AI 신약개발 브리핑: 2026년 6월 첫째 주 핵심 흐름 정리

2026년 6월 첫째 주 AI 신약개발 브리핑의 핵심은 “더 큰 모델”이 아니라 검증 가능한 실험 설계였다. AI는 후보물질 생성, 펩타이드 기능 예측, 효소 설계, 임상시험 모니터링, 단백질 디자인 플랫폼까지 넓어졌지만, 실제 연구실에서 중요한 질문은 하나로 모인다. 이 결과를 어떤 실험으로 확인할 것인가?

한눈에 보는 이번 주 결론

이번 주 흐름은 다섯 문장으로 요약할 수 있다.

• DORA 같은 dose-response 모델은 세포 반응을 “농도-전사체-생존율”의 연속 데이터로 읽으려 한다.
• PepAnno는 식품유래·발효유래 생리활성 펩타이드를 기능 예측, 구조 시각화, 물성 분석까지 한 번에 묶는 방향을 보여줬다.
• FDA의 early-phase clinical trial AI pilot은 AI가 임상시험 운영과 의사결정에도 들어오고 있음을 보여준다.
• OpenProtein.AI, PandaClaw 같은 도구는 AI를 전산 전문가만의 도구에서 생물학자가 직접 쓰는 도구로 낮추고 있다.
• Riff-Diff와 식품효소 AI 리뷰들은 효소 설계가 “가능성 소개”에서 “실험 검증 가능한 설계법”으로 넘어가고 있음을 보여준다.

Precision Food Lab 관점에서는 이 흐름이 기능성식품, 식품유래 펩타이드, 발효 대사체, 장 건강 소재 연구와 바로 연결된다. 이제 “AI로 예측했다”는 문장만으로는 부족하다. 좋은 연구는 예측 후보를 줄이고, 실패 가능성을 기록하고, 세포·오믹스·동물·인체적용시험으로 검증 경로를 보여줘야 한다.

1. DORA: 세포 반응을 용량-전사체-생존율로 함께 읽기

6월 1일 브리핑에서 가장 중요한 방법론은 DORA였다. DORA는 drug dose, transcriptome response, cell viability를 하나의 latent space에서 다루려는 dose-response autoencoder 접근이다. 단순히 “이 물질이 효과가 있다/없다”를 맞히는 것이 아니라, 농도가 바뀔 때 세포가 어떻게 반응하는지를 연속적으로 해석하려는 시도다.

기능성식품 연구에서는 이 접근이 꽤 중요하다. 천연물, 발효물, 식품유래 펩타이드는 단일 타겟 하나로 설명하기 어려운 경우가 많다. 농도에 따라 항염증처럼 보이다가 높은 농도에서는 세포독성이 나타날 수 있고, 전사체 변화는 좋아 보여도 생존율이 떨어질 수 있다. 따라서 후보물질을 평가할 때는 “효능 점수” 하나보다 용량반응 곡선, 세포 생존율, marker gene 변화가 함께 필요하다.

PFL에 적용한다면 RAW264.7, Caco-2, HepG2 같은 세포 모델에서 후보 추출물 또는 펩타이드를 여러 농도로 처리하고, qPCR panel 또는 RNA-seq 일부, 세포 생존율, 염증성 cytokine을 함께 기록하는 방식이 가능하다. 데이터가 충분하지 않아도 작은 pilot dataset부터 만들면, 이후 AI 모델이 후보를 줄이는 기준을 학습할 수 있다.

2. 도킹과 생성모델의 신뢰성: 모델보다 데이터가 먼저다

6월 2일 브리핑의 키워드는 AI 도킹과 가상스크리닝의 검증 기준이었다. AI가 단백질-리간드 결합 자세나 결합 가능성을 예측하더라도, 학습 데이터가 PDB co-crystal 구조에 치우쳐 있으면 모델은 “진짜 생물학”보다 데이터셋의 편향을 배울 수 있다. 그래서 최근 흐름은 모델 이름보다 benchmark, decoy 구성, pose validity, interaction recovery 같은 검증 기준을 더 중요하게 본다.

기능성식품 연��에서 이 문제는 더 크게 다가온다. 폴리페놀, 이소플라본, 글루코시놀레이트 대사체, 발효 대사산물은 약물 데이터셋의 전형적인 drug-like compound와 다르다. 단순 docking score만 보고 “강하게 결합한다”고 말하면 과장될 위험이 있다.

따라서 PFL형 가상스크리닝은 최소 세 층으로 나누는 것이 좋다. 첫째, pKa와 protonation state를 확인한다. 둘째, docking이나 ligand-pocket 모델을 쓰되 decoy와 양성대조를 함께 둔다. 셋째, 세포 기반 readout으로 실제 효과를 다시 확인한다. AI 도킹은 결론이 아니라 실험 순서를 정하는 필터로 써야 한다.

