스탠다임 김진한 CEO – 인터뷰 시리즈

김진한은 AI 기반 신약 개발 워크플로 기업인 스탠다임의 대표입니다.

맞춤형 표적 식별부터 선도물질 생성까지, 스탠다임 워크플로우 AI 플랫폼은 자체 및 협력 프로젝트에서 상업적 가치가 있는 약물을 개발하는 모든 단계에 필요한 인사이트를 제공합니다.

6학년 때 코딩을 시작했다고 합니다. 어떻게 관심을 갖게 되셨고, 초기에 어떤 프로젝트를 작업했는지 이야기해 주시겠습니까?

애플 II 플러스에서 시작했습니다. 그것이 책벌레에서 창조자로 바뀐 계기가 되었습니다. 궁금증으로 인해 C 프로그래밍을 시작했습니다. 컴퓨터의 원리와 이론적인 측면에 관심을 갖게 되었습니다. 그로부터 기술 분야의 평생 학습자가 되었습니다.

머신 러닝에 관심을 갖게 된 초기에는 어떤 일이 있었나요?

에딘버러 대학에서 Geoffrey Hinton 교수님의 지도로 응용 화학과 인공 지능을 전공했습니다. 그는 딥 러닝을 창시한 신경 과학자이자 컴퓨터 과학자입니다. 인공 신경망과 자율적이고 지능적인 기계를 설계했습니다. 그리고 나중에 머신 러닝 알고리즘을 개발했습니다. 구글이 그를 10년 전에 고용하여 AI를 개발했습니다. 그리고 나머지는 역사입니다.

생물학과 머신 러닝의 교차점에 처음으로 관심을 갖게 된 것은 언제였나요?

삼성전자 첨단 기술 연구소에서 알고리즘을 개발하고 있었습니다. 개발한 알고리즘 중 하나는 DNA 손상 수리를 위한 메커니즘입니다. 생물학 분야에서 가장 어려운 문제를 해결하고자 했습니다. 인간의 몸과 인간과 같은 방식으로 생각하는 컴퓨터는 모두 매우 복잡하며, 하나를 이해하기 위해 다른 하나를 작업해야 합니다. AI 시스템은 전 세계에서 수십 년간 발표된 방대한 과학 자료를 살피고, 인체의 복잡성을 처리하며 생물학적 메커니즘의 패턴을 빠르고 일관되게 파악할 수 있습니다. 생물학과 머신 러닝은 서로 상호보완적인 관계라는 것을 알 수 있었습니다.

스탠다임의 창립 배경에 대해 이야기해 주시겠습니까?

건강과 과학 분야에서 작업하는 동안 전통적인 약물 발견에서 시간과 돈을 많이 소요하는 문제를 발견했습니다. 과학 연구 논문과 스크리닝 시도를 분석하는 작업은 인간 과학자들이 수행했습니다. 삼성의 두 동료, 송상옥과 윤소정,와 함께 기회를 발견했습니다. 작업을 인간에서 지능형 기계로 전환하고 새로운 워크플로우를 설계했습니다. 또한 월급을 받는 것이 아니라, 약물 발견 방법을 새로운 표준 패러다임으로 만들고자 했습니다. 이것이 스탠다임의 창립 배경입니다. 스탠다임의 기계 학습 모델은 높은 예측 정확도를 달성하고, AI 기술은 최대 ROI를 달성합니다.

합성 접근성 문제는 무엇이며, 스탠다임은 어떻게 해결하고 있습니까?

생성 모델은 숙련된 의약화학자의 도움 없이도 새로운 분자 구조를 설계할 수 있습니다. 이것은 약물 발견 커뮤니티에서 이 기술을 적극적으로 채택하는 이유 중 하나입니다. 가장 큰 장애는 분자 설계와 실험적 합성 사이의 속도 차이입니다. 수백만 개 화합물의 설계는 몇 시간이면 가능하지만, 10개의 분자의 합성에는 몇 주 또는 몇 개월이 걸릴 수 있습니다. 따라서 설계된 분자 중 극소수만이 인간 전문가에 의해 합성됩니다. 따라서 분자 특성에 대한 좋은 척도를 갖는 것이 중요합니다.

초기 AI 모델은 정교하지 못하여, 합성 화학자는 설계된 분자들을 거부했습니다. 일부 CRO 회사들은 심지어 제안서를 준비하지 않습니다.

스탠다임은 이 문제를 해결하기 위해 경험이 풍부한 의약품 화학자를 고용하여, 생성 모델에 그들의 전문 지식을 추가하여, 인간 전문가가 설계한 것과 구별할 수 없는 분자들을 설계할 수 있도록 했습니다. 스탠다임은 현재 다양한 약물 발견 단계에서 사용할 수 있는 여러 생성 모델을 갖고 있습니다. 히트물질 발굴, 히트물질의 선도물질 전환, 선도물질 최적화 등이 해당 단계입니다. 이것은 AI 약물 발견 회사에서 인간의 경험과 전문성을 개별 프로젝트에만 투입하는 대신 AI 모델 개선과 최적의 워크플로우 확보에 활용하는 것이 중요함을 보여줍니다.

