연구개발을 하고 있다"며"AI가 바이오에 적용돼 효과가 나타나기까지는 몇 년이 더 걸릴 것 같다. 여러 기술을 조합하고 파트너와 협력해 실제 약물 개발에 도움이 되도록 해야 한다"고 강조했다.