Banya

OpenAI의 생명과학 보고서: AI는 어떻게 신약 개발을 가속시키는가 - 신약 개발의 생산성 저하와 이룸의 법칙(Eroom's Law)​ 지난 100년 동안 의학은 큰 발전을 이루었지만 신약을 하나 개발하는 데 드는 비용은 9년마다 두 배씩 늘어나고 있습니다. 이를 반도체 성능이 비약적으로 발전한다는 무어의 법칙을 뒤집은 이룸의 법칙(Eroom's Law)이라고 부릅니다. 실제로 1950년대와 비교하면 신약 생산성은 약 80배나 줄어들었으며, 현재 신약 하나를 만드는 데는 약 26억 달러의 막대한 비용과 12년에서 15년이라는 긴 시간이 소요됩니다. 임상 1상에 진입한 후보 물질이 최종 승인을 받을 확률도 7.9%에 불과할 정도로 성공 문턱이 매우 높습니다. ​ - ​ 지식의 파편화와 지식의 암흑기(The Great Endarkenment) 신약 개발이 어려워진 근본 원인은 기술 부족이 아니라 지식이 너무 세분화되어 서로 연결되지 않기 때문입니다. 생물학은 유전학, 단백질 생화학, 면역학 등 20개 이상의 분야로 나뉘어 있고 각자 사용하는 용어가 달라 소통이 어렵습니다. OpenAI는 이를 지식의 과도한 분화로 인한 이해 단절, 즉 지식의 암흑기(The Great Endarkenment)라고 정의했습니다. 하지만 최근에는 인간의 몸을 구성하는 DNA를 4개의 문자로 된 디지털 코드로 읽을 수 있게 되었고, 유전자 편집 기술인 크리스퍼(CRISPR)를 통해 이를 직접 수정하는 단계까지 발전했습니다. ​- 단백질 구조 예측과 분자 설계의 혁신​ 단백질의 입체 구조를 알아내는 것은 신약 개발의 핵심이지만 과거에는 실험을 통해 하나를 밝히는 데만 수개월에서 수년이 걸렸습니다. 하지만 구글의 알파폴드(AlphaFold) 같은 인공지능 모델은 50년 동안 풀리지 않았던 이 난제를 해결하며 2억 개 이상의 단백질 구조를 한 번에 예측해냈습니다. 이는 기존 방식으로는 수억 년이 걸렸을 작업을 단 몇 년 만에 끝낸 것과 같은 효과를 주며, 약물 분자가 질병 유발 인자에 얼마나 잘 결합할지를 사전에 계산할 수 있게 만들어 연구 속도를 획기적으로 높였습니다. ​ $ABSI $GENB $프로티나(Proteina) -​ 유전자 편집 기술의 진화​ 인공지능은 단순히 기존의 유전자 편집 도구를 사용하는 것을 넘어 자연계에 존재하지 않는 새로운 유전자 편집 효소 자체를 설계하기도 합니다. 크리스퍼(CRISPR-Cas9) 기술이 특정 DNA를 잘라내는 수준이었다면, 이제는 단일 염기만 바꾸거나 더 긴 서열을 수정하는 정교한 단계로 발전했습니다. 특히 2025년 연구에 따르면 대규모 언어 모델(LLM)이 설계한 유전자 편집 도구가 자연 상태의 효소보다 더 뛰어난 성능을 보이기도 하며 생명체의 설계도를 더 정확하게 수정할 수 있게 되었습니다.​ $TXG $CRSP $BEAM $프로플루언트(Profluent) ​-​ 자동화 연구실의 등장 (Self-driving lab)​ 기존에는 사람이 직접 가설을 세우고 실험과 분석을 반복해야 했기에 한 번의 사이클에 수개월이 걸렸습니다. 하지만 인공지능과 로봇이 결합한 자동화 연구실은 설계부터 실험, 분석에 이르는 전 과정을 스스로 수행합니다. 이를 통해 연구 사이클이 수일 수준으로 단축되었으며, 실제 일부 기업은 신약 타겟을 찾고 임상 1상에 진입하기까지의 기간을 30개월 이하로 대폭 줄이는 성과를 보여주고 있습니다.​ $DNA $RXRX ​-​ 임상 시험 최적화 및 효율성 개선​ 임상 시험은 신약 개발에서 가장 오래 걸리고 실패율이 높은 구간이지만, 인공지능은 환자 모집부터 안전성 모니터링까지 전 단계를 최적화합니다. 방대한 데이터를 분석해 약이 잘 들을 것 같은 환자 그룹을 미리 분류하고 실패 가능성이 높은 시험을 조기에 걸러냄으로써 병목 현상을 해결합니다. 일부 분석에 따르면 이러한 기술 적용을 통해 임상 단계에 소요되는 기간을 20% 이상 단축할 수 있는 것으로 나타났습니다. $TEM $토모큐브(Tomocube) ​-​ 인공지능의 역할: 지식의 번역기와 폴리매스(Polymath) 결국 인공지능은 생명과학의 특정 단계만 돕는 도구가 아니라 서로 다른 분야의 지식을 연결해주는 번역기 역할을 합니다. 과거에는 여러 분야에 능통한 소수의 천재인 폴리매스(Polymath)가 했던 역할을 인공지능이 대신하면서, 연구자가 자기 분야가 아닌 지식도 쉽게 이해하고 활용할 수 있게 되었습니다. OpenAI는 인공지능이 데이터를 읽고 분석하며 실험하고 다시 학습하는 전체 연구 순환 과정을 하나로 묶는 거대한 인프라로 자리 잡으며 생물학 연구의 판도를 바꾸고 있다고 강조합니다.