스탠다임에서 약물 발견을 촉진하기 위한 알고리즘 유형에 대해 이야기해 주시겠습니까?

탐색 프로젝트는 보통 Standigm ASK로 유망하고 새로운 표적 단백질의 우선순위를 정하는 것부터 시작합니다. 우리의 생물학 플랫폼은 다양한 무편향 오믹스 데이터를 사용하여, 생물학적 시스템의 특정 상황을 도입하고, 대량의 생물학적 네트워크를 훈련하는 알고리즘으로 구성되어 있습니다. 올바른 타겟 단백질을 선택하는 것은 약물 발견에서 가장 중요한 문제 중 하나입니다. Standigm ASK는 질병 전문가들에게 작용 메커니즘에 대한 여러 가설을 제공합니다.

Standigm BEST는 넓은 보호 범위의 특허를 확보하기 위해 여러 작업을 수행합니다. 히트 화합물 제안(효과적인 탐색), 스캐폴드 호핑(합성 가능성과 신규성 고려), 약물 적합성 예측 모형(활성, 흡수·분포·대사·배설 및 독성인 ADME/Tox, 물리화학적 특성) 등이 포함됩니다. 이러한 큰 작업과 관련된 작은 작업도 있습니다. 예를 들어, 약물-타겟 상호작용, AI 지원 분자 시뮬레이션, 선택성 예측 및 다중 매개 변수 최적화 등이 있습니다.

신규 분자 생성에 있어 평균적으로 얼마나 시간을 절약할 수 있습니까?

스탠다임 연구원들은 수백 개의 신규 분자를 합성했습니다. 이들 중 상당수는 여러 프로젝트에서 히트물질이나 선도물질로 분류됐습니다. AI 모형과 상용 자원을 도입해 대부분의 프로젝트에서 신규 화합물을 처음 생성하는 데 드는 기간을 6개월에서 평균 2개월로 줄였습니다. 이제 첫 번째 고/노고 결정은 평균 7개월 이내에 가능합니다. 이전에는 3~4년이 걸렸습니다.

스탠다임의 성공 사례 중 일부를 소개해 주시겠습니까?

Standigm ASK와 같은 기술적 기반을 가진 스탠다임 인사이트를 사용하여, 미국 최고의 어린이 병원 중 한 곳의 과학자에 의해 검증된, 희귀한 소아 질환에 사용할 수 있는 약물 분자를 발견했습니다. 이 사례는 AI가 희귀질환 신약 개발을 도울 수 있음을 보여 줍니다. 상업적 가치를 확보해야 하므로 기업 규모와 관계없이 어려운 분야입니다. 특히, 이 경기 침체 상황에서, 제약 회사들이 보수적이 되고 있는 상황에서, AI는 희귀하고 소외 질환에 대한 연구 개발을 촉진할 수 있습니다.

의료 분야에서 딥 러닝과 생성 AI의 미래에 대한 비전을 이야기해 주시겠습니까?

AI 기술의 성공은 높은 품질의 데이터의 가용성에 달려 있습니다. 의료 분야에서 높은 품질의 데이터를 확보하기 위한 경쟁이 있을 것입니다. 초기 약물 발견의 좁은 관점에서, 화학 및 생물학 데이터는 비싸고, 높은 품질의 데이터를 얻기 위해 오랜 시간이 걸립니다. 따라서 자동화된 연구실이 AI 약물 발견 분야의 미래가 될 것입니다. 자동화된 연구실은 높은 품질의 데이터의 비용을 줄일 수 있습니다. 우리는 기술 플랫폼을 다음 단계로 발전시키고 있습니다. Standigm ASK가 환자 유래 데이터부터 분자생물학에 이르기까지 더 명확한 근거를 제공하도록 하고 있습니다. 그리고 스탠다임 BEST AI 모델은 자동화된 연구실과 협력사에서 얻은 높은 품질의 데이터로 최첨단 수준가 될 것입니다.

스탠다임에 대해 더 이야기해 주시겠습니까?

스탠다임은 전문 지식의 균형이 중요하다는 것을 알고 있습니다. 또한, 인종의 균형도 중요합니다. 우리는 영국(케임브리지)와 미국(케임브리지, 매사추세츠)에 사무소를 설립하여, 네트워크의 존재와 스탠다임의 국제적 회사로의 변화를 이루어 왔습니다.

감사합니다. 더 많은 정보를 원하는 독자는 스탠다임을 방문하십시오.