Drug Discovery Timelines: 빅파마 R&D 책임자들이 밝힌 AI 신약 탐색 기간 단축 수치
Novartis는 과제 착수부터 후보물질까지 평균 약 3년을 18개월~2년으로, Novo Nordisk는 분자 설계·합성·시험 주기를 약 8회에서 3회로, 주기당 8주를 4주로 줄였습니다. Sanofi는 천식 후보 lunsekimig에서 용량 선정 시험을 건너뛰어 최소 1년을 아꼈습니다. 두 회사는 자사 데이터를 외부 AI 랩에 학습용으로 주지 않습니다.
Novartis, Novo Nordisk, Sanofi, BMS, AstraZeneca의 연구 책임자들은 AI가 신약 초기 연구 기간을 최대 절반까지 줄였다고 수치로 밝혔습니다. 줄어든 곳은 표적 고르기, 분자 설계 반복, 용량 결정 같은 임상 전·초기 단계이고 바탕은 회사 안에 쌓인 시험 데이터입니다. 따라 하려면 단계별 기간과 반복 횟수를 재는 장부부터 만들고 데이터가 많은 과제 하나에서 시작해야 합니다.
요약
Reuters의 Michael Erman, Bhanvi Satija, Patrick Wingrove 기자가 2026년 11월 20일 뉴욕·런던발로 쓴 기사입니다. GSK, Bristol Myers Squibb(BMS), Novartis, Eli Lilly, Novo Nordisk, AstraZeneca, Sanofi의 연구 책임자를 취재했습니다. 이 회사들은 AI를 규제 문서 작성 같은 지원 업무에서 연구 본업으로 옮겼습니다. 분자를 설계하고 유망한 후보에 순위를 매기고 안전성 위험을 미리 찾는 데 씁니다. AstraZeneca의 Sharon Barr는 연구부터 개발까지 AI를 쓰지 않는 단계가 없다고 말했습니다. 같은 주 Anthropic이 Nasdaq에 상장했고 기사는 제약사들이 이 회사를 협력자이자 경쟁자로 함께 본다는 점도 다룹니다.
회사들이 밝힌 숫자는 이렇습니다. Novartis는 AI 도구로 신장질환 치료제 표적 5개를 골라 우선순위를 정했고 과제 착수부터 후보물질까지 평균 약 3년이던 기간이 18개월~2년으로 줄었습니다. Novo Nordisk는 분자를 설계하고 합성하고 시험하는 주기를 약 8회에서 3회로 줄였고 한 주기도 8주에서 4주가 됐습니다. Sanofi는 천식 후보 lunsekimig에서 초기 생물학 데이터를 임상 판단으로 바로 이었고 용량 선정 시험을 건너뛰어 최소 1년을 아꼈습니다. BMS는 겸상적혈구빈혈 후보 하나가 자사 AI 없이는 나오지 못했을 것이라고 했습니다. 기사는 이런 단축이 초기 단계에 몰려 있다고 짚습니다. 기존 약은 열에 아홉 가까이 임상에서 실패하고(PhRMA 자료), 임상과 규제 절차는 여전히 시간이 걸립니다. 아래에서는 다섯 가지 작동 방식을 풀고 우리 R&D 조직에서 같은 구조를 돌릴 때 필요한 기술·현업 디테일을 덧붙입니다.
핵심 메커니즘
Target Prioritization: 쌓아 둔 데이터로 표적 후보를 먼저 줄인다
무엇인가. 어떤 단백질이나 경로를 공략할지(표적, target) 정하는 일을 AI가 돕습니다. Novartis는 AI 도구로 신장질환 표적 5개를 골라 개발 우선순위를 매겼습니다.
어떻게 작동하나. 입력은 회사가 그동안 쌓은 생물학·시험 데이터입니다. 모델이 후보 표적마다 근거를 모아 순위를 내고 연구진은 상위 몇 개에 자원을 몰아줍니다. 처음 고른 표적이 틀리면 뒤 단계 전체가 헛돌기 때문에 이 단계의 정확도가 전체 기간을 좌우합니다. Novartis의 Fiona Marshall은 데이터는 원래 많았고 이제 그 데이터를 훨씬 정교하게 쓸 수 있게 됐다고 설명했습니다.
언제 쓰나. 내부 실험 데이터가 수년 치 쌓인 질환 영역에 맞습니다. 데이터가 적은 새 영역에서는 효과가 늦게 나옵니다.
원문의 예. Novartis, 과제 착수→후보물질 평균 약 3년에서 18개월~2년.