프로티나(Proteina), 미국 IDT(Danaher)와 MOU 체결 - 프로티나는 최근 글로벌 생명과학 솔루션 기업인 Danaher 그룹의 핵심 계열사인 Integrated DNA Technologies와 차세대 항체 치료제 개발 가속화를 위한 전략적 업무협약(MOU)을 체결했다고 밝혔습니다. 이번 협력은 IDT의 고속·대량 DNA 합성 역량과 프로티나의 단일분자 기반 HT-SPID(High-Throughput Single-Molecule Protein Interaction Detection) 플랫폼을 결합해 항체 발굴 및 최적화 과정을 혁신하는 데 초점이 맞춰져 있습니다. 특히 양사는 AI 기반 항체 개발 과정에서 필요한 DNA 합성, 단백질 제작, 결합 검증 과정을 하나의 고속 실험 체계처럼 연결하는 ‘Lab-in-the-loop’ 전략을 구축하겠다고 설명했습니다. 이번 협력이 중요한 이유는 현재 AI 신약개발 분야에서 가장 큰 병목 중 하나가 'AI가 설계한 후보를 실제 실험으로 검증하는 속도'이기 때문입니다. AI 모델은 수많은 항체 서열을 빠르게 생성할 수 있지만, 이를 실제로 DNA로 합성하고 단백질로 만들어 결합력과 특이성을 측정하는 과정은 여전히 느리고 비용이 많이 듭니다. 그런데 IDT는 세계 최고 수준의 DNA·올리고 합성 인프라를 갖추고 있고, 프로티나는 SPID 플랫폼을 통해 개별 분자 단위의 단백질 상호작용을 초고속으로 측정할 수 있기 때문에, 양사가 결합하면 'AI 설계 → DNA 합성 → 실험 검증 → AI 재학습' 사이클을 매우 빠르게 반복할 수 있게 됩니다. 결국 시간이 지날수록 프로티나는 단순 실험 데이터가 아니라 어떤 항체 서열이 실제로 잘 결합하고 실패하는지에 대한 대규모 상호작용 데이터를 축적하게 되고, 이것이 장기적으로는 후발주자들이 따라오기 어려운 데이터 및 AI 성능 격차로 이어질 가능성이 큽니다. 다만 이번 협력은 과거 Absci가 Twist Bioscience와 맺었던 형태와 상당히 유사한 성격에 가깝습니다. 즉 Danaher가 직접적으로 프로티나에 대규모 자금 지원이나 독점적 사업 기회를 제공한다기보다는, 양사가 각자의 강점을 결합해 항체 개발 효율을 높여보자는 전략적 기술 협력에 가까운 구조로 볼 수 있습니다.

Original Text: contents.premium.naver.com/banya/banyacom…

AI 바이오 패권 경쟁: 앤트로픽의 신약 개발 사업 가능성 & Coefficient Bio 인수 - 앤트로픽의 AI 바이오 시장 진출 현재 AI 산업에서는 단순히 챗봇을 잘 만드는 것을 넘어서, 실제 돈이 되는 거대한 산업 자체를 AI로 바꾸려는 움직임이 커지고 있습니다. 그중에서도 신약 개발은 성공하면 수조 원 규모의 매출이 나올 수 있기 때문에, AI가 연구 속도와 성공 확률을 조금만 높여도 경제적 가치가 매우 커질 수 있는 분야입니다. 그래서 최근 앤트로픽도 코딩 AI를 넘어 바이오 연구 자동화에 본격적으로 뛰어들고 있습니다. ​-​ Claude for Life Sciences 플랫폼 ​Claude for Life Sciences는 연구원들이 실제 실험실에서 사용하는 여러 시스템을 하나로 연결하는 AI 플랫폼입니다. 원래 연구자들은 논문 검색은 PubMed, 실험 기록은 Benchling, 유전자 데이터 분석은 10x Genomics와 같은 또 다른 업체의 프로그램, 그림 제작은 BioRender처럼 각각 따로 사용해야 했습니다. 이 플랫폼은 이런 것들을 하나의 환경 안에서 연결해 AI가 전체 연구 흐름을 함께 도와주는 구조입니다. ​예를 들어 AI가 논문 수천 편을 읽고 핵심 내용을 정리한 뒤, 기존 연구를 기반으로 새로운 가설을 제안하고, 실험 절차서(protocol)까지 자동으로 작성할 수 있습니다. 이후 실험 결과 데이터를 해석하고, 마지막에는 FDA 같은 규제기관 제출 문서까지 작성하는 흐름으로 이어집니다. 즉 단순 검색 도구가 아니라 연구 보조원처럼 움직이는 방향으로 발전하고 있습니다. ​-​ 실제 성능과 활용 사례 이 시스템은 단순 데모 수준이 아니라 실제 기업들이 이미 사용 중입니다. 노보 노디스크(Novo Nordisk)는 과거 12주 걸리던 임상시험 보고서 작성을 10분 수준으로 줄였고, 사노피(Sanofi)와 애브비(AbbVie)도 신약 후보 발굴과 암 치료제 연구, 규제 대응 업무 등에 활용하고 있습니다. 또 Claude 3.5 Sonnet 기반 모델은 실험 절차 이해 테스트인 Protocol QA에서 인간 전문가 평균보다 높은 점수를 기록했습니다. 즉 AI가 단순히 문장을 읽는 수준이 아니라 실제 실험 과정을 어느 정도 이해하기 시작했다는 의미입니다. ​-​ Coefficient Bio 인수의 의미 앤트로픽이 최근 인수한 Coefficient Bio는 설립 1년도 안 된 초기 스타트업이었지만 약 4억 달러 가치로 인수되었습니다. 특히 이것이 앤트로픽의 첫 대형 인수라는 점이 중요합니다. 보통 첫 인수는 회사가 앞으로 어디로 가려는지를 보여주는 경우가 많기 때문입니다.​ 이 회사의 핵심은 단순 데이터 분석이 아니라 생명과학 AI 에이전트를 만들려고 합니다. 즉 논문 읽기 → 가설 생성 → 실험 설계 → 결과 해석 → 다음 실험 방향 결정까지 이어지는 흐름 전체를 자동화하는 것으로, 쉽게 말해 사람이 연구 회의를 하며 결정하던 과정 일부를 AI가 대신 수행하는 방향입니다. -​ OpenAI와 구글은 어디까지 가고 있나 ​OpenAI와 구글도 최근 바이오 분야에 매우 적극적으로 들어가고 있습니다. 특히 구글은 알파폴드(AlphaFold)를 통해 단백질 구조 예측 문제를 해결하면서 생물학 연구 방식을 크게 바꿨습니다. 이후 구글은 아이소모픽 랩스(Isomorphic Labs)를 통해 실제 신약 후보 물질까지 직접 설계하고, 올 연말 임상시험 또한 준비하고 있습니다. 반면 OpenAI는 깅코 바이오웍스(Ginkgo Bioworks)의 자동화 실험실을 활용해 GPT-5 모델이 실험을 설계하면 로봇이 실제 실험을 수행하고, 생성된 데이터를 다시 AI가 학습하는 closed-loop 구조를 구축하고 있습니다. ​-​ 실험 데이터 생성 능력의 중요성 앞으로 AI 바이오 경쟁의 핵심이 단순 논문 이해 능력을 넘어, 새로운 실험 데이터를 얼마나 빠르게 많이 만들 수 있느냐입니다. 공개 데이터만으로는 한계가 있습니다. 이제 AI가 스스로 실험을 설계하고, 로봇이 실제 실험을 수행하며, 생성된 데이터를 다시 AI가 학습하는 반복 구조가 핵심 경쟁력이 될 가능성이 큽니다. 이러한 관점에서 현재 OpenAI와 구글은 앤트로픽보다 한 단계 더 앞서 있다는 평가도 가능합니다. ​-​ 앤트로픽의 AI 신약 개발 가능성 다만 앤트로픽 역시 단순 연구 보조 AI에 머무르지 않을 가능성이 높습니다. 실제로 최근 AI 기반 항체 설계 플랫폼을 만들던 핵심 인재가 앤트로픽 생명과학 팀으로 이동한 게 확인됐는데, 이는 앤트로픽도 장기적으로는 실제 단백질 및 항체 신약을 설계하는 영역까지 확장하려는 가능성이 있다는 의미입니다.

