오늘은 제약·바이오 분야에서 빠르게 현실화되고 있는 "셀프 드라이빙 랩(Self-Driving Lab)", 즉 AI와 로봇이 결합해 24시간 쉬지 않고 실험하는 자율 실험실에 대해 다뤄보려 한다. 신약 하나를 만드는 데 평균 10~15년이 걸리던 시대가 AI로 인해 근본부터 흔들리고 있다.
목차
- 전통적 신약 개발의 한계
- 셀프 드라이빙 랩(SDL)이란?
- DMTA 사이클
- 자동화 수준 분류
- 핵심 기술 구조 — AI + 로봇의 결합
- 주요 사례
- AlphaFold 3 — 단백질 구조 예측
- Insilico Medicine — 최초 임상 2상 AI 신약
- Novartis MicroCycle
- Ginkgo Bioworks 자율 랩
- 24시간 자율 실험의 성과와 한계
- 한국의 AI 신약 개발 현황
- 개발자 관점 — AI 신약 개발에 참여하는 방법
- 참고 자료
AI와 로봇 자동화를 결합한 셀프 드라이빙 랩(SDL)은 신약 후보 물질 탐색 속도를 획기적으로 높이고 있다. Insilico Medicine은 AI가 설계한 물질로 임상 2a 탑라인 결과를 2024년 9월 공개하고 2025년 6월 Nature Medicine에 정식 게재했으며, Novartis의 MicroCycle은 연속적 폐쇄 루프 실험을 통해 24시간 무인 합성·평가를 실현했다. 다만 AI가 독립적으로 검증된 신약 후보를 발견한 사례는 아직 없으며, FDA 승인 AI 신약은 2025년 12월 기준 존재하지 않는다.
1. 전통적 신약 개발의 한계
신약 하나를 시장에 내놓기까지 걸리는 시간은 평균 10~15년, 비용은 약 26억 달러(약 2.6 billion USD) 수준으로 추정된다(Tufts Center for the Study of Drug Development 2014년 추정치 기준; Deloitte 2023년 추정치는 약 23억 달러). 문제는 이 과정의 대부분이 인간의 손과 눈에 의존한다는 점이다.
- 탐색 단계의 비효율: 수백만 개의 화합물 라이브러리에서 유효 물질을 찾는 고처리량 스크리닝(HTS)은 자동화되어 있지만, 결과 해석과 다음 실험 설계는 여전히 연구자의 직관에 의존한다.
- 실패율이 압도적으로 높다: 임상 진입 후보 물질의 약 90%가 임상시험 중 실패한다. 이 중 상당수는 초기 탐색 단계에서 잡아낼 수 있었던 문제들이다.
- 실험실은 밤에 쉰다: 전통적인 실험실은 연구자 근무 시간에만 돌아간다. 복잡한 생화학 실험은 단계별로 수 시간~수일이 걸리는데, 사람이 없으면 다음 단계로 넘어갈 수 없다.
- 데이터의 파편화: 수십 년간 축적된 실험 데이터가 논문, 내부 데이터베이스, 연구자 노트에 분산되어 있어 AI 학습에 바로 활용하기 어렵다.
신약 개발 비용·기간 통계는 연구 방법론에 따라 편차가 크다. Tufts CSDD의 2014년 추정치($2.6B)는 자본 비용 포함 수치이며, Deloitte의 2023년 추정치는 $2.3B, 일부 연구에서는 $4B~$11B까지 추정하기도 한다. 이 글에서 언급하는 수치는 공개된 연구 기관 추정치를 기반으로 하며, 적용 대상(소분자 vs. 바이오의약품) 및 산정 방법에 따라 달라질 수 있다. (출처: Scientific American, Tufts CSDD 2014; Deloitte 2023)
2. 셀프 드라이빙 랩(SDL)이란?
