사진 The U.S. Food and Drug Administration / Public domain
AI 신약, 세특 핵심
컴퓨터가 분자를 설계한다
— AI 신약의 임상 진입
확률과 통계 · 통계적 추정 · 약학 · 의학 · 인공지능(AI) · 데이터사이언스 · 생명공학
단백질 구조를 예측하는 알파폴드를 만든 구글 딥마인드, 그 분사 기업인 아이소모픽랩스가 2025년 큰 투자를 받았습니다. 그리고 AI가 설계한 항암 신약 후보의 사람 임상을 준비 중이라고 밝혔습니다.
2026년 초 다보스 포럼에서 데미스 허사비스는 그 첫 임상을 2026년 말로 내다봤습니다.
컴퓨터가 분자를 설계해 사람에게 적용하는 단계가 실제로 열리고 있습니다.
확률과 통계 '통계적 추정' 단원은 표본으로 모집단을 추정하는 방법을 다룹니다.
집단 전체를 다 조사하지 않고, 일부 표본을 뽑아 모집단의 값을 추정하는 것입니다. 표본에서 얻은 값으로 모집단을 추정하면 오차가 따르고, 그 오차를 포함한 추정의 범위를 신뢰구간으로 나타냅니다.
AI가 후보 분자를 고르는 일은 결국 '일부 자료로 전체를 추정'하는 일입니다.
'통계적 추정' 단원에서 다루는 핵심은, 집단 전체를 다 볼 수 없을 때 표본에서 얻은 값으로 모집단의 참값을 추정하고 그 추정에 따르는 오차를 함께 따지는 것입니다.
AI도 이미 효과가 알려진 분자라는 표본으로 학습한 뒤, 아직 만들지 않은 분자의 효과를 예측합니다. 그 예측에는 늘 오차가 따르므로, 결국 사람을 대상으로 한 임상으로 참값을 다시 확인해야 합니다.
AI가 후보 분자를 좁히는 일은 이미 효과가 알려진 분자라는 표본으로 함수를 학습해, 새 분자의 효과를 예측하는 과정입니다. 학습에 쓴 분자와 닮은 새 분자는 비교적 정확히 예측되지만, 학습 자료와 닮은 점이 적은 분자일수록 예측이 빗나갈 여지가 커집니다. 실제로 아이소모픽랩스의 설계 엔진은 학습 자료와 닮은 점이 20% 미만인 어려운 구조에서 정확도가 약 50%로, 이전 모델(약 23%)보다 높았다고 밝혔습니다.
그래서 AI의 예측은 그 자체로 답이 아니라 추정값입니다. 컴퓨터가 좁힌 후보를 세포 실험과 동물 실험으로 거른 뒤, 사람을 대상으로 한 임상에서 효과와 안전성의 참값을 다시 추정합니다. 임상에서는 정해진 수의 환자라는 표본에서 효과의 비율을 측정하고, 그 값에 신뢰구간을 붙여 약으로서의 효과가 우연이 아님을 통계로 가립니다.
생기부 기재 예시
알파폴드와 AI 신약 설계 기사를 접하고 통계적 추정의 원리를 약학 진로와 연결하여 탐구함. 이미 알려진 분자 일부로 후보 분자의 효과를 예측하는 과정이 표본으로 모집단을 추정하는 과정과 유사함을 찾아, 표본의 크기와 오차, 신뢰구간의 의미를 중심으로 자료를 체계적으로 정리함. 특히 예측값에 불확실성이 따르므로 사람 임상으로 검증해야 한다는 점을 근거로, AI가 제시한 결과를 그대로 받아들이기보다 추정의 한계를 함께 살펴보는 모습을 보임. 또한 실제 분자 설계 사례를 비교하며 일부 데이터로 전체를 추정하는 방식의 장단점을 논리적으로 설명함. 이를 바탕으로 AI 신약의 임상 진입을 주제로 보고서를 작성하고 발표함
* 2026 생기부 기재 가이드라인, MOE Q&A와 FAQ, 메디컬저널 작성 공식 반영
참고문헌