Thomas Clozel, M.D., Owkin 공동 설립자 겸 CEO – 인터뷰 시리즈

Thomas Clozel, M.D.는 의료 산업을 혁신하고 있는 AI 바이오테크 기업 Owkin의 공동 설립자이자 CEO입니다. 임상 연구 배경을 가진 Clozel은 2016년 설립 이래 Owkin을 이끌어 왔으며, 상당한 자금 조달과 주요 제약사와의 전략적 파트너십을 성사시키는 등 중요한 이정표를 달성했습니다. 그는 파리의 Hopital Henri Mondor에서 임상 종양혈액학 조교수였으며, Weill Cornell Medical College의 Ari Melnick 박사 연구실에서 종양학 연구원으로 활동한 바 있습니다.

Owkin은 생물 의학 연구와 신약 발견을 가속화하기 위해 자율 AI 시스템을 개발하는 AI 바이오테크 기업입니다. 2016년 종양학자 Thomas Clozel과 머신러닝 연구자 Gilles Wainrib가 설립했으며, 첨단 AI 모델을 다중모달 환자 데이터, 생물학적 연구, 임상 전문 지식과 결합해 제약 팀이 질병을 더 잘 이해하고, 치료 표적을 식별하며, 바이오마커를 발견하고, 보다 현명한 R&D 결정을 내릴 수 있도록 돕습니다. 대표 플랫폼인 K Pro는 복잡한 생물학적 질문을 분석하기 위해 특화된 모델과 연구 도구를 조율하는 AI 과학자 역할을 하며, Owkin은 궁극적으로 “Biological Artificial SuperIntelligence:”라 부르는 자체 개선 AI 시스템을 목표로 하고 있습니다. 이 시스템은 신약 발견 과정의 점점 더 큰 부분을 자율적으로 수행할 수 있게 됩니다.

Owkin은 Sanofi, Bristol Myers Squibb, MSD 등 주요 바이오제약사와 전략적 관계를 구축했으며, 학계 연구자, 임상의, 환자 데이터 파트너, 실험실 인프라를 아우르는 글로벌 네트워크를 형성하고 있습니다.

Your career has spanned clinical hematology, oncology research and computational biology. When you co-founded Owkin in 2016, what limitations did you see in conventional medical research that convinced you AI could help scientists understand disease differently?

저는 종양학자였고 35세 환자들의 암을 진료했지만, 그들의 병력에서는 왜 암이 발생했는지, 왜 재발했는지를 설명해 주는 것이 없었습니다. 지난 백 년간의 모든 연구에도 불구하고 이를 설명할 좋은 과학적 근거가 없었습니다. 그래서 저는 생각했습니다: 생물학은 인간 규모의 문제가 아니다. 분자부터 전체 유기체까지, 조직 생검부터 환자의 치료 이력까지 다양한 데이터 유형을 동시에 아우르는 추론이 필요하다. 이를 위해서는 AI가 필요하다. 그리고 인간에게 가장 가까운 이해를 제공할 수 있는 데이터는 환자 데이터라고 생각했습니다. 그래서 2016년에 Gilles Wainrib와 함께 Owkin을 공동 설립했고, 병원 데이터를 절대 병원을 떠나지 않게 하는 연합 학습(federated learning) 방식을 시작으로 데이터를 잠금 해제하고 답을 찾고자 했습니다.

Generative AI can produce large numbers of plausible biological hypotheses. How should researchers distinguish a genuinely novel discovery from a convincing but ultimately false AI-generated correlation?

모든 가설은 반증될 때까지 잘못된 것으로 간주해야 합니다. 이것이 설계 의도입니다. 저는 최첨단 AI 에이전트—고도 자율 AI 시스템—가 적절한 도구와 데이터에 접근하면 현재보다 더 정확한 가설을 생성할 수 있다고 믿습니다. Owkin에서는 모델이 데이터에서 학습한 패턴을 기반으로 가설이 실제로 유지될 가능성을 평가해 순위를 매깁니다.

하지만 우리는 여전히 실험실에서 그리고 임상 시험을 통해 검증해야 합니다. Owkin에서는 “lab in the loop”(루프 안의 실험실)이라고 부르는 방식을 사용해 AI 예측을 실제 생물학적 샘플에 적용해 검증한 뒤에만 신뢰합니다. 따라서 언제나 가설을 실험적으로 검증해야 합니다. AI는 가장 성공 가능성이 높은 테스트 경로를 제시함으로써 자원을 보다 효율적으로 사용할 수 있게 도와줍니다.

K Pro combines pathology, genomics, spatial biology and clinical outcomes. How does bringing these different data types together produce stronger biological evidence than relying on a single dataset or modality?