셀프 드라이빙 랩(Self-Driving Laboratory, SDL)은 인공지능, 로봇 공학, 분석 장비를 하나의 폐쇄 루프(closed-loop)로 통합한 자율 실험 시스템이다. 가장 직관적으로 표현하면 "AI가 다음 실험을 설계하고, 로봇이 실험을 수행하고, 분석 장비가 결과를 측정하고, 다시 AI가 그 결과를 학습해 더 나은 실험을 설계하는" 과정이 사람 없이 반복되는 구조다.
2-1. DMTA 사이클
SDL의 핵심 작동 원리는 DMTA(Design-Make-Test-Analyze) 사이클이다. 이 사이클이 자율적으로, 빠르게, 반복적으로 돌아가는 것이 핵심이다.
| 단계 | 담당 | 설명 |
|---|---|---|
| Design (설계) | AI (머신러닝 / 생성 모델) | 이전 데이터를 바탕으로 합성할 분자 구조, 실험 조건 제안 |
| Make (합성) | 로봇 합성 시스템 | 자동 액체 분주, 화학 반응 실행, 정제 |
| Test (검증) | 분석 장비 + 로봇 | 생화학 분석(HPLC, NMR, 세포 독성 등) 자동 수행 |
| Analyze (분석) | AI (데이터 분석 모델) | 결과 해석, 모델 업데이트, 다음 Design 단계 입력 생성 |
2-2. 자동화 수준 분류
Royal Society Open Science(2025) 리뷰에 따르면 SDL은 자율성 수준에 따라 대략 다음과 같이 분류된다.
- Level 1 (반자동): 로봇이 정해진 프로토콜을 실행. AI의 역할은 없거나 제한적.
- Level 2 (AI 보조): AI가 데이터를 분석하고 다음 실험을 추천하지만, 최종 결정은 사람이 승인.
- Level 3 (조건부 자율): AI가 정해진 범위 내에서 다음 실험을 자율적으로 결정하고 실행. IBM RoboRXN 등이 이 수준.
- Level 4 (완전 자율): 가설 생성부터 실험 완료까지 인간 개입 없이 수행. 현재 극소수 시스템만 부분적으로 달성.
대부분의 상용 SDL은 Level 2~3 수준이다. Level 4에 가까운 완전 자율 실험실은 연구 목적으로 일부 기관에서 운영 중이며, 신약 개발보다 재료 과학 분야에서 먼저 성과가 나오고 있다. (출처: Royal Society Open Science, 2025)
3. 핵심 기술 구조 — AI + 로봇의 결합
셀프 드라이빙 랩이 작동하려면 여러 기술 레이어가 유기적으로 연결되어야 한다. 크게 세 층으로 나눠볼 수 있다.
3-1. AI/ML 레이어
- 생성 모델 (Generative Models): 목표 속성(결합력, 독성, 용해도 등)을 가진 분자 구조를 새로 생성한다. Transformer 기반 언어 모델을 분자에 적용한 형태가 많다.
- 그래프 신경망 (GNN): 분자를 그래프(원자=노드, 결합=엣지)로 표현하고 속성을 예측한다. 분자의 3D 구조를 다루는 데 효과적이다.
- 베이즈 최적화 (Bayesian Optimization): 실험 공간이 방대할 때 가장 유망한 다음 실험을 효율적으로 선택하는 알고리즘. 탐색(exploration)과 활용(exploitation)의 균형을 수학적으로 조절한다.
- 강화 학습 (RL): 실험 결과를 보상 신호로 삼아 최적 실험 전략을 스스로 학습한다.
- 구조 예측 모델: AlphaFold 3와 같이 단백질-리간드 복합체 구조를 예측해 결합 부위를 파악한다.
3-2. 로봇/자동화 레이어
- 액체 처리 로봇 (Liquid Handling Robots): 마이크로리터 단위로 시약을 정밀하게 분주한다. Hamilton, Tecan, Beckman 등의 플랫폼이 널리 쓰인다.
- 자동 합성 모듈: 화학 반응, 정제(HPLC), 용매 증발 등 합성 과정 전체를 자동화한다.