@afterwork0307 네 앤트로픽도 코딩 다음으로 생명과학 분야를 꼽고 있죠. 연말이나 내년 초부터 큰 반응 있지 않늘까 싶습니다~

@banya_diary 데미스 하사비스가 딥마인드에서 AI 바이오까지 넘어가는 흐름이 빠르죠 21억달러 펀딩이면 AI 바이오가 다음 대형 사이클 후보로 올라서는 게 현실인 것 같아요

구글 데미스 하사비스 인터뷰: 아이오소픽 랩스 21억 달러 펀딩 & 엔드투엔드 AI 바이오 시스템 Demis Hassabis: (의역이 포함되어 있습니다.) $ABSI $GENB $ABCL $RXRX $토모큐브(Tomocube) - 아이소모픽 랩스(Isomorphic Labs) 21억 달러 펀딩 구글의 AI 신약 개발 자회사인 아이소모픽 랩스는 최근 약 21억 달러 규모의 대형 투자를 유치했는데, 업계에서는 이를 단순한 바이오 스타트업 투자 이상으로 보고 있습니다. 특히 초기 OpenAI에 투자했던 Thrive Capital이 이번 투자에도 참여했다는 점 때문에, AI 산업이 이제 텍스트 생성이나 챗봇을 넘어 본격적으로 생물학과 신약 개발 영역으로 확장되기 시작했다는 신호로 해석되고 있습니다. - 알파폴드(AlphaFold)가 왜 그렇게 중요했는가 구글의 알파폴드는 단백질이 어떤 3차원 구조로 접히는지를 예측하는 AI입니다. 단백질은 가능한 구조 경우의 수가 거의 무한대 수준이라 사람이 규칙을 하나씩 정의해 풀기 어려웠는데, AI는 이런 거대한 조합 문제(combinatorial search space)를 매우 잘 다룹니다. 특히 단백질은 자유 에너지(free energy)가 가장 낮은 상태가 안정적이라는 명확한 목표가 있기 때문에, AI가 정답 방향으로 계속 최적화하기 좋은 구조입니다. - AI가 신약 개발을 바꾸는 방식 과거 신약 개발은 수많은 화합물을 실제 실험실(wet lab)에서 하나씩 테스트해야 했습니다. 하지만 이제는 AI가 먼저 컴퓨터 안에서 가상 탐색(virtual screening)을 수행합니다. 예를 들어 새로운 약물 후보를 만들면, 그 물질이 목표 단백질에는 얼마나 강하게 붙는지, 반대로 인체 내 다른 약 2만 개 단백질에는 부작용 없이 안전한지를 몇 시간 안에 계산할 수 있습니다. 이후 AI가 화합물 구조를 계속 수정하면서 효과는 높이고 독성은 낮추는 방향으로 반복 최적화를 진행합니다. 결국 핵심은 대부분의 실패를 실제 실험 전에 컴퓨터 안에서 먼저 걸러낸다는 점입니다. 즉 수백만 개 이상의 후보를 AI가 먼저 좁혀주고, 마지막 소수의 유망 후보만 실제 생물학 실험으로 검증하는 구조로 바뀌고 있는 것입니다. - 알파게놈(AlphaGenome)은 DNA를 이해하려는 모델 알파폴드에 이어 구글의 알파게놈은 인간 DNA의 변이가 실제 질병에 어떤 영향을 주는지를 예측하는 모델입니다. 특히 인간 유전체의 약 98%를 차지하는 비암호화 영역(non-coding region)은 그동안 기능을 거의 이해하지 못했는데, 알파게놈은 바로 이 부분까지 분석하려고 합니다. 예를 들어 DNA 특정 위치의 A가 G로 바뀌었을 때, 그 변화가 실제로 세포 기능을 망가뜨리는 위험한 변이인지 예측하는 방식입니다. 장기적으로는 AI가 질병 원인 변이를 찾아내고, 이후 크리스퍼(CRISPR) 같은 유전자 편집 기술이 그 부분을 직접 수정하는 방향까지 연결될 수 있습니다. 즉 단순히 증상을 완화하는 수준이 아니라 질병 원인 자체를 고치는 치료를 목표로 하고 있습니다. - 가상 세포 모델 (Virtual Cell) 가상 세포는 실제 살아 있는 세포 내부에서 일어나는 반응을 AI가 시뮬레이션하는 시스템입니다. 예를 들어 특정 유전자를 바꾸거나 약물을 투여했을 때 세포가 어떻게 변하는지를 실제 실험 전에 컴퓨터 안에서 먼저 계산하는 것입니다. 다만 완전한 가상 세포까지는 약 10년 정도가 필요할 것으로 보고 있으며, 따라서 현재는 세포 전체가 아니라 세포핵 같은 부분 단위부터 모델링하고 있습니다. - 고차원 세포 관찰 데이터 부족 그런데 가상 세포 개발에 있어 현재 가장 큰 병목은 '살아 있는 세포를 손상시키지 않으면서 실시간으로 관찰할 수 있는 데이터'가 부족하다는 점입니다. 전자현미경으로 매우 정밀한 이미지를 얻는 것은 가능하지만, 살아 있는 세포 내부의 움직임과 상호작용을 지속적으로 고해상도로 관찰하는 것은 아직 어렵습니다. 그래서 앞으로는 더 뛰어난 이미징 장비가 매우 중요합니다. (※ 토모큐브의 홀로토모그래피 / Tomocube Holotomography) - 엔드투엔드 AI 바이오 시스템 결국 데미스 하사비스가 만들고 싶은 것은 단일 AI 모델이 아니라 생물학 전체를 연결하는 엔드투엔드 AI 바이오 시스템입니다. 알파폴드로 단백질 구조를 이해하고, 알파게놈으로 DNA 변이를 해석하며, 가상 세포를 통해 실제 세포 반응까지 시뮬레이션하고, 마지막으로 AI가 신약까지 직접 설계하는 구조입니다. 쉽게 말하면 생물학 자체를 하나의 거대한 계산 문제로 보고 이를 AI로 풀어내려는 방향에 가깝습니다.

