엔비디아, 신약 개발 생성형 AI '바이오네모' AWS 출시

제약 및 바이오 기업이 신약 개발에 AI를 도입하려면 막대한 하드웨어 비용과 복잡한 분산 컴퓨팅 환경을 직접 감당해야 했습니다.

AWS re:Invent에서 엔비디아는 신약 개발용 생성형 AI 플랫폼인 '바이오네모(BioNeMo)'를 아마존웹서비스(AWS)에 도입한다고 발표했습니다. 연구진과 개발자는 아마존 세이지메이커(Amazon SageMaker)와 AWS 패러렐클러스터(ParallelCluster), 그리고 향후 AWS에 출시될 엔비디아 DGX 클라우드를 통해 이 기능을 바로 활용할 수 있습니다.

H100 512장으로 한 달 걸리던 학습을 며칠 만에 끝낸다

BioNeMo는 단백질 구조 예측, 표적 발굴, 신약 후보 물질 스크리닝 등 디지털 생물학에 특화된 생성형 AI 프레임워크입니다. 사전 훈련된 대형언어모델(LLM)과 데이터 로더, 최적화된 학습 레시피가 함께 제공됩니다.

가장 눈에 띄는 대목은 단백질 구조 예측 모델인 ESM-2의 성능입니다. 엔비디아에 따르면 ESM-2는 256장의 H100 GPU에서 거의 선형적인 성능 확장을 보여주었으며, 512장의 H100 클러스터에서는 기존 논문 기준으로 한 달이 걸리던 학습을 단 며칠 만에 끝낼 수 있습니다.

연구진은 6억 5,000만 또는 30억 개 매개변수 체크포인트를 선택해 모델을 미세 조정할 수 있습니다. 저분자 생성 모델인 MegaMolBART, 단백질 서열 생성 모델인 ProtT5도 함께 지원됩니다. 이미 베이스캠프 리서치, 랩지니어스 같은 테크바이오 기업들이 이 파이프라인을 사용 중입니다.

엔비디아는 이와 함께 180만 회 이상 다운로드된 의료 영상 프레임워크 MONAI와, CPU 기반으로 하루 종일 걸리던 전장 유전체 변이 분석을 약 15분 만에 끝내는 파라브릭스(Parabricks)도 AWS 환경에서 함께 제공합니다.

왜 중요한가

초기 바이오 스타트업 입장에서 이번 협력은 자체 인프라 구축의 장벽을 크게 낮춰주는 실질적인 변화입니다.

대규모 분산 GPU 클러스터를 운영하려면 고급 시스템 엔지니어가 필수적이지만, 대다수 생명과학 팀은 그럴 여력이 없습니다. SageMaker처럼 익숙한 클라우드 관리 도구 안에서 BioNeMo를 호출할 수 있게 되면서, 연구진은 인프라 유지보수 대신 자체 실험실 데이터를 모델에 학습시키는 데 집중할 수 있습니다.

산업 측면에서는 엔비디아가 하드웨어 판매를 넘어 디지털 바이오 소프트웨어 표준까지 선점하려는 전략이 명확히 드러납니다. AWS 역시 막대한 컴퓨팅 파워를 소비하는 제약·바이오 고객군을 묶어둘 수 있는 강력한 무기를 얻었습니다.

다만 컴퓨터 시뮬레이션(in silico) 속도가 한 달에서 며칠로 줄어들었다고 해서 신약 개발의 전체 주기가 곧바로 혁신되는 것은 아닙니다. AI가 유망 후보 물질을 빠르게 뽑아내더라도, 실제 실험실(wet lab) 검증과 임상시험이라는 본질적인 병목 현상은 여전히 남아있다는 점을 염두에 둘 필요가 있습니다.