- 분석 장비 통합: 질량분석기(MS), 핵자기공명(NMR), 고처리량 형광 플레이트 리더 등을 API로 제어한다.
- 협동 로봇 (Cobot): 사람과 같은 공간에서 안전하게 작동하며 시료를 옮기거나 장비를 조작한다.
3-3. 데이터 및 오케스트레이션 레이어
- LIMS (Laboratory Information Management System): 실험 데이터를 추적하고 관리하는 중앙 시스템.
- 워크플로우 오케스트레이터: 장비 간 작업 순서를 조율하고, AI의 다음 실험 지시를 로봇 명령으로 변환한다.
- 실시간 데이터 파이프라인: 분석 결과를 즉시 AI 모델에 피드백해 루프를 유지한다.
24시간 운영의 핵심은 각 레이어 간 인터페이스의 표준화에 있다. AI가 로봇에게 "다음 실험 조건 X를 시도하라"는 명령을 내릴 수 있으려면, AI 출력 → 로봇 프로토콜 → 장비 제어 명령으로 이어지는 파이프라인이 완전히 자동화되어야 한다.
4. 주요 사례
4-1. AlphaFold 3 — 단백질 구조 예측의 새 지평
Google DeepMind와 Isomorphic Labs가 공동 개발한 AlphaFold 3(AF3)는 단백질뿐만 아니라 소분자 리간드, 핵산, 이온 등 거의 모든 생체분자의 구조와 상호작용을 예측할 수 있다.
신약 개발에서 가장 직접적인 활용은 단백질-리간드 도킹(docking) 예측이다. 원본 논문에 따르면 AF3의 PoseBusters V1 기준 단백질-리간드 도킹 정확도(pocket-aligned RMSD < 2 Å)는 76.4%로, 기존 최고 수준인 RoseTTAFold All-Atom(42%)의 약 1.8배에 달하며 후보 물질 스크리닝 속도를 크게 높인다. (출처: Nature, "Accurate structure prediction of biomolecular interactions with AlphaFold 3", Abramson et al., 2024; 평가 분석 참고: bioRxiv, "AlphaFold3 in Drug Discovery: A Comprehensive Assessment", 2025)
AF3는 정적인 단백질-리간드 복합체 구조 예측에 강하지만, 결합 친화도(binding affinity) 순위 매기기에는 적합하지 않다. 리드 최적화(lead optimization) 단계에서 단독으로 사용해서는 안 된다고 연구자들은 경고한다. (출처: bioRxiv, 2025)
실제 적용 사례로, 간세포암 타깃인 CDK20의 구조를 AlphaFold 2 기반 AlphaFold DB(모델 식별자: AF-Q8IZL9-F1-model_v1)로 활용한 뒤 구조 기반 화합물 생성으로 8,918개 분자를 생성하고, 도킹·클러스터링 분석으로 54개를 우선 선정한 뒤 최종 7개를 합성·생물학적 테스트를 진행한 연구가 있다. 2라운드 최적화 후보(ISM042-2-048)는 Kd 값 566.7 ± 256.2 nM, IC50 값 33.4 ± 22.6 nM을 달성했다. (출처: Chemical Science, "AlphaFold accelerates artificial intelligence powered drug discovery: efficient discovery of a novel CDK20 small molecule inhibitor", 2023) — 이 연구는 AlphaFold 3 발표(2024년 5월) 이전에 수행된 것으로, 사용된 모델은 AlphaFold 3가 아닌 AlphaFold 2 기반 DB임.
4-2. Insilico Medicine — AI 설계 신약의 임상 2상
Insilico Medicine은 생성 AI를 활용해 신약 후보 물질을 설계하고, 전통 방식 대비 현저히 짧은 기간에 임상 진입에 성공한 기업으로 주목받고 있다.
