아마존은 4월 중순 AWS 생명과학 심포지엄에서 새 플랫폼인 Amazon Bio Discovery를 공개했다.
메모리얼 슬론 케터링 암센터(MSK)는 첫 번째 테스트 사용자 중 하나였다. 이들은 상징적인 성과를 냈다. 소아암 표적에 대한 약 30만 개의 나노바디 후보를 수주 만에 설계하고, 가장 성능이 좋은 10만 개를 직접 습식 실험실로 보내 합성과 테스트를 진행한 것이다.
이 과정은 정상적으로 1년이 걸린다.
플랫폼 작동 방식
Amazon Bio Discovery는 세 가지 요소를 결합한다.
1. 생물 기초 모델 라이브러리
플랫폼에는 단백질 구조 예측, 항체 설계, 약물 분자 생성 등을涵盖하는 생물 데이터에 특화된 40개 이상의 기초 모델이 탑재되어 있다. 모델 제공 기관으로는 Apheris와 Boltz가 있으며, Biohub와 Profluent도 참여할 예정이다. 범용 대규모 언어 모델과 달리, 이 모델들은 생물 실험 데이터로 훈련되어 분자의 구조-기능 관계에 대한 표적화된 이해를 갖추고 있다. 사용자는 자체 기관의 실험 데이터를 사용해 모델을 미세 조정할 수 있으며, 별도의 훈련 파이프라인을 구축할 필요가 없다.
2. AI 에이전트 인터페이스
이것이 비전산 전문가도 사용할 수 있게 하는 핵심이다. 자연어로 수행할 작업을 지시하면(예: 이 표적 단백질에 결합할 수 있는 나노바디 찾기) AI 에이전트가 자동으로 적절한 모델을 선택하고, 실험 워크플로를 설계하며, 계산 결과를 해석한다. 코딩이 전혀 필요하지 않다.
AWS 임원 Rajiv Chopra는 AI 에이전트가 강력한 과학적 역량을 더 이상 전산 연구자만의 전유물로 남지 않게 한다고 말했다.
3. 랩인더루프 인터페이스
이것이 Amazon Bio Discovery를 진정으로 특별하게 만드는 부분이다. 플랫폼은 계산만 수행하는 것이 아니라 실제 습식 실험실과 직접 연결된다. AI가 잠재력이 높은 후보 분자를 선별하면, 한 번의 클릭으로 파트너 실험실에 제출하여 물리적 합성 및 테스트를 의뢰할 수 있다. 현재 실험실 파트너는 Twist Bioscience와 Ginkgo Bioworks이며, A-Alpha Bio도 곧 합류할 예정이다. 테스트 결과는 자동으로 모델에 피드백되어 다음 설계 매개변수를 최적화한다. 이것이 실험 루프다: AI 설계 → 습식 실험실 검증 → 결과 피드백 → AI 재설계.
MSK 사례의 의미
메모리얼 슬론 케터링 암센터는 미국 최고의 암 연구 기관이다. 이들의 테스트 사례는 다음과 같다.
- 소아암 관련 표적 단백질의 구조 데이터 입력
- AI가 약 30만 개의 나노바디 설계안 생성
- 제조 가능성, 안정성 등 기준으로 필터링하여 10만 개를 습식 실험실로 선별
- 수주 내에 실험 결과 획득
AWS는 이 프로젝트를 위한 전용 과학 백서를 발간하여 전체 나노바디 설계 프로세스를 기록했다. 기존 프로세스에서는 설계-테스트-반복의 단일 사이클 자체가 수개월이 걸리며, 전체 사이클을 완료하는 데는 일반적으로 1년이 소요된다. 이는 단순히 계산이 빨라진 문제가 아니다. 핵심은 설계와 검증 사이의 정보 흐름을 연결하여 그 사이의 수많은 수동 조정 마찰을 제거한 것이다.
사용자
알려진 초기 사용자:
- 바이엘(Bayer): 세계 최대 제약 회사 중 하나
- 브로드 연구소(Broad Institute): MIT와 하버드가 공동 설립한 유전체학 연구 기관
- Voyager Therapeutics: 신경 질환 유전자 치료제 전문 기업
AWS는 또한 글로벌 상위 20대 제약 회사 중 19곳이 이미 AWS 클라우드 서비스를 연구에 사용하고 있다는 배경 데이터를 공개했다. 이번 건은 신규 고객을 처음부터 유치하는 것이 아니라 기존 고객 기반 내에서의 심층 통합이다.
단순한 AI 신약 발견 도구 그 이상인 이유
AI는 신약 발견 분야에서 수년간 활발히 활용되어 왔으며, 다양한 기업들이 등장하고 사라졌다. Amazon Bio Discovery가 다른 점은 모델이나 컴퓨팅 파워를 판매하는 데 그치지 않고 컴퓨팅 측과 실험 측을 연결했다는 데 있다.
신약 개발에서 가장 느린 단계는 모델을 실행하는 것이 아니라, 실험실 테스트 결과를 기다리는 것, 계산 예측과 물리적 검증 사이의 정보 격차를 해소하는 것, 그리고 코딩을 모르는 생물학자가 AI 도구 사용법을 익히는 것이다. Amazon Bio Discovery는 이 세 가지 문제 모두를 정면으로 해결하고 있다.
물론 플랫폼은 막 출시되었으며, 대규모 비용 및 성공률 데이터가 축적되려면 시간이 필요하다. MSK의 사례는 훌륭한 시작이지만, 더 많은 후보를 설계한 것과 실제로 질병을 치료하는 약을 더 빨리 발견한 것 사이에는 여전히 거리가 있다.
그러나 그 접근 방식은 주목할 만하다. AI 에이전트를 실험실의 물리적 작업 루프에 내장하는 이 프레임워크는 재료 발견, 식품 과학, 농업 화학 등 대규모 실험 반복이 필요한 모든 분야에 직접 적용할 수 있다. AWS가 이번에 제약을 선택한 것은 시장이 충분히 크고, 수요가 충분히 절박하며, 고객이 이미 존재했기 때문이다.
출처: AWS Launches Amazon Bio Discovery Agentic AI to Accelerate Drug Development (Genetic Engineering & Biotechnology News), CocoLoop, Amazon launches its AI drug discovery platform (pharmaphorum)