Original Text: contents.premium.naver.com/banya/banyacom… Youtube: youtube.com/watch?v=JNyuX1… youtube.com/watch?v=C0gErQ…

분기 보고서: dart.fss.or.kr/dsaf001/main.d…

토모큐브(Tomocube) 2026년 1분기 실적 발표 - 글로벌 AI 바이오 플랫폼 기업으로의 확장 이번 토모큐브 2026년 1분기 분기보고서에서 가장 핵심적인 부분은, 회사가 단순히 바이오 현미경 장비를 판매하는 수준을 넘어 AI와 바이오 데이터를 함께 다루는 글로벌 플랫폼 기업 방향으로 빠르게 확장하고 있다는 점입니다. 특히 '홀로토모그래피(Holographic Tomography, HT)' 3차원 세포 이미징 기술을 기반으로 해외 시장 비중이 크게 커지고 있고, 동시에 오가노이드 분석, 세포치료제 품질관리(QC), 반도체 검사 장비 같은 새로운 분야까지 사업을 넓히고 있다는 흐름이 매우 뚜렷하게 나타났습니다. - 해외 중심으로 성장하는 매출 구조 2026년 1분기 연결 기준 매출은 약 27.46억 원이었는데, 이 중 약 25.39억 원이 HT 제품군에서 발생했습니다. 특히 해외 매출 비중이 약 58.2%로 국내 41.8%보다 높았는데, 이는 토모큐브가 이제 국내 연구장비 회사라기보다는 글로벌 바이오 연구 시장을 대상으로 성장하고 있다는 의미에 가깝습니다. 실제로 MIT, 하버드 의대, ETH Zurich 같은 세계적인 연구기관들이 장비를 사용 중이며, 현재 전 세계 50개국 이상의 200여 기관에서 토모큐브 장비가 활용되고 있습니다. - AI 연구소와 데이터 플랫폼 전략 현재 주력 제품은 생명과학용 HT-X1, HT-X1 Plus, HT-X1 mini 등이 있고, 여기에 더해 산업용·검계측용 HT-R1, HT-T1 같은 신규 장비들도 개발 중입니다. 특히 회사가 강조하는 부분은 단순히 세포를 예쁘게 찍는 현미경이 아니라, 세포 내부를 염색 없이 3차원으로 분석하고 여기에 AI를 결합해 실제 바이오 데이터를 해석하는 방향입니다. 이를 위해 서울에는 별도의 AI 연구소도 운영하고 있는데, AI팀과 데이터 분석팀 등을 중심으로 홀로토모그래피 영상 분석 소프트웨어와 AI 기반 분석 기술을 개발하고 있습니다. 즉 단순 하드웨어 회사가 아니라, 장비를 통해 생성되는 바이오 데이터를 AI로 해석하는 플랫폼 기업 방향으로 가고 있다는 점이 중요합니다. 그래서 앞으로는 세포치료제 제조 과정에서 세포 상태를 검사하거나, 오가노이드 기반 신약 개발, AI 기반 세포 분석, 고처리량 신약 스크리닝(screening) 같은 영역까지 확장하려는 전략이 보입니다. - 빠르게 증가하는 수주잔고 수주 흐름도 상당히 좋았습니다. 전기말 수주잔고는 약 14.22억 원이었는데, 이번 분기 신규 수주가 약 48.79억 원 들어오면서 분기말 수주잔고가 약 35.55억 원까지 증가했습니다. - 연구개발 투자 및 재무 현황 재무적으로는 아직 적자 기업입니다. 2026년 1분기 영업손실은 약 18.65억 원, 당기순손실은 약 13.55억 원을 기록했습니다. 하지만 이 회사는 공격적으로 연구개발에 투자하는 단계에 가까운데, 실제 1분기 연구개발비가 약 16.69억 원으로 매출 대비 R&D 비율이 무려 60.8%에 달했습니다. 대신 현금은 비교적 충분한 편입니다. 현금 및 현금성자산이 약 191억 원이고, 총자산은 약 408.9억 원, 부채비율은 7.73% 수준으로 재무 안정성 자체는 꽤 좋은 편에 속합니다. - 파트너십 및 국책과제 현황 현재 해외 R사와는 AI 기반 오가노이드 분석 기술을 공동 개발 중이고, 분당차병원·차메디텍·KAIST와는 정자·난자·배아 이미지를 AI로 분석하는 프로젝트를 진행 중입니다. 여기에 과기정통부·산업부 국책과제도 다수 수행하고 있는데, 단순 장비 판매를 넘어 실제 AI 바이오 플랫폼 기업으로 가기 위한 데이터·알고리즘·응용 분야를 동시에 구축하고 있는 모습입니다. - 반도체·디스플레이 검사장비 시장으로의 확장 특히 장기적으로 보면 토모큐브는 바이오 분야를 넘어 반도체와 디스플레이 검사장비 시장까지 들어가려는 방향도 매우 강하게 드러났습니다. 반사형 홀로토모그래피 기술을 활용해 첨단패키징 검사나 반도체 유리기판 분석까지 확대하려 하고 있기 때문에, 결국 이 회사는 3차원 이미징과 AI 분석 기술을 기반으로 바이오와 산업 검사 시장을 동시에 노리는 플랫폼 기업 형태로 진화하려는 흐름이 매우 강한 기업이라고 볼 수 있습니다.