- 물질명: Rentosertib(구 ISM001-055 / INS018_055)
- 적응증: 특발성 폐섬유증(IPF, Idiopathic Pulmonary Fibrosis)
- 타깃: TNIK(Traf2- and Nck-interacting kinase) — 범섬유화 억제제
- Discovery → Phase 1 진입: 약 30개월. 세분화하면 타깃 발견~전임상 후보 지명까지 18개월($2.6M 예산), 이후 IND 준비(제조·독성 시험 등) 9개월로 구성된다. (출처: Insilico Medicine 공식 블로그; Nature, "From target discovery to phase 1 initiation in under 30 months", 2022)
- 임상 2상 결과: 2024년 9월 긍정적인 임상 2a 탑라인 결과를 프레스릴리즈로 공개하고, 2025년 6월 3일 Nature Medicine에 정식 게재됐다. 12주 치료 후 60mg QD 투여군은 FVC(강제폐활량) 평균 +98.4 mL 개선을 보인 반면 위약군은 -20.3 mL 감소를 보였다. 현재 피벗 트라이얼(pivotal trial) 진행 계획. (출처: Nature Medicine, "A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial", 2025)
Rentosertib는 생성 AI로 설계된 최초의 분자가 임상 2상까지 진입한 사례로 기록되고 있다. 다만 FDA 최종 승인까지는 추가 임상이 필요하며, 2025년 12월 기준 AI 설계 신약의 FDA 승인 사례는 없다.
4-3. Novartis MicroCycle — 제약사의 자율 루프 시스템
글로벌 제약사 Novartis는 기존 고처리량 자동화 시스템을 업그레이드해 MicroCycle이라는 SDL을 구축했다. MicroCycle은 스스로 새로운 화합물을 합성하고, 정제하고, 화학·생화학 분석을 수행하고, 데이터를 분석한 뒤 다음 합성 대상을 선택하는 과정을 자율적으로 반복한다. 2024년 Journal of Medicinal Chemistry에 발표됐다. (출처: Journal of Medicinal Chemistry, "MicroCycle: An Integrated and Automated Platform to Accelerate Drug Discovery", 2024; Royal Society Open Science, 2025)
이 시스템의 의미는 대형 제약사가 SDL을 연구 목적이 아닌 실제 신약 파이프라인에 통합했다는 점이다. 연구자는 결과 검토와 방향 설정에 집중하고, 반복적인 합성·평가 루프는 시스템이 담당한다.
4-4. Ginkgo Bioworks — 합성생물학 자율 랩
Ginkgo Bioworks는 합성생물학 분야에서 대규모 자율 실험실을 운영한다. 자사 홈페이지에서 공개한 자율 랩(Autonomous Lab) 플랫폼은 생물학적 부품 설계, 세포 엔지니어링, 실험 자동화를 통합한 구조로, 의약품 원료 생산 최적화 등에 활용된다. (출처: Ginkgo Bioworks 공식 홈페이지)
2026년 2월 5일 Ginkgo는 OpenAI의 GPT-5 추론 모델과 자사 클라우드 랩(재구성 가능 자동화 카트 RAC 기술 + Catalyst 자동화 소프트웨어)을 결합해 6개월에 걸쳐 6라운드의 폐쇄 루프 실험을 수행하며 36,000개 단백질 합성 실험 조건을 자율 수행했으며, 세포-프리(cell-free) 단백질 합성 반응 비용을 기존 최고 수준 대비 40% 절감했다고 발표했다. (출처: Ginkgo Bioworks 공식 보도자료, 2026) — 다만 이 결과는 신약 개발이 아닌 단백질 합성 비용 최적화 분야에서 나온 성과임을 유의해야 한다.
