AWS, '아마존 바이오 디스커버리' 출시: 40개 이상 생물학 AI와 습식 실험 연결해 신약 개발 가속

신약 개발 과정에서 알고리즘을 다루는 계산생물학자와 실험실에서 시험관을 다루는 연구원 사이에는 늘 작업 병목이 존재했습니다. 실험 연구자가 새로운 가설을 검증하려면 전산 팀이 맞춤형 파이프라인을 구축해 줄 때까지 기다려야 했고, 도출된 후보 물질 데이터를 외주 실험 기관에 넘기는 과정도 수작업에 의존했습니다.

AWS가 4월 14일 공개한 Amazon Bio Discovery는 이러한 전산 예측과 습식 실험 검증을 하나의 루프로 연결하는 에이전트 기반 신약 개발 플랫폼입니다.

40개 이상의 생물학 AI 모델을 노코드로 연결

Bio Discovery는 결합 친화도 예측부터 개발 가능성 평가까지 아우르는 40개 이상의 생물학 AI 모델을 기본 제공합니다. 연구팀이 자체 개발한 모델이나 라이선스를 확보한 서드파티 모델도 플랫폼에 직접 업로드해 활용할 수 있습니다.

계산생물학자는 인프라 관리 부담 없이 노코드 환경에서 모델 체이닝과 데이터 정제 기준, 품질 임계값을 패키지화해 레시피 형태로 발행할 수 있습니다. 실험 연구자는 복잡한 코딩 없이 AI 에이전트의 추천을 받아 결합 핫스팟 잔기를 파악하고 파라미터를 조정하며 워크플로를 실행합니다.

메모리얼 슬론 케터링 암센터와의 협업에서 이 시스템은 약 30만 개의 신규 항체 후보를 설계하고 상위 10만 개를 선별해 습식 실험으로 전달하는 과정을 수주일 만에 마쳤습니다. 기존 설계 방식으로는 최대 1년이 걸리던 작업입니다.

외부 CRO 연계로 완성하는 능동 학습 루프

선별된 후보 물질은 플랫폼 안에서 외부 위탁연구기관으로 즉시 전달됩니다.

시스템에는 Ginkgo Bioworks, Twist Bioscience, A-Alpha Bio가 사전 연동되어 있습니다. 연구자가 원하는 분석 시험을 선택하면 실시간에 가깝게 비용과 소요 기간 견적을 확인하고 실험을 의뢰할 수 있습니다.

습식 실험이 완료되면 데이터가 Bio Discovery의 실험 데이터 레지스트리로 자동 유입됩니다. 예측값과 실제 결과의 정확도를 대조 분석하고, 새로 축적된 데이터를 활용해 모델을 파인튜닝하는 능동 학습 루프가 완성됩니다.

왜 중요한가

연구 현장 관점에서 이 플랫폼은 부서 간 협업 지연과 데이터 파편화를 크게 줄여줍니다. 실험 연구자는 전산 팀의 일정에 얽매이지 않고 가설을 빠르게 시뮬레이션할 수 있으며, 계산 연구자는 반복적인 스크립트 작성 대신 재사용 가능한 워크플로 고도화에 집중할 수 있습니다.

산업적으로는 AI 신약 개발의 핵심 경쟁력이 단일 모델 개발에서 실제 실험 데이터가 지속해서 유입되는 피드백 루프로 이동했음을 보여줍니다. AWS는 개별 생체 모델 경쟁에 머무르지 않고, 모델 선택부터 외부 실험실 연결까지 아우르는 종합 운영 환경을 선점하려는 영리한 전략을 취했습니다.

글로벌 상위 20개 제약사 중 19곳이 이미 AWS 인프라를 활용하고 있어 엔터프라이즈 보안 기준을 충족하기 용이하지만, 비정형적인 난치성 타깃에서도 표준화된 AI 레시피가 충분한 효능을 낼 수 있을지는 향후 실제 파이프라인 성과를 통해 검증되어야 합니다.