프로티나(Proteina): 곧 다가올 이벤트들 현황 - 주요 사업 방향 최근 프로티나는 단순히 AI로 후보물질을 찾는 바이오 스타트업이 아니라, 단백질 간 상호작용(PPI, Protein-Protein Interaction)을 정밀하게 제어하는 플랫폼 기업으로 방향을 확장하고 있습니다. 특히 자체 플랫폼인 'SPID'를 중심으로 저분자화합물(small molecule)과 항체(antibody)를 모두 개발할 수 있다는 점을 적극적으로 보여주고 있습니다. 최근 발표 흐름을 보면 기술 검증 단계에서 실제 사업화와 글로벌 파트너링 단계로 넘어가려는 분위기가 강해지고 있습니다. - 삼성바이오에피스(Samsung Bioepis) 공동 국책과제 프로티나는 현재 삼성바이오에피스와 함께 약 470억 원 규모의 국책과제를 진행 중입니다. 여기에는 로제타폴드(RoseTTAFold) 개발의 핵심 1저자 서울대 백민경 교수팀도 참여하고 있으며, 프로티나는 AI 기반 항체 설계와 초기 후보물질 발굴을 맡고 있는 것으로 알려져 있습니다. 업계에서는 올해 중순쯤 프로티나가 삼성바이오에피스 측에 실제 항체 후보를 전달하는 일정에 주목하고 있습니다. 시장에서 중요하게 보는 부분은 단순 연구 발표 자체보다, AI로 설계한 항체가 실제 실험 단계에서도 성능이 유지되는지, 그리고 삼성바이오에피스 내부 평가 단계로 넘어갈 수 있는지 여부입니다. 만약 여기서 좋은 결과가 나오면 향후 추가 기술이전(L/O)이나 공동개발 확대 가능성까지 연결될 수 있다는 기대도 나옵니다. - EULAR 2026 발표와 PRT-101 프로티나는 오는 EULAR 2026 Congress에서 골관절염 치료제 PRT-101 데이터를 공개할 예정입니다. 특히 일반 포스터 발표보다 주목도가 높은 포스터 투어 세션으로 선정되었다는 점이 눈에 띕니다. PRT-101은 SOX9라는 연골 생성 핵심 단백질의 응집(aggregation)을 정밀하게 유도하는 저분자화합물 기반 신약 후보입니다. 기존에는 비정상적인 단백질 응집을 막는 방향이 많았다면, 프로티나는 반대로 유익한 응집체를 유도해 연골 재생을 활성화하려는 접근을 택했습니다. 특히 글로벌 선두 약물인 로레시비빈트(Lorecivivint)와 직접 비교 데이터를 공개하겠다고 밝히면서, 단순 기초 연구 수준이 아니라 글로벌 경쟁력을 검증받으려는 단계로 올라가고 있습니다. - ADA 2026 발표와 PRT-1309 항체 또 다른 핵심 발표는 American Diabetes Association Scientific Sessions 2026에서 진행되는 비만·당뇨 치료제 PRT-1309입니다. 이 발표는 구두 발표(Oral Presentation)로 선정되었는데, 이는 상위 5% 미만 연구만 선정되는 자리라고 프로티나 측은 설명하고 있습니다. PRT-1309는 GIPR 수용체를 억제하는 길항(Antagonism) 방식의 항체입니다. 최근 글로벌 빅파마들이 주목하는 방향과 비슷한 흐름인데, 프로티나는 여기서 단순히 항체를 찾은 것이 아니라 SPID 플랫폼으로 결합 지속 시간, 결합력, 해리 속도까지 정밀하게 조절했다고 설명합니다. 또한 AI를 활용해 성능은 좋지만 생산성이 떨어지는 항체를 미리 걸러내고, 실제 제조 가능성이 높은 항체를 초기에 확보했다고 강조하고 있습니다. - SPID 플랫폼의 의미 현재 프로티나가 가장 강조하는 부분은 결국 SPID 플랫폼 자체입니다. 기존 바이오 기업들은 보통 항체 회사, 저분자 회사처럼 분야가 나뉘는 경우가 많았는데, 프로티나는 단백질 상호작용 자체를 제어하는 플랫폼으로 접근하고 있습니다. 즉 하나의 플랫폼을 기반으로 여러 치료 방식에 확장하려는 방향에 가깝습니다. - 현재 시장 분위기 최근 AI 바이오 업계에서는 단순히 잘 붙는 후보물질 하나를 찾는 것보다, 실제 생산 가능성(developability), 제조 용이성(manufacturability), 종간 반응성(cross-reactivity), 장기 지속성(long-acting)까지 초기 설계 단계에서 함께 최적화하는 흐름이 강해지고 있습니다. 프로티나 역시 이번 발표들에서 바로 그 부분을 강조하고 있습니다. 특히 인간과 마우스 모두에 결합하는 항체를 설계해 대리 항체(surrogate antibody) 없이 전임상을 진행할 수 있다는 부분은 개발 속도와 신뢰성을 동시에 높일 수 있다는 의미로 해석되고 있습니다.