5. 24시간 자율 실험의 성과와 한계
5-1. 확인된 성과
- 데이터 수집 속도 10배 (재료과학 분야): 동적 플로우 시스템을 적용한 SDL이 정상 상태 플로우 실험 방식 대비 최소 10배 많은 데이터를 수집한 사례가 보고됐다. 이 사례는 신약 개발이 아닌 재료과학 분야(NC State 대학 연구)에서 나온 것으로, 신약 SDL에 동일 수치가 적용된다고 볼 수는 없다. (출처: ScienceDaily, 2025 / Nature Chemical Engineering, 2025)
- 처리량 30~50% 증가: 로봇이 24시간 운영할 때 전통 수동 공정 대비 처리량이 30~50% 증가한다는 추정치가 있다. (출처: BioSpace, 2025) — 단, 이 수치는 공정 유형과 환경에 따라 달라질 수 있다.
- 재현성 향상: 로봇은 동일한 프로토콜을 정확하게 반복하므로 사람 간 변동(inter-operator variability)이 제거된다.
- 발견 주기 단축: Insilico Medicine의 사례처럼 Discovery-to-Phase1을 30개월로 단축한 사례가 등장했다.
5-2. 명확한 한계와 과장된 기대
- 독립적 신약 후보 발견 없음: SDL이 인간 없이 독립적으로 검증된 신약 후보를 발견한 사례는 아직 보고되지 않았다.
- FDA 승인 AI 신약 없음: 2025년 12월 기준, AI가 발견·설계한 신약이 FDA 최종 승인을 받은 사례는 존재하지 않는다.
- 습식-건식 통합의 복잡성: 습식 실험실(로봇 합성)과 건식 계산(AI 예측)의 통합은 기술적·조직적으로 여전히 복잡하다.
- 높은 초기 투자 비용: 완전 자율 SDL 구축에는 상당한 자본이 필요해 자금력이 충분한 기업만 접근 가능한 현실이다.
- 임상 단계는 여전히 오래 걸린다: AI가 발견 단계를 빠르게 해도, 규제 기관의 임상 1~3상 요건은 변하지 않는다. AI 신약 개발의 병목은 실험실이 아닌 임상으로 이동하는 중이다.
6. 한국의 AI 신약 개발 현황
한국도 AI 신약 개발에 적극 투자하고 있으나, 아직 상용화 단계보다는 기반 구축과 전임상(preclinical) 단계에 집중되어 있다.
6-1. 정부 정책 및 투자
- K-AI 전임상 모델 개발 사업: 과학기술정보통신부 주도로, 후보 발굴부터 임상까지 지원하는 AI 플랫폼 구축이 목표다. 2025년 초기 예산 21억 8,400만 원, 2029년까지 총 495억 원 투자 계획. (출처: Complete AI Training, 2025)
- 합성생물학 특별법: 한국은 합성 생물학 관련 세계 최초의 전용 법률을 통과시켜 AI 기반 신약 개발의 법적 기반을 마련했다. (출처: Korea Biomedical Review, 2025)
- AI 신약개발 챌린지: 과학기술정보통신부와 한국화학연구원(KRICT), 한국생명공학연구원(KRIBB)이 공동으로 "2025 AI 신약개발 챌린지(Boost up AI)"를 추진했다. (출처: MetaJournal, 2025)
6-2. 연구·교육 인프라
- AI신약융합연구원(CAIID): 한국제약바이오협회 산하 기관으로, AI 신약 개발 산·학·연 협력 허브 역할을 담당한다. (출처: CAIID 공식 홈페이지)
- LAIDD 플랫폼: AI 기반 신약 개발 교육 플랫폼으로 회원 수 12,000명 이상, 6,286개 강좌 이수 기록을 보유한다. AI 프로그래밍, 생물학, 화학, 신약 개발을 통합적으로 다룬다. (출처: LAIDD 공식 홈페이지)
6-3. 한국의 과제
- 데이터 접근성: AI 신약 개발의 핵심은 데이터인데, 국내 병원 임상 데이터와 환자 데이터에 대한 접근이 제한적이다.
- 상용화 사례 부재: AI로 발굴된 후보 물질의 국내 상용화 사례는 아직 없다. 대부분 전임상 단계에 머물러 있다.