Design-Make-Test Cycle: 분자 설계 반복 횟수와 한 번의 길이를 함께 줄인다
무엇인가. 신약 후보 분자는 설계하고 실제로 합성하고 시험해 결과를 보고 다시 설계하는 주기를 여러 번 돌며 다듬어집니다. Novo Nordisk는 이 주기를 약 8회에서 3회로, 한 주기를 8주에서 4주로 줄였습니다.
어떻게 작동하나. 모델이 이전 주기의 시험 결과를 학습해 다음에 만들 분자를 고릅니다. 예측이 좋을수록 쓸모없는 분자를 덜 만들고 목표 성질에 닿기까지 필요한 주기 수가 줄어듭니다. 한 주기 안에서 설계, 합성, 시험 중 어느 구간이 얼마나 줄었는지는 원문에서 밝히지 않았습니다. 두 숫자를 단순히 곱하면 약 64주가 약 12주가 되는 셈입니다(회사가 밝힌 값이 아니라 계산값).
언제 쓰나. 같은 시험법으로 결과를 반복해 쌓는 저분자·펩타이드 최적화처럼 주기가 뚜렷한 과제에 맞습니다.
원문의 예. Novo Nordisk는 Anthropic 모델과 Claude Science(Anthropic의 연구용 AI 소프트웨어)를 R&D에 씁니다.
Model-informed Dose Selection: 초기 데이터로 용량을 정해 시험 하나를 건너뛴다
무엇인가. 임상에서는 보통 어떤 용량을 쓸지 정하는 별도 시험을 거칩니다. Sanofi는 lunsekimig에서 AI 기반 방법으로 초기 생물학 데이터를 임상 결정으로 옮겨 이 용량 선정 시험을 생략했습니다.
어떻게 작동하나. 입력은 초기 단계에서 얻은 생물학 데이터입니다. 모델이 이 데이터로 임상에서 쓸 용량 판단을 뒷받침하고 회사는 그 판단으로 다음 단계에 들어갑니다. 시험 하나가 통째로 빠지니 줄어드는 시간도 주 단위가 아니라 해 단위입니다. 모델의 세부 구성은 원문에서 밝히지 않았습니다.
언제 쓰나. 초기 데이터가 충분하고 용량과 반응의 관계를 설명할 근거가 쌓인 후보에 씁니다. 규제 기관이 받아들일 근거 자료를 함께 준비해야 합니다.
Trial-data Simulation: 자사 시험 데이터로 다음 단계에 갈 후보를 고른다
무엇인가. BMS는 AI로 새 분자를 다듬고 자사 시험 데이터로 시뮬레이션을 돌려 어느 후보를 다음 단계로 보낼지 정합니다. BMS 연구 책임자 Robert Plenge는 다음 단계로 이 모델을 실험실 자동화에 연결하겠다고 했습니다.
어떻게 작동하나. 후보마다 실제 시험에 앞서 결과를 예측하고 예측이 나쁜 후보는 일찍 접습니다. 실험실 자동화와 붙으면 모델이 고른 실험을 장비가 바로 돌리고 결과가 다시 모델로 들어가는 고리가 됩니다.
원문의 예. BMS의 겸상적혈구빈혈 후보 하나는 AI 없이는 개발하지 못했을 것이라고 회사가 밝혔습니다.
Data Boundary: 외부 모델은 쓰되 자사 데이터는 넘기지 않는다
무엇인가. Novo Nordisk와 Sanofi는 프런티어 AI 랩(최상위 범용 모델을 만드는 회사)에 자사 데이터를 학습용으로 주지 않는다고 밝혔습니다.
어떻게 작동하나. 외부 모델과 소프트웨어는 도구로 쓰고 경쟁력의 원천인 시험 데이터는 회사 안에서 모델 학습과 판단에 씁니다. Sanofi의 Matt Truppo는 학습할 데이터가 없으면 모델이 “breaks down very quickly”라고 했고 데이터가 많은 영역 밖으로 넓히는 데는 시간이 걸린다고 봤습니다.
언제 쓰나. 외부 AI 회사가 동시에 신약 개발에 뛰어드는 상황이라면 모든 계약에서 이 경계를 먼저 정합니다. 기사에 따르면 Anthropic은 자체 실험실을 열고 BMS 등과 신약을 개발합니다. GSK의 Tony Wood는 Anthropic을 또 하나의 경쟁자로 본다고 했습니다.
통념과 다른 주장
흔히 이렇게 봅니다AI 신약의 효과는 아직 기대 단계이고 측정된 성과는 거의 없다.
기사 속 회사들은 이렇게 봅니다임상 성공률은 아직 모르지만 초기 연구 기간은 이미 측정 가능한 만큼 줄었다.