우리는 개인의 질병 원인을 전체적으로 파악하려고 합니다. 각 데이터 유형은 그 일부를 스냅샷처럼 제공하지만, 단일 데이터만으로는 전체 인과 설명을 제공할 수 없습니다.

여러 관점에서 동시에 질병을 바라볼 수 있다면 전체 그림에 더 가까워집니다. 이것이 생물학의 모든 규모—예를 들어 유전자 활동을 조직의 물리적 구조와 연결하고, 환자의 근본적인 생물학(유전자·분자)과 실제 임상 관찰(조직 이미지, 의료 기록, 치료 반응)을 연결하는—을 포괄하려는 우리의 목표입니다.

AI가 중요한 이유는 바로 이 점입니다: 서로 다른 데이터 유형을 결합하고 전체 그림에 가까운 근본적인 패턴을 찾아낼 수 있기 때문이며, 이는 인간이 스스로 수행하기에는 매우 어려운 작업입니다.

Owkin describes AI-generated discoveries as hypotheses rather than facts. What stages must a K Pro hypothesis pass through before your team considers it biologically meaningful enough to influence a drug-development decision?

네 단계.

첫째, 계산적 복제: 독립적인 환자 데이터셋과 최초 생성에 사용되지 않은 데이터 유형에 대해 신호가 유지되는지 확인합니다. 이 단계는 비용이 적게 들며 대부분의 후보를 초기에 걸러냅니다.

둘째, 메커니즘 검증: 일관된 인과 설명—그럴듯한 새로운 생물학적 지식—이 존재하는가? 모델이 주장하는 바를 실제 증거가 뒷받침하는가? 우리는 결론뿐 아니라 근거 자체를 조사합니다. 여기서 우리 전문 바이오메디컬 팀의 투입이 매우 중요합니다.

셋째, 실험실에서 검증합니다. 환자 유래 모델—예를 들어 환자 종양을 실험실에서 배양한 오가노이드—을 이용해 약물 테스트와 유전자 편집 실험을 수행합니다. 이 단계에서 상관관계가 실제 인과 주장으로 전환되거나 그렇지 않게 됩니다.

넷째, 환자 단계. 현재 우리는 K Pro가 이해하는 생물학적 메커니즘을 바탕으로 한 후보 물질 OKN4395를 INVOKE 임상 시험에서 테스트하고 있습니다. 또한 이 시험을 통해 AI를 개선하고 있습니다: 시험 전 과정에서 상세 환자 데이터를 수집함으로써, 단순히 약물을 테스트하는 것이 아니라 모델이 제시한 질병 메커니즘과 적절한 환자군에 대한 추론이 올바른지 검증하고 있습니다.

Owkin tests selected K Pro predictions in its wet laboratory using approaches such as patient-derived organoids and genetic perturbation. How does this laboratory feedback improve the system, and what happens when experimental results contradict the original prediction?

K Pro가 새로운 생물학을 예측하면, 우리는 실험을 설계하고 환자 유래 실험 모델—오가노이드, 공동 배양, 특정 유전자를 켜거나 끄는 모델—을 사용해 검증합니다. 결과는 시스템에 다시 투입되어 개선됩니다. 현재 이 루프의 일부는 아직 수동으로 진행되고 있으며, 완전 자동화가 다음 단계 목표입니다.

우리는 이미 이 피드백 효과를 측정했습니다. 올해 ArXiv에 공개한 연구에서, 이러한 반복적인 실험 피드백을 받은 AI 에이전트는 무작위 선택에 비해 166–185% 더 높은 정확도로 세포 행동을 의미 있게 변화시키는 유전자를 식별했습니다. 이는 약물 타깃으로 가치 있는 유전자를 찾는 데 큰 의미가 있습니다.

What metrics should pharmaceutical companies use to evaluate an AI scientist? Should success be measured by predictive accuracy, reproducibility, the number of validated targets, improved clinical-trial decisions or another standard?

우리가 가장 중요하게 생각하는 기준은 신뢰성입니다. 가끔 매우 정확한 답을 내는 AI는 흥미롭지만, AI 시스템이 산업에 진정으로 유용해지려면 언제든 같은 질문에 동일한 방식으로 일관되게 답변할 수 있어야 합니다.

이것이 시스템을 화려한 시연에서 실제 워크플로우의 기반으로 전환시키는 핵심입니다. K Pro는 AI 추론이 매번 동일한 재현 가능하고 투명한 과정을 따르도록 설계되었습니다.

Scientific reproducibility is essential in drug research. How does K Pro show researchers which datasets, analytical workflows and reasoning steps contributed to a conclusion so that its findings can be independently reviewed?

K Pro는 AI가 각 질의에 답하기 위해 거친 추론 과정을 문서화하고 화면에 표시합니다.