@WFRickH1 Glad I could help : )

@banya_diary It's really insightful, thank you very much.

깅코 바이오웍스(Ginkgo Bioworks) 2026년 1분기 어닝 콜: AI 바이오 시대, 자동화 실험실 올인 전략 $DNA - 생존 기로에 서있는 깅코 바이오웍스 현재 깅코 바이오웍스는 단순한 실적 부진이라기보다는, 회사 전체를 완전히 다른 방향으로 바꾸는 전환 과정에 들어가 있는 상태라고 볼 수 있습니다. 실제로 2026년 1분기 매출은 1,900만 달러로 전년 대비 49% 감소했고, 순손실도 7,600만 달러를 기록했습니다. 기존 저수익 사업과 프로젝트를 정리하면서 매출 기반 자체가 줄어들고 있기 때문입니다. 다만 연구개발비와 운영비를 크게 줄이면서 현금 소모는 감소하고 있으며, 현재 약 3억 7,300만 달러의 현금을 보유하고 있어 당장 유동성 위기에 몰린 상황은 아닙니다. - 깅코가 지금 집중하는 핵심 전략 깅코는 이제 기존 CRO(Contract Research Organization) 스타일의 단순 바이오 서비스 기업이 아니라, AI와 로봇이 스스로 실험을 수행하는 자동화 실험실(Autonomous Lab) 플랫폼 기업이 되겠다는 방향으로 움직이고 있습니다. 특히 OpenAI나 앤트로픽과 같은 AI 빅테크들이 점점 더 과학 연구 자동화에 관심을 가지기 시작하면서, 깅코는 자신들이 AI 바이오 시대의 핵심 인프라가 될 수 있다고 보고 있습니다. 그래서 기존 바이오시큐리티 사업부까지 분사하면서 자동화 실험실 사업에 더욱 집중하는 구조로 재편했습니다. - 자동화 실험실 기존 바이오 실험실은 결국 사람이 직접 장비를 옮기고 실험 순서를 연결해줘야 했습니다. 워크셀(workcell) 같은 일부 자동화 장비가 존재하긴 하지만, 보통 특정 실험만 반복 수행할 수 있는 수준이었습니다. 반면 깅코의 자동화 실험실은 여러 장비와 로봇을 하나의 시스템처럼 연결해 사람이 거의 개입하지 않아도 다양한 실험을 연속적으로 수행할 수 있는 구조를 목표로 하고 있습니다. 쉽게 말해 기존 공장이 수작업 중심이었다면, 깅코는 이를 완전 자동화 스마트 팩토리처럼 만들려는 것입니다. 이 구조가 완성되면 실험실 공간 효율도 크게 올라갑니다. 기존 사람 중심 실험실보다 공간을 약 3배 더 효율적으로 사용할 수 있고, 사람 근무 시간인 주 40시간이 아니라 주 168시간 내내 운영할 수 있어 장비 활용도도 약 4배 증가한다고 설명했습니다. - RAC 시스템과 네뷸라(Nebula) 실험실 인프라 깅코 자동화 실험실의 핵심 장비 구조는 RAC(Reconfigurable Automation Carts)입니다. 쉽게 말하면 실험 장비 하나하나에 로봇 팔이 붙어 있는 이동형 모듈이라고 보시면 됩니다. 이 장비들은 레고 블록처럼 서로 연결할 수 있고, 실험 샘플은 표준화된 SBS 포맷 플레이트 위에서 이동합니다. 즉 로봇이 플레이트를 집어 여러 장비 사이를 옮기면서 실험을 자동으로 이어가는 구조입니다. 현재 보스턴의 네뷸라(Nebula) 실험실에는 이미 50개 이상의 RAC 시스템이 운영되고 있으며, 최종적으로는 약 103개의 장비 랙까지 연결하는 방향으로 확장 중입니다. 중요한 점은 새로운 장비도 약 1~1.5개월이면 시스템에 추가할 수 있을 정도로 확장성을 고려해 설계되었다는 점입니다. - OpenAI와의 협업 사례 가장 흥미로운 부분은 OpenAI와의 협업입니다. 여기서는 GPT-5가 단순히 논문을 읽는 수준이 아니라, 실제 실험 과정 자체를 설계하는 역할까지 수행했습니다. 예를 들어 어떤 DNA를 어떤 조건에서 반응시킬지, 어떤 실험 순서로 진행할지를 GPT-5가 설계하면, 실제 실험은 네뷸라 실험실의 로봇 시스템이 자동으로 수행하는 방식입니다. 실험 과정도 상당 부분 자동화되어 있습니다. 액체를 매우 정밀하게 옮기는 liquid handler 장비가 샘플을 처리하고, DNA를 반응 용액에 넣고, 온도를 바꾸며 반응시키는 thermocycling 과정까지 자동으로 진행됩니다. 이후 qPCR 분석을 통해 결과를 측정하고, 생성된 데이터는 다시 AI나 연구자에게 전달됩니다. 즉 AI가 실험을 설계하고 → 로봇이 수행하고 → 결과 데이터를 다시 AI가 학습하는 반복 구조를 만들고 있는 것입니다. - AI 바이오에서 가장 중요한 반복 학습 루프 깅코가 궁극적으로 만들고 싶은 것은 단순 자동화 장비가 아니라, AI가 스스로 반복 학습할 수 있는 생물학 실험 환경입니다. 실제로 OpenAI 프로젝트에서는 단 6번의 반복 실험만으로 cell-free 단백질 합성 비용을 기존 최첨단 기술 대비 약 40% 낮췄다고 설명했습니다. 이는 AI가 실험 결과를 계속 학습하며 조건을 빠르게 최적화했기 때문입니다. 결국 깅코가 보는 미래는 AI 모델이 항체나 단백질을 설계하고, 실제 실험은 클라우드 기반 자동화 실험실이 수행하며, 다시 그 데이터를 AI가 학습하는 구조입니다. 즉 AI 모델, 컴퓨팅 인프라, 실제 실험실이 하나의 반복 루프로 연결되는 형태이며, 깅코는 여기서 실험 실행 인프라 시장을 선점하려 하고 있습니다.