근거Novartis 과제 기간 약 3년→18개월~2년, Novo Nordisk 주기 8→3회, Sanofi 최소 1년 단축. 반면 시카고대 Waqas Haque는 AI 후보가 1~3년 안에 크게 늘겠지만 임상·규제 병목 때문에 더 잘 성공하거나 더 빨리 승인될지는 모르겠다고 했습니다.
흔히 이렇게 봅니다AI 회사는 제약사에 모델을 파는 공급자다.
기사 속 회사들은 이렇게 봅니다AI 회사는 협력자이면서 경쟁자다.
근거Lilly TuneLab을 이끄는 Aliza Apple은 예전에는 AI 회사를 주로 공급자로 봤지만 이제는 협력자로 본다며 동지이자 경쟁자가 될 수 있다고 했습니다. Alumni Ventures의 Luca Giani는 프런티어 랩들이 데이터와 회사를 얻으려 제약사 인수를 노린다고 봤습니다.
저자가 든 사례
Novartis: 신장질환 표적 5개, 후보물질까지 18개월~2년
| 구분 | 내용 |
|---|---|
| 상황 | 과제 착수부터 후보물질까지 평균 약 3년 |
| 한 일 | AI 도구로 신장질환 표적 5개를 골라 우선순위 지정, 쌓인 데이터를 정교하게 활용 |
| 결과 | 평균 18개월~2년. 과제 수와 표적 이름은 원문에서 밝히지 않음 |
| 연결 | Target Prioritization |
Novo Nordisk: 설계·합성·시험 주기 3회, 주기당 4주
| 구분 | 내용 |
|---|---|
| 상황 | 분자 하나를 다듬는 데 약 8회 주기, 주기당 8주 |
| 한 일 | AI로 다음 분자 선택, Anthropic 모델과 Claude Science 사용, 자사 데이터는 외부 학습에 제공하지 않음 |
| 결과 | 약 3회 주기, 주기당 4주. 대상 과제 수는 원문에서 밝히지 않음 |
| 연결 | Design-Make-Test Cycle, Data Boundary |
Sanofi: lunsekimig 용량 선정 시험 생략, 100여 과제 목표
| 구분 | 내용 |
|---|---|
| 상황 | 천식 후보 lunsekimig의 임상 용량 결정 |
| 한 일 | AI 기반 방법으로 초기 생물학 데이터를 임상 판단에 연결 |
| 결과 | 용량 선정 시험 생략, 최소 1년 단축. 100개가 넘는 과제에서 2년 안 초기 탐색 기간 20~25%, 5년 안 절반까지 단축 전망 |
| 연결 | Model-informed Dose Selection, Data Boundary |
BMS: 겸상적혈구빈혈 후보와 실험실 자동화 계획
| 구분 | 내용 |
|---|---|
| 상황 | 어느 분자를 다음 단계로 보낼지 결정 |
| 한 일 | AI로 분자 개선, 자사 시험 데이터 기반 시뮬레이션, Anthropic과 신약 협력 |
| 결과 | 겸상적혈구빈혈 후보 하나는 AI 없이는 개발 못 했을 것. 다음 목표는 실험실 자동화 연결 |
| 연결 | Trial-data Simulation |
기술 디테일: 우리 R&D에서 같은 구조를 돌린다면
아래는 원문에 없는 내용입니다. 제약·소재·화학 R&D에서 같은 구조를 실제로 돌릴 때 필요한 것을 정리했고 필드명과 수치는 모두 가상 예시입니다.
Novartis처럼 “3년→18개월”을 말하려면 기간 장부부터 만듭니다. 단계별 시작·끝 날짜가 시스템에 없으면 줄었는지조차 잴 수 없습니다. 과제마다 단계(target, hit, lead, candidate)의 시작·끝 날짜와 설계·합성·시험 주기 번호, 주기 안 구간별 일수를 한 표에 남깁니다. 지난 3~5년 과제를 먼저 소급해 기준선을 만들고 AI를 쓴 단계는 ai_assist 칸에 표시합니다. 이렇게 해야 AI를 쓴 과제와 안 쓴 과제의 중앙값을 같은 기준으로 비교할 수 있습니다.