3. PepAnno: 생리활성 펩타이드 분석이 더 실용적으로 바뀌고 있다

6월 3일 브리핑의 실전 포인트는 PepAnno였다. PepAnno는 bioactive peptide 예측을 위해 기능 예측, 구조 시각화, 물리화학적 profiling을 통합한 웹서버다. PLOS Computational Biology 논문에 따르면 PepAnno는 peptide activity 예측과 downstream experimental design을 더 효율적으로 만들기 위한 통합 프레임워크다.

식품공학 연구자에게 이 지점은 매우 실용적이다. 식물단백질 가수분해물이나 발효유래 펩타이드를 얻으면 보통 서열 후보가 많이 나온다. 이 후보를 항균, 항산화, 항고혈압, 항염증, 항암 같은 기능 카테고리로 나누고, 구조와 물성을 함께 보려면 여러 도구를 오가야 했다. PepAnno 같은 통합 도구는 후보를 빠르게 줄이는 1차 필터가 될 수 있다.

예를 들어 콩, 병아리콩, 유청, 쌀 단백질 가수분해물에서 peptide list를 얻었다면 다음 흐름을 생각할 수 있다. 먼저 PepAnno로 기능 카테고리를 예측한다. 그다음 GI digestion stability, solubility, charge, hydrophobicity, toxicity 예측을 붙인다. 마지막으로 상위 후보 10개 정도만 합성하거나 분획해서 세포 실험으로 확인한다. 중요한 것은 예측 상위 후보뿐 아니라, 예측은 좋았지만 실험에서 실패한 후보도 기록하는 것이다.

4. FDA real-time clinical trials: AI가 임상 운영에도 들어온다

6월 4일 브리핑에서는 FDA의 AI-enabled early-phase clinical trial pilot이 중요했다. FDA는 2026년 4월 말 Federal Register를 통해 early phase clinical trials에서 AI-enabled technologies가 효율, 속도, 의사결정 품질을 어떻게 높일 수 있는지 의견을 요청했다. FDA 보도자료도 real-time clinical trials라는 방향을 분명히 제시했다.

이 흐름은 신약개발 회사에만 해당하지 않는다. 기능성식품 인체적용시험에서도 개인별 반응, 중간 바이오마커, 안전성 신호, 복약순응도, microbiome 변화 등을 더 빠르게 읽고 의사결정하는 구조가 필요하다. 물론 건강기능식품 연구가 의약품 임상과 같지는 않다. 하지만 “시험이 끝난 뒤 통계만 보는 방식”에서 “시험 중 데이터 품질과 반응 패턴을 모니터링하는 방식”으로 움직이는 방향은 참고할 만하다.

PFL 관점에서는 소규모 인체적용시험을 설계할 때 다음 요소를 미리 넣을 수 있다. 첫째, primary endpoint와 exploratory biomarker를 구분한다. 둘째, 개인별 baseline 차이를 기록한다. 셋째, 중간 시점의 cytokine, 대사체, microbiome, 설문 데이터를 구조화한다. 넷째, AI 분석은 결론 도출이 아니라 이상치 탐지, 반응군 stratification, 다음 실험 설계 보조로 둔다.

5. OpenProtein.AI와 PandaClaw: AI 도구가 연구자에게 내려오고 있다

6월 5일 브리핑은 연구자 접근성의 변화가 중심이었다. MIT News는 OpenProtein.AI를 no-code protein engineering platform으로 소개했다. OpenProtein.AI 자체도 단백질 디자인, 최적화, 구조·기능 예측을 그래픽 인터페이스와 API로 제공한다고 설명한다. Insilico Medicine의 PandaClaw는 생물학자와 바이오인포매틱스 연구자의 복잡한 분석을 agentic AI로 지원하는 방향을 내세웠다.

이 변화는 연구실 운영 관점에서 중요하다. 예전에는 AI 단백질 설계를 시도하려면 모델 설치, GPU, sequence database, 구조예측 파이프라인이 필요했다. 이제는 웹 기반 도구와 API를 통해 생물학자가 직접 “이 펩타이드의 안정성을 높일 수 있을까?”, “이 효소의 기질 특이성을 바꿀 수 있을까?” 같은 질문을 던질 수 있다.

다만 접근성이 올라간 만큼 검증 책임도 커진다. no-code 도구가 결과를 쉽게 주면, 연구자는 그 결과가 어떤 데이터와 모델에서 나온 것인지 더 꼼꼼히 봐야 한다. 기능성 단백질이나 펩타이드 연구에서는 activity, solubility, digestion stability, sensory impact, allergenicity, manufacturability를 함께 봐야 한다.

