바이엘(Bayer) × 아이앰빅(Iambic)—AI는 ‘공략하기 어려운 단백질’을 어떻게 연다

01 / Hard-to-drug란 무엇인가

질환에서 중요해도 저분자가 안정적으로 결합할 주머니가 없거나, 단백질이 유연하게 움직이고, 유사 단백질과 구분하기 어려우면 전통적인 스크리닝 효율이 낮다. ‘중요한 타깃’과 ‘약으로 만들기 쉬운 타깃’은 같은 말이 아니다.

02 / 구조 AI가 맡는 일

03 / Enchant와 NeuralPLexer

아이앰빅은 Enchant를 통합 신약발견 플랫폼으로, NeuralPLexer를 단백질·리간드 복합체 구조 예측 기술로 설명한다. 계산은 합성할 분자의 우선순위를 정하지만 실제 결합, 세포 활성, 선택성, 약동학과 독성은 실험으로 확인해야 한다.

04 / 성공을 판단할 관문

1. 01구조 가설예측한 결합 부위가 실험에서 재현되는가
2. 02세포 활성표적 결합이 질환 관련 기능 변화로 이어지는가
3. 03선택성유사 단백질과 오프타깃을 구분하는가
4. 04개발 가능성흡수·노출·대사·안전성 조건을 함께 만족하는가

기술의 공통 기반은 AI 신약개발 기술 해설에서 확인할 수 있다.

공식자료를 비교하며 본 것

AI가 공략하기 어려운 단백질을 연다는 표현은 후보 생성과 실험 검증을 분리해 읽어야 한다. 구조 예측이 제안한 결합 방식이 생화학·세포·동물 단계에서 재현되는지까지 이어져야 플랫폼의 성과로 볼 수 있다. 편집 과정에서는 장점과 실패 가능성을 같은 비중으로 놓았다. 기술적 설명이 그럴듯하더라도 제조, 안전성, 환자선별 또는 후기 임상 중 하나가 이어지지 않으면 실제 치료로 연결되지 않을 수 있기 때문이다. 따라서 이 글의 결론은 확정판정보다 확인 순서에 가깝다.

이 판단을 넓혀 읽기

이 글의 판단 기준은 AI 신약개발이란 무엇인가—후보물질 탐색부터 임상개발까지 AI가 바꾸는 과정과 리커전(Recursion Pharmaceuticals · RXRX) × 제넨텍(Genentech)—AI 신경과학 타깃이 ‘발견’을 통과하는 법에서 실제 임상 지표와 관련 기술에 적용해 볼 수 있다.

REFERENCES

1. Bayer — collaboration with Iambic, 2026.06.22

LAST REVIEWED · 2026.08.25