사용된 각 데이터셋은 출처와 버전이 명시됩니다. 필터링 단계마다 환자군이 어떻게 축소되는지—예를 들어 4,000명에서 300명으로— 확인할 수 있습니다. 호출된 각 도구와 사용된 각 “스킬”도 모두 표시됩니다. 모든 추론 단계가 투명하게 드러납니다.

“스킬”은 한 번 정의된 과학적 워크플로우—분석 순서, 임계값, 추론 로직—이며, K Pro는 해당 상황에 맞을 때마다 동일하게 적용합니다. 스킬은 재현성을 높이는 핵심 요소이며, 동일 작업을 두 번 수행하면 동일한 답이 나와야 합니다. 우리는 이 기능을 지속적으로 강화하고 있습니다. AI 작업을 검증할 수 있다는 점은 우리 산업에서 큰 장점입니다.

Owkin is developing purpose-built K Pro agents for AstraZeneca and Sanofi. What have these collaborations taught you about integrating AI scientists into established pharmaceutical workflows without weakening human oversight, governance or scientific rigor?

제약사가 현재 위치에 맞춰 접근해야 합니다. 각 기업은 조직 구조, 역사, AI 도입 의지 등이 다르고, 같은 기업 안에서도 팀마다 요구 사항이 다릅니다.

우리가 거의 10년간 제약사와 협업하면서 배운 점은, 그들은 언제나 감독과 엄격함을 최우선으로 하며, 거버넌스 기준을 충족하지 않으면 문을 열어주지 않는다는 것입니다.

따라서 K Pro를 해석 가능하도록 설계했습니다—즉, 어떻게 추론하고 어떤 도구와 데이터를 선택했는지 볼 수 있게— 동시에 기존 시스템에 맞게 유연하게 작동하도록 했으며, 데이터가 이미 저장된 위치에서 직접 접근하도록 하여 인프라를 변경하거나 데이터를 이동·복제할 필요가 없게 만들었습니다.

이러한 접근은 제약사의 신뢰를 구축하는 데 큰 도움이 됩니다.

Multimodal patient data can contain institutional biases, inconsistent annotations and underrepresented populations. How does Owkin prevent these limitations from becoming misleading biological conclusions or narrowing the patients who may benefit from a discovery?

모든 데이터에는 실험실이나 환자 집단에서 비롯된 편향이 존재합니다. 우리는 데이터셋을 가능한 한 완전히 이해하려 노력해 편향 여부와 보정 방법을 파악합니다.

이를 가능하게 하는 것은 각 데이터셋을 최초 생성한 연구자와의 긴밀한 관계이며, 그들이 데이터를 깊이 있게 검토하도록 도와줍니다.

관련 데이터셋이 존재한다면 찾을 수 있다고 확신합니다. 그러나 특정 환자군이 기존 데이터에 충분히 대표되지 않을 경우, 우리는 학술 파트너와 협력해 자체적으로 새로운 데이터를 엄격한 기준에 따라 생성합니다. 예를 들어 MOSAIC 데이터셋을 만든 것이 그 사례입니다.

You have described Owkin’s long-term objective as Biological Artificial Superintelligence. What capabilities would distinguish that from today’s AI research tools, and what evidence would convince you that an AI system genuinely understands biology rather than simply identifying increasingly sophisticated patterns?

Biological Artificial Superintelligence (BASI)—우리 용어로는 독립적으로 진정으로 새로운, 올바른 생물학을 제시할 수 있는 AI 시스템—은 AI가 인간 연구가 아직 발견하지 못한 새로운 질병 생물학을 지속적으로 제안하고, 그 제안이 나중에 검증되어 올바른 것으로 입증될 때 도달합니다.

우리는 다음과 같은 능력을 갖춘 시스템을 구축하고 있습니다:

• 인간의 모든 단계 개입 없이 스스로 가설을 정제하고, 자동화된 실험실에서 실험을 설계·실행할 수 있는 자율성
• 단순히 상관관계를 찾는 것이 아니라 생물학적 시스템에서 인과 관계를 추론하는 능력

AI가 진정으로 “생물학을 이해한다”는 질문은 흥미로운 철학적 논의입니다. 모델의 내부 표현이 충분히 복잡해져서 실제 이해로 간주될 수 있는 시점은 언제인가—단순히 고도로 정교한 패턴 매칭이 아니라—에 대한 답은 아직 명확하지 않습니다. 현재로서는 새로운 생물학을 신뢰할 수 있게 제안하고, 그 제안이 실제로 옳게 판명될 때까지 기다리는 것이 목표입니다.

Thank you for the great interview, readers who wish to learn more should visit Owkin.