Original Text: contents.premium.naver.com/banya/banyacom…

10x Genomics 2026년 1분기 어닝 콜: AI 바이오 시대의 핵심 데이터 인프라 & 가상 세포 프로젝트 $TXG - 10x Genomics는 어떤 회사인가 10x Genomics는 단순히 유전자만 읽는 기업이 아니라, 세포와 조직 전체를 데이터화하는 플랫폼 기업에 가깝습니다. 핵심 기술은 단일세포 분석(single-cell analysis)과 공간 생물학(spatial biology)인데, 단순히 어떤 유전자가 존재하는지를 보는 것이 아니라 그 유전자가 조직 안 어느 위치에서 어떤 세포와 함께 작동하는지까지 동시에 분석합니다. 즉 기존 유전체 분석이 “무슨 유전자가 있나”를 보는 수준이었다면, 10x는 “그 유전자가 실제 조직 안에서 어떻게 작동하나”까지 함께 보는 방향으로 확장하고 있는 것입니다. - 2026년 1분기 실적 2026년 1분기 매출은 1억 5,080만 달러로 전년 대비 3% 감소했지만, 이는 2025년에 반영됐던 1,680만 달러 규모의 특허 합의금이 사라진 영향이 컸습니다. 이를 제외하면 실제 사업 기준으로는 약 9% 성장한 셈입니다. 특히 중요한 부분은 장비를 한 번 설치한 뒤 이후 계속 사용되는 시약과 키트 매출이 꾸준히 증가하고 있다는 점입니다. 총마진은 70%까지 상승했고, 영업손실도 3,930만 달러에서 1,700만 달러로 크게 줄었습니다. 현금 및 현금성 자산도 약 5억 3,980만 달러 수준을 유지하고 있습니다. - 신제품 Atera 플랫폼 이번 실적에서 가장 중요한 부분은 새롭게 공개된 Atera 플랫폼입니다. 기존 공간 생물학 기술은 처리량(throughput), 민감도(sensitivity), 특이도(specificity), 규모(scale) 중 일부를 얻으면 다른 부분을 포기해야 하는 한계가 있었습니다. Atera는 이러한 문제를 줄이는 방향으로 설계됐습니다. 조직 전체에서 어떤 유전자가 어디서 발현되는지를 단일세포 수준 해상도로 분석할 수 있으며, 하나의 장비로 연간 최대 800개의 전체 전사체 샘플을 처리할 수 있습니다. 특정 타겟만 분석하는 Atera Select 모드에서는 3,000개 이상의 샘플 처리도 가능합니다. - 병리 분석 방식의 변화 기존 병리 검사는 의사가 현미경으로 조직을 보고 암세포나 면역세포의 분포를 관찰하는 방식에 가까웠습니다. 반면 Atera는 조직 전체를 초고해상도 지도처럼 읽어냅니다. 예를 들어 특정 위치의 T세포가 활성화 상태인지, 암세포 근처 면역세포가 왜 억제되어 있는지, 특정 유전자가 조직 어디에서 강하게 켜지는지 같은 것들을 모두 데이터화합니다. 즉 단순 조직 사진이 아니라, 조직 내부의 생물학적 상호작용 자체를 디지털 데이터로 변환하는 것입니다. - AI 시대와 생물학 데이터 최근 생물학 분야에서도 데이터가 많아질수록 AI 성능이 좋아지는 스케일링 법칙(scaling laws)이 적용되기 시작하고 있습니다. 그런데 단순 DNA 데이터만으로는 한계가 있고, 실제 세포가 조직 안에서 어떻게 움직이고 상호작용하는지까지 포함된 데이터가 필요해지고 있습니다. 10x의 플랫폼은 바로 이런 데이터를 만드는 역할을 합니다. 결국 AI가 생물학을 제대로 학습하려면 분자·세포·조직이 연결된 고품질 데이터가 필요한데, 10x가 그 핵심 데이터 생산 인프라 역할을 맡기 시작한 것입니다. - 가상 세포와 생물학 월드 모델 실제로 마크 저커버그의 Chan Zuckerberg Initiative(CZI), 노벨상 데이비드 베이커 박사의 Xaira Therapeutics 같은 기관들은 수십억 개 세포 데이터를 기반으로 현재 가상 세포(Virtual Cell)나 생물학 월드 모델(world model)을 구축하려 하고 있습니다. 이는 AI가 단순히 논문을 읽고 요약하는 수준을 넘어, 실제 세포와 조직의 반응을 컴퓨터 안에서 시뮬레이션하려는 방향입니다. 10x는 이러한 프로젝트에 필요한 대규모 단일세포·공간 생물학 데이터를 공급하는 핵심 역할을 맡고 있습니다. - 장기적으로 의미하는 변화 과거 생명과학 산업에서는 DNA를 읽는 기술 자체가 가장 중요했습니다. 하지만 앞으로는 세포·조직·분자 데이터를 통합해 실제 생물학 시스템 전체를 AI가 학습하는 방향으로 넘어가고 있습니다. 이런 흐름 속에서 10x는 단순 장비 회사라기보다, AI 기반 생물학 시대에서 필요한 데이터 레이어(data layer)를 구축하는 기업으로 점점 역할이 커지고 있습니다.