Novo Nordisk처럼 주기 수를 줄이려면 모델이 “다음에 만들 분자”를 고르게 합니다. 자사 시험 결과로 활성·용해도·독성 같은 성질 예측 모델을 학습시키고 예측값과 불확실성을 함께 냅니다. 후보는 여러 목표를 합친 점수로 순위를 매기되, 불확실성이 큰 분자도 배치마다 일부(예: 20%) 넣어 모델이 모르는 영역을 배우게 합니다. 합성 목록은 화학자가 최종 확정합니다. 모델 성능은 과거 데이터로 먼저 거꾸로 검증합니다. 1~k번째 주기로 학습해 k+1번째 주기의 실제 순위를 얼마나 맞히는지 순위 상관(예: Spearman 0.5 이상)으로 봅니다. Truppo의 말처럼 학습 데이터 밖의 화학 구조에서는 예측이 빠르게 무너지므로, 학습 데이터와 너무 다른 분자에는 out_of_domain: true를 달아 사람 판단으로 돌립니다. 시험 결과에는 assay_id, assay_version, unit을 필수로 둡니다. 시험법 판이나 단위가 섞인 채 학습하면 모델이 잡음을 규칙으로 배웁니다. 배치 크기(예: 주기당 합성 24개)는 시범 기간 동안 고정해야 주기 수 비교가 공정합니다.
LLM은 표적 근거를 정리하는 데 씁니다. 문헌과 사내 보고서를 검색해 표적 후보마다 target, disease, evidence(문서 ID와 쪽), contradicting_evidence, open_questions, confidence 필드의 JSON으로 정리하게 합니다. 근거 문서 ID가 없는 주장은 버립니다. temperature는 0~0.2로 두고 같은 질의를 3회 돌려 순위가 서로 다르면 연구자 검토로 넘깁니다.
{
"target": "TGT-KD-07",
"disease": "만성 신장질환",
"evidence": [{"doc_id": "ELN-2023-4411", "page": 12}],
"contradicting_evidence": [],
"open_questions": ["사람 조직 발현 자료 부족"],
"confidence": 0.61,
"checked_at": "2026-11-21"
}
용량 판단에 모델을 쓰려면 판단 근거를 문서로 남깁니다. Sanofi처럼 시험 하나를 건너뛰려면 모델 입력 데이터, 버전, 가정, 민감도 분석, 사람 승인자를 한 묶음으로 남겨 규제 기관과 내부 위원회가 다시 따라갈 수 있게 합니다.
Data Boundary는 계약과 시스템 양쪽에서 막습니다. 외부 모델은 입력을 학습에 쓰지 않는 기업용 조건으로 쓰고 원시 시험 데이터는 사내 환경에서만 모델 학습에 씁니다. 외부로 나가는 호출은 로그로 남겨 어떤 데이터가 나갔는지 월 1회 점검합니다.
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 맡는 일 |
|---|---|
| 연구소장(스폰서) | 시범 과제 선정, 확대 판정 |
| 의약화학 리드 | 모델이 고른 분자 검토, 합성 목록 확정 |
| 계산과학·AI 팀 | 예측 모델 학습, 거꾸로 검증, 불확실성 표시 |
| 분석·시험 팀 | 시험 결과를 정해진 형식으로 입력 |
| 임상약리·규제 | 용량 판단 근거 문서 검토 |
| 정보보호·법무 | 외부 AI 계약의 데이터 경계 조항 |
| PMO | 기간 장부 관리, 주기 수·길이 집계 |
시작 전 준비물. 지난 3~5년 과제의 단계별 날짜, 시험 결과 데이터(형식과 결측률), 외부 AI 서비스 계약서의 데이터 활용 조항, 시범 과제 후보 2~3개입니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 과거 과제 기간 소급, 시범 과제 1개 선정 | 기간 기준선 표 |
| 3~6주 | 예측 모델 학습과 거꾸로 검증 | 검증 보고서(순위 상관) |
| 7~10주 | 실제 주기 1~2회에 모델 추천 적용 | 주기 로그, 화학자 채택률 |
| 11~12주 | 주기 수·길이 전후 비교 | 판정 보고서, 확대안 |
확인 질문. 지난 과제에서 표적 선정부터 후보물질까지 실제로 몇 달 걸렸고 그 날짜를 시스템에서 뽑을 수 있나? 한 주기에서 가장 오래 걸리는 구간은 설계, 합성, 시험 중 어디인가? 시험 결과가 정해진 형식으로 쌓이나? 외부 AI 계약에 학습 금지 조항이 있나?
진행 판정 기준(가상 예시). 거꾸로 검증의 순위 상관 0.5 이상, 화학자가 모델 추천 분자의 절반 이상을 합성 목록에 채택, 시범 과제에서 목표 성질에 닿기까지 주기 수가 기준선보다 줄면 같은 질환 영역의 다른 과제로 넓힙니다. 하나라도 못 미치면 데이터를 보강해 한 번 더 돌리고 두 번째도 못 미치면 접습니다.