- 글로벌 빅파마와의 격차: 완전 자율 SDL 구축은 막대한 자본 투자가 필요하며, 국내 중소 제약사는 접근이 어려운 상황이다.
7. 개발자 관점 — AI 신약 개발에 참여하는 방법
신약 개발은 생물학자와 화학자의 영역처럼 보이지만, 셀프 드라이빙 랩의 핵심을 구성하는 많은 요소가 소프트웨어 엔지니어링과 머신러닝 역량을 필요로 한다. 개발자로서 이 분야에 진입할 수 있는 경로를 정리했다.
7-1. 핵심 기술 스택
| 영역 | 주요 기술 / 라이브러리 | 역할 |
|---|---|---|
| 분자 표현 | RDKit, DeepChem | SMILES 파싱, 분자 지문(fingerprint) 생성, 특성 계산 |
| 그래프 ML | PyTorch Geometric, DGL | 분자 그래프 기반 속성 예측 |
| 생성 모델 | Hugging Face Transformers, REINVENT | 신규 분자 생성, 구조 최적화 |
| 구조 예측 | AlphaFold (오픈소스), OpenFold | 단백질 3D 구조 예측 |
| 도킹 | AutoDock Vina, Gnina | 단백질-리간드 결합 예측 |
| 최적화 | BoTorch, Ax (Meta) | 베이즈 최적화로 다음 실험 조건 선택 |
| 데이터 | ChEMBL, PubChem, PDB | 공개 화합물·단백질 데이터베이스 |
| 자동화 제어 | Python (labware API), ROS | 실험 장비 API 연동, 로봇 제어 |
7-2. 입문 경로
- 오픈소스 기여: DeepChem, OpenFold, REINVENT(AstraZeneca 공개) 등 오픈소스 프로젝트에 기여하면서 도메인 지식을 쌓을 수 있다.
- 공개 데이터셋으로 실습: ChEMBL에서 화합물-활성 데이터를 내려받아 GNN 기반 활성 예측 모델을 만드는 것이 좋은 시작점이다.
- LAIDD 수강: 국내에서는 LAIDD 플랫폼이 AI 신약 개발 전반을 다루는 교육 콘텐츠를 제공한다. 생물학·화학 배경이 없어도 AI·프로그래밍 관점에서 접근할 수 있는 강좌가 있다.
- Kaggle 경진대회: Leash Biosciences의 BELKA(소분자-단백질 결합 예측) 같은 생물정보학 관련 대회가 종종 열린다. 실전 데이터를 다루는 좋은 기회다.
- AI 신약 스타트업 취업: Insilico Medicine, Recursion Pharmaceuticals 등은 ML 엔지니어와 데이터 사이언티스트를 꾸준히 채용한다. 생물 도메인 지식보다 ML 역량을 우선시하는 포지션이 증가하는 추세다.
7-3. 간단한 분자 속성 예측 예제 (Python)
RDKit을 사용해 분자의 기본 물리화학적 속성을 계산하는 가장 간단한 예제다. 이 정도가 SDL의 'Analyze' 파이프라인에서 쓰이는 코드의 출발점이 된다.
# pip install rdkit-pypi
from rdkit import Chem
from rdkit.Chem import Descriptors, rdMolDescriptors
# 아스피린 (Aspirin) SMILES
smiles = "CC(=O)Oc1ccccc1C(=O)O"
mol = Chem.MolFromSmiles(smiles)
if mol is not None:
mw = Descriptors.ExactMolWt(mol)
logp = Descriptors.MolLogP(mol)
hbd = rdMolDescriptors.CalcNumHBD(mol) # 수소결합 공여체
hba = rdMolDescriptors.CalcNumHBA(mol) # 수소결합 수용체
tpsa = Descriptors.TPSA(mol)
print(f"분자량: {mw:.2f} Da")
print(f"LogP (친유성): {logp:.2f}")
print(f"HBD / HBA: {hbd} / {hba}")
print(f"TPSA: {tpsa:.2f} Ų")
# Lipinski Rule of Five 간이 체크
ro5_pass = (mw <= 500) and (logp <= 5) and (hbd <= 5) and (hba <= 10)
print(f"Lipinski RO5 통과: {ro5_pass}")
else:
print("유효하지 않은 SMILES")
SDL에서 이 코드는 합성 후보 수천 개에 대해 자동으로 실행되고, Lipinski Rule of Five를 통과하지 못하는 분자는 다음 단계 큐에서 제외된다.
