보스턴의 어느 연구실, 현미경 너머로 보이던 복잡한 단백질 구조가 모니터 위에서 정교한 3D 모델로 빠르게 재구성되고 있었다. 수천 번의 시행착오를 거쳐야 했던 기존의 실험 방식 대신, 이제는 알고리즘이 최적의 분자 조합을 제안하며 연구원의 시간을 단축시킨다. 생명과학의 정교함과 생성형 AI의 속도가 만나는 바로 그 지점에서 Converge Bio의 여정이 시작되었다.
실리콘밸리의 거물들이 주목한 생성형 AI 랩
최근 Converge Bio가 2,500만 달러(약 330억 원) 규모의 시리즈 A 투자를 유치했다는 소식이 전해졌습니다. 이번 라운드는 Bessemer Venture Partners가 주도했으며, TLV Partners, Vintage Investment Partners, Saras Capital 등이 함께 참여했습니다. 특히 눈에 띄는 점은 Meta, OpenAI, Wiz와 같은 글로벌 빅테크 기업의 핵심 임원들이 개인적으로 투자에 참여했다는 사실입니다.
단순히 자본의 규모보다 중요한 것은 이들이 바라보는 방향성입니다. 현재 200개가 넘는 스타트업들이 AI를 연구 워크플로우에 직접 통합하려는 경쟁을 벌이고 있습니다. Converge Bio는 단순한 보조 도구가 아니라, ‘생명과학을 위한 생성형 AI 랩’을 지향하며 신약 발견과 개발 속도를 획기적으로 가속화하는 플랫폼을 구축하고 있습니다.
Gertz 대표는 이번 성장을 두고 생명과학 역사상 가장 큰 금융적 기회가 도래했다고 언급했습니다. 이는 AI가 단순히 데이터를 분석하는 수준을 넘어, 새로운 물질을 ‘설계’하고 ‘생성’하는 단계로 진입했음을 의미합니다. 이제 신약 개발은 ‘발견’의 영역에서 ‘설계’의 영역으로 이동하고 있습니다.
AI 기반 신약 개발 워크플로우의 기술적 구현
Converge Bio와 같은 AI 플랫폼이 실제로 어떻게 작동하는지 이해하려면, 데이터 전처리와 모델 추론 과정의 파이프라인을 살펴볼 필요가 있습니다. 일반적으로 이러한 플랫폼은 거대한 화학 라이브러리를 벡터화하여 임베딩 공간에 배치하고, 생성 모델(Generative Model)을 통해 특정 타겟 단백질에 결합력이 높은 새로운 분자 구조를 생성합니다.
만약 우리가 오픈 소스 기반의 분자 생성 라이브러리를 사용하여 유사한 환경을 구축한다면, 다음과 같은 설정 과정을 거치게 됩니다. 보통 Python 환경에서 RDKit과 같은 화학 정보학 라이브러리를 설치하고, PyTorch 기반의 생성 모델을 로드하는 방식입니다.
# 1. 필수 라이브러리 설치 및 환경 설정
pip install rdkit torch torch-geometric pandas
# 2. 모델 로드 및 분자 생성 스크립트 예시
import torch
from model_arch import MoleculeGenerator
# 모델 가중치 경로 지정 (예: /models/converge_gen_v1.pt)
model = MoleculeGenerator()
model.load_state_dict(torch.load("/models/converge_gen_v1.pt"))
model.eval()
# 특정 타겟 단백질의 특성 벡터를 입력하여 새로운 분자 SMILES 생성
target_protein_vector = torch.tensor([0.12, -0.45, 0.88, ...])
with torch.no_grad():
generated_smiles = model.generate(target_protein_vector, temperature=0.7)
print(f"Generated Molecule SMILES: {generated_smiles}")위 코드에서 temperature 옵션은 매우 중요합니다. 이 값을 낮게 설정하면 모델이 가장 확률이 높은 안전한 구조만 생성하게 되고, 값을 높이면 더 창의적이지만 화학적으로 불안정한 구조가 나올 가능성이 커집니다. 실제 연구원들은 이 옵션을 조정하며 ‘안정성’과 ‘혁신성’ 사이의 균형점을 찾습니다.
실제 구축 시 마주하는 에러와 해결책
AI 신약 개발 파이프라인을 구축하다 보면 가장 흔하게 발생하는 문제는 데이터셋의 SMILES(Simplified Molecular Input Line Entry System) 문자열 오류입니다. 화학 구조를 텍스트로 변환한 SMILES 데이터에 잘못된 문자가 섞여 있으면 RDKit에서 ValueError가 발생하며 프로세스가 중단됩니다.
- 먼저
pandas를 이용해 전체 데이터셋의 Null 값을 제거합니다. Chem.MolFromSmiles()함수를 사용하여 각 문자열이 유효한 화학 구조인지 검증하는 필터링 단계를 추가합니다.- 유효하지 않은 데이터는 별도의 로그 파일(예:
/logs/invalid_smiles.log)에 기록하여 데이터셋을 정제합니다. - 정제된 데이터를 다시 텐서 형태로 변환하여 모델의 입력값으로 넣습니다.
또한, GPU 메모리 부족(Out of Memory) 에러가 자주 발생하는데, 이는 분자 그래프의 크기가 가변적이기 때문입니다. 이를 해결하기 위해 torch.utils.data.DataLoader에서 batch_size를 줄이거나, 그래프의 노드 수를 제한하는 max_nodes 옵션을 설정하여 메모리 점유율을 최적화해야 합니다.
AI가 바꿀 제약 산업의 미래와 우리의 과제
Converge Bio의 이번 투자 유치는 단순히 한 기업의 성공을 넘어, AI가 생물학적 복잡성을 정복해 나가는 과정의 일부입니다. 과거에는 수조 원의 비용과 10년 이상의 시간이 걸렸던 신약 후보 물질 발굴 단계가 AI를 통해 몇 달, 혹은 몇 주로 단축될 수 있는 시대가 오고 있습니다.
하지만 기술적 진보만큼 중요한 것은 ‘검증’입니다. AI가 설계한 분자가 컴퓨터 시뮬레이션에서는 완벽하더라도, 실제 인체 내에서는 전혀 다른 반응을 보일 수 있기 때문입니다. 결국 AI는 연구원의 가설을 빠르게 검증해 주는 ‘초고속 가설 생성기’ 역할을 하며, 최종 판단은 여전히 숙련된 과학자의 몫으로 남을 것입니다.
이번 사례를 통해 배운 점은, 결국 도메인 지식(생물학)과 최신 기술(생성형 AI)의 결합이 가장 강력한 시너지를 낸다는 것입니다. 단순히 코딩을 잘하는 것이 아니라, 그 코드가 해결하려는 실제 세상의 문제가 무엇인지 정확히 정의하는 능력이 중요합니다.
만약 여러분이 AI 엔지니어라면, 혹은 생명과학 연구자라면 어떤 방식으로 두 영역의 간극을 좁히고 계신가요? 혹은 AI가 설계한 약을 믿고 복용할 수 있는 날이 온다면, 우리는 어떤 윤리적 기준을 먼저 세워야 할까요?