AX 적용 제언. 국내 제약·바이오 회사라면 데이터가 가장 많이 쌓인 질환 영역의 과제 하나에서 시작합니다. Novartis가 데이터는 원래 많았다고 한 것처럼 출발점은 새 모델이 아니라 이미 있는 시험 데이터입니다. 첫 3개월의 목표는 “후보물질 몇 개”가 아니라 “주기 수와 주기 길이를 잴 수 있게 만들기”로 둡니다. 같은 설계·합성·시험 구조는 소재·배터리·화학 R&D에도 그대로 옮겨집니다. 외부 AI 회사와 계약할 때는 이들이 경쟁자가 될 수도 있다는 점을 전제로 데이터 경계를 먼저 정합니다. 경영진 보고에는 회사가 공개한 이 숫자들과 같은 형식(기간, 주기 수, 주기 길이)으로 우리 숫자를 나란히 올립니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 기사 | Reuters, Michael Erman·Bhanvi Satija·Patrick Wingrove, 2026.11.20 뉴욕·런던 |
| 취재 대상 | GSK, BMS, Novartis, Eli Lilly, Novo Nordisk, AstraZeneca, Sanofi |
| 전체 흐름 | 초기 단계 분자 도출과 임상 진입 기간 최대 절반 단축(연구 책임자 발언) |
| Novartis | 신장질환 표적 5개 우선순위, 과제→후보물질 약 3년 → 18개월~2년(Fiona Marshall). CEO Vas Narasimhan은 Anthropic 이사회 합류 |
| Novo Nordisk | 설계·합성·시험 주기 약 8회 → 3회, 주기당 8주 → 4주. Anthropic 모델·Claude Science 사용, 자사 데이터 외부 학습 제공 안 함 |
| Sanofi | lunsekimig 용량 선정 시험 생략, 최소 1년. 100여 과제에서 2년 안 20~25%, 5년 안 절반 전망(Matt Truppo). 자사 데이터 외부 제공 안 함 |
| BMS | 겸상적혈구빈혈 후보는 AI 없이 불가, 시험 데이터 시뮬레이션, 다음은 실험실 자동화(Robert Plenge). Anthropic과 협력 |
| AstraZeneca | 연구부터 개발까지 전 단계 AI 사용(Sharon Barr) |
| Eli Lilly | TuneLab으로 소형 바이오텍에 일부 사내 모델 제공(Aliza Apple) |
| GSK | Anthropic을 경쟁자로 봄(Tony Wood) |
| 업계 수치 | AI 기반 임상 후보 129개(69개 회사, 3월 기준), 8개월 전 약 117개. 기존 약 열에 아홉 가까이 임상 실패, 개발 10~15년 |
| Anthropic | 상장 주간, 자체 실험실·Claude Science 출시, Dario Amodei는 임상은 시간이 걸리지만 과정은 크게 빨라질 수 있다고 발언 |
핵심 개념
- Drug candidate
- 여러 분자 가운데 임상 전 개발에 들어가기로 정한 후보물질입니다.
- Dose-selection study
- 임상에서 쓸 용량을 정하려고 여러 용량을 비교하는 시험입니다.
- Frontier lab
- Anthropic처럼 최상위 범용 AI 모델을 직접 만드는 회사입니다.
- Claude Science
- Anthropic이 내놓은 연구용 AI 소프트웨어로, 기사에서는 Novo Nordisk가 R&D에 씁니다.
- TuneLab
- Eli Lilly가 소형 바이오텍에 사내 AI 모델 일부를 쓰게 해 주는 플랫폼입니다.
- Lab automation
- 실험 준비와 측정을 장비가 자동으로 하는 것으로, BMS는 모델과 이를 연결하려 합니다.
내 메모
TODO: 내 생각 추가
원문은 Reuters의 Michael Erman, Bhanvi Satija, Patrick Wingrove 기사 「Big Pharma, with eye on Anthropic, says AI is shrinking drug discovery timelines」(2026.11.20)이며, 102.7 WBOW에 전재된 본문과 SRN News 전재본으로 읽었습니다. 요약과 사례는 원문이 전한 사실을 AX Partners가 다시 정리했습니다. 핵심 메커니즘의 작동 설명, 설계·합성·시험 주기와 용량 선정 시험의 일반적인 뜻, 64주→12주 계산, 기술·현업 디테일, 인포그래픽, 표는 새로 작성했습니다(디테일 절의 필드명, 수치, 일정은 가상 예시). 전체 내용은 원문에서 볼 수 있습니다.