8. 정리 — 실험실이 잠들지 않는 시대
셀프 드라이빙 랩은 신약 개발의 패러다임을 바꾸는 기술이 맞다. 그러나 2025년 현재 상황을 냉정하게 보면, "AI가 신약을 개발한다"는 표현은 과장이다. 더 정확한 표현은 "AI와 로봇이 연구자의 가설 검증 속도를 극적으로 높인다"는 것이다.
Insilico Medicine의 Rentosertib는 AI 신약 개발의 가능성을 임상에서 처음으로 증명하고 있고, Novartis 같은 빅파마는 자사 파이프라인에 SDL을 통합하고 있다. 한국도 정부 투자와 제도 정비를 통해 이 흐름에 올라타고 있다.
개발자 관점에서 이 분야는 진입 기회가 분명히 있다. 분자 ML, 베이즈 최적화, 실험 자동화 파이프라인 구축은 모두 소프트웨어 엔지니어링 역량이 핵심이다. 생물학을 모른다는 이유로 문 밖에 서 있을 이유가 없다. 오히려 ML 엔지니어가 이 분야에서 가장 부족한 인재다.
- SDL은 AI + 로봇 + 분석 장비가 폐쇄 루프(DMTA)로 연결된 자율 실험 시스템
- 24시간 무인 운영으로 데이터 수집 속도와 처리량이 크게 향상
- Insilico Medicine의 Rentosertib는 임상 2a 긍정 결과(2025년 6월 Nature Medicine 게재)로 AI 신약의 가능성을 입증
- FDA 승인 AI 신약은 아직 없으며, 임상 단계 허들은 그대로
- 한국은 K-AI 플랫폼 투자와 합성생물학 특별법으로 기반 구축 중
- 개발자는 RDKit, DeepChem, GNN, 베이즈 최적화부터 시작할 수 있다
참고 자료
- Royal Society Open Science — "Autonomous 'self-driving' laboratories: a review of technology and policy implications" (2025)
- OAE Publishing — "Artificial intelligence-driven autonomous laboratory for accelerating chemical discovery" (2025)
- Nature Medicine — "A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial" (2025)
- Insilico Medicine — Phase 2 Readout blog post (2024 topline announcement)
- Insilico Medicine — From Start to Phase 1 in 30 Months
- Chemical Science — "AlphaFold accelerates artificial intelligence powered drug discovery: efficient discovery of a novel CDK20 small molecule inhibitor" (2023)
- bioRxiv — "AlphaFold3 in Drug Discovery: A Comprehensive Assessment" (2025)
- Nature — "Major AlphaFold upgrade offers boost for drug discovery" (2024)
- Journal of Medicinal Chemistry — "MicroCycle: An Integrated and Automated Platform to Accelerate Drug Discovery" (2024)
- Nature — "From target discovery to phase 1 initiation in under 30 months" (2022)
- Ginkgo Bioworks — Autonomous Lab
- ScienceDaily — "This AI-powered lab runs itself—and discovers new materials 10x faster" (2025)
- Drug Target Review — "AI in drug discovery: predictions for 2026"
- Korea Biomedical Review — "Korea passes world's 1st synthetic bio law" (2025)
- LAIDD — AI 신약개발 교육 플랫폼
- AI신약융합연구원(CAIID)
- Complete AI Training — "South Korea Pours Billions into AI Drug Development" (2025)
- BioSpace — "Life Science Automation and Robotics Market Expands Rapidly" (2025)