6. Riff-Diff와 식품 효소 설계: AI 효소공학은 실험 검증 단계로 이동 중

6월 7일 브리핑에서 가장 강한 연구 신호는 Riff-Diff였다. Nature 논문은 catalytic motif scaffolding을 통해 de novo enzyme design을 수행하는 hybrid machine learning and atomistic modelling 전략을 제시했다. PubMed 요약에 따르면 retro-aldol reaction과 Morita-Baylis-Hillman reaction이라는 서로 다른 반응에서 적용 가능성을 보였다.

여기에 Biotechnology Advances의 food enzyme engineering 리뷰가 연결된다. 식품효소는 안전성, 효율, 특이성, 열안정성, 생산성까지 동시에 맞춰야 한다. 그래서 AI 효소 설계는 “새 효소를 만든다”보다 “식품공정에서 쓸 수 있을 만큼 안전하고 안정적인 효소를 설계한다”는 문제로 봐야 한다.

PFL의 식물단백질 가수분해, 발효효소, 기능성 성분 전환 연구에는 세 가지 적용점이 있다. 첫째, 기존 효소의 안정성과 특이성을 개선한다. 둘째, 부산물에서 기능성 성분을 만들 수 있는 전환 효소를 찾거나 설계한다. 셋째, 효소 설계 후보를 바로 실험하지 않고 구조 예측, substrate docking, activity assay로 단계별로 줄인다.

Precision Food Lab에 바로 적용할 수 있는 4단계 워크플로우

이번 주 브리핑을 하나의 연구실 워크플로우로 바꾸면 다음과 같다.

1단계: 후보를 넓게 만들기

식품 원료, 발효물, 부산물, 천연물, 단백질 가수분해물에서 후보 compound와 peptide list를 만든다. 가능하면 SMILES, peptide sequence, 원료, 처리효소, 발효균, 예상 기능성 endpoint를 함께 기록한다.

2단계: AI 필터를 여러 겹으로 적용하기

펩타이드는 PepAnno와 bioactivity predictor로 1차 분류한다. 소분자는 pKa, protonation, ADMET, docking 또는 ligand-pocket benchmark를 붙인다. 효소는 OpenProtein.AI, ProteinMPNN, RFdiffusion 계열 도구로 stability와 sequence design을 확인한다.

3단계: 세포와 오믹스 readout으로 확인하기

AI가 줄인 후보를 RAW264.7, Caco-2, HepG2 같은 세포 모델에 넣고 cytokine, TEER, oxidative stress, cell viability, qPCR panel 또는 transcriptome 변화를 확인한다. DORA식 사고를 빌리면 단일 농도보다 dose-response가 훨씬 중요하다.

4단계: 실패한 예측도 저장하기

논문에는 성공한 후보만 남기기 쉽다. 하지만 다음 AI 모델을 똑똑하게 만드는 것은 실패 데이터다. 예측 점수는 높았지만 독성이 있던 후보, docking은 좋았지만 세포 반응이 없던 후보, 기능 예측은 좋았지만 소화 안정성이 낮았던 peptide를 따로 기록해야 한다.

다음 주 연구실 액션

이번 주 자료를 바탕으로 PFL에서 바로 할 수 있는 일은 세 가지다.

첫째, PepAnno에 기존 peptide 후보 20~50개를 넣어 기능 예측표를 만든다. 둘째, senolytics virtual screening GitHub 코드를 내려받아 천연물·기능성식품 후보 라이브러리에 맞는 입력 형식을 확인한다. 셋째, Riff-Diff와 food enzyme engineering 리뷰를 기반으로 “식물단백질 가수분해용 효소 개선” 1페이지 아이디어 노트를 만든다.

결론은 분명하다. AI 신약개발은 기능성식품 연구와 점점 가까워지고 있다. 차이는 규제와 endpoint일 뿐, 후보 생성, 기능 예측, 세포 반응 해석, 임상 데이터 모니터링이라는 기술 흐름은 거의 같은 ��향으로 움직인다. 앞으로 좋은 기능성식품 AI 연구는 “AI가 찾았다”가 아니라 “AI가 줄인 후보를 어떤 실험으로 검증했고, 실패에서 무엇을 배웠는가”를 보여주는 연구가 될 것이다.

참고 자료

• DORA: a dose-response autoencoder for interpretable transcriptome response prediction
• PepAnno: A structure-aware deep learning framework for bioactive peptide prediction, structural visualization, and physicochemical profiling
• PepAnno web server
• FDA: AI-Enabled Optimization of Early-Phase Clinical Trials Pilot Program
• FDA: Major Steps to Implement Real-Time Clinical Trials
• MIT News: Bringing AI-driven protein-design tools to biologists everywhere
• OpenProtein.AI
• Insilico Medicine: PandaClaw agentic AI for therapeutic discovery
• Computational enzyme design by catalytic motif scaffolding
• PubMed: Computational enzyme design by catalytic motif scaffolding
• PubMed: AI-driven engineering of safe and highly efficient food enzymes
• GitHub: virtual-screening-senolytics