@albfresco Yes, biological data scaling is beginning to keep pace with the AI ​​bio era.

@banya_diary oh man. it's starting already

Original Text: contents.premium.naver.com/banya/banyacom…

생물 현미경 2026년 5월 1일~10일 잠정 수출 데이터 $토모큐브 (Tomocube) 이번 데이터에서 가장 먼저 눈에 들어오는 부분은 수출금액 감소입니다. 2026년 5월 1~10일 기준 생물 현미경 수출액은 약 14만 4천 달러로 집계되었는데, 전월 동기 대비 금액이 -80.07% 감소했습니다. 중량도 90kg으로 -85.03% 줄었습니다. 즉 단순히 가격만 떨어진 것이 아니라 실제로 나간 장비 물량 자체가 크게 줄어든 모습입니다. 반면 평균 단가는 1,603달러로 +33.13% 상승했습니다. 이는 상대적으로 고가 장비 비중은 유지되고 있다는 의미로 해석할 수 있습니다. 토모큐브 같은 바이오 장비 기업은 일반 소비재 기업과 다르게 움직입니다. 예를 들어 화장품이나 음식처럼 매달 꾸준히 판매되는 구조가 아니라, 병원·대학교·연구소가 수천만 원~수억 원 규모 장비를 한 번에 구매하는 CAPEX(설비 투자) 산업에 가깝습니다. 그래서 어떤 달에는 장비 설치 일정이 몰리면서 수출이 급증하고, 반대로 설치 일정이 다음 달로 밀리면 수출이 거의 안 잡히는 경우도 자주 발생합니다. 이번 데이터에서 흥미로운 점은 금액과 물량은 줄었는데 단가는 오히려 상승했다는 점입니다. 평균 단가가 1,603달러로 전월 대비 +33.13% 증가했습니다. 만약 단가까지 급락했다면 할인 판매나 저가 제품 위주 판매 가능성을 의심할 수 있는데, 현재는 오히려 상대적으로 비싼 장비 중심 판매가 유지되고 있다는 신호에 가깝습니다. 즉 수출이 아예 무너졌다기보다는, 단순히 특정 기간 장비 출하 타이밍이 적었던 가능성이 더 큽니다. 월별 데이터만 보면 흔들려 보이지만, 분기 데이터를 보면 장기 흐름은 오히려 커지고 있습니다. 2021년에는 분기 수출액이 대체로 10만~30만 달러 수준이었는데, 2023년 후반부터는 100만 달러를 넘는 분기가 나오기 시작했습니다. 특히 2025년 3분기에는 약 213만 달러까지 증가했습니다. 이후에도 150만 달러 안팎 분기가 반복되고 있습니다. 즉 변동성은 크지만 전체적인 글로벌 판매 규모 자체는 과거 대비 확실히 커진 상태입니다. 국가별 데이터를 보면 미국 비중이 가장 크고 꾸준합니다. 최근에는 중국, 독일, 멕시코, 체코, 홍콩 등으로도 수출 국가가 확대되는 모습이 보입니다. 특히 미국 연구기관과 바이오 연구소 중심 판매가 유지된다는 점은 중요합니다. 토모큐브 장비가 단순 실험용 현미경이 아니라, 첨단 바이오 연구 데이터 생산 장비로 활용되고 있다는 의미로 해석되기 때문입니다. 최근 시장에서는 토모큐브를 단순 현미경 회사보다는 AI 바이오와 연결된 데이터 장비 기업으로 보기 시작했습니다. 특히 공간 생물학(spatial biology), 디지털 병리(digital pathology), 라벨프리 이미징(label-free imaging), 3차원 세포 분석 같은 분야가 커지면서, 세포를 염색 없이 3D로 관찰할 수 있는 홀로토모그래피 기술이 주목받고 있습니다. 즉 AI가 학습할 고해상도 생물 데이터를 만들어내는 장비 기업이라는 관점이 점점 강해지고 있는 상황입니다.

Original Text: contents.premium.naver.com/banya/banyacom…

OpenAI의 생명과학 보고서: AI는 어떻게 신약 개발을 가속시키는가 - 신약 개발의 생산성 저하와 이룸의 법칙(Eroom's Law)​ 지난 100년 동안 의학은 큰 발전을 이루었지만 신약을 하나 개발하는 데 드는 비용은 9년마다 두 배씩 늘어나고 있습니다. 이를 반도체 성능이 비약적으로 발전한다는 무어의 법칙을 뒤집은 이룸의 법칙(Eroom's Law)이라고 부릅니다. 실제로 1950년대와 비교하면 신약 생산성은 약 80배나 줄어들었으며, 현재 신약 하나를 만드는 데는 약 26억 달러의 막대한 비용과 12년에서 15년이라는 긴 시간이 소요됩니다. 임상 1상에 진입한 후보 물질이 최종 승인을 받을 확률도 7.9%에 불과할 정도로 성공 문턱이 매우 높습니다. ​ - ​ 지식의 파편화와 지식의 암흑기(The Great Endarkenment) 신약 개발이 어려워진 근본 원인은 기술 부족이 아니라 지식이 너무 세분화되어 서로 연결되지 않기 때문입니다. 생물학은 유전학, 단백질 생화학, 면역학 등 20개 이상의 분야로 나뉘어 있고 각자 사용하는 용어가 달라 소통이 어렵습니다. OpenAI는 이를 지식의 과도한 분화로 인한 이해 단절, 즉 지식의 암흑기(The Great Endarkenment)라고 정의했습니다. 하지만 최근에는 인간의 몸을 구성하는 DNA를 4개의 문자로 된 디지털 코드로 읽을 수 있게 되었고, 유전자 편집 기술인 크리스퍼(CRISPR)를 통해 이를 직접 수정하는 단계까지 발전했습니다. ​- 단백질 구조 예측과 분자 설계의 혁신​ 단백질의 입체 구조를 알아내는 것은 신약 개발의 핵심이지만 과거에는 실험을 통해 하나를 밝히는 데만 수개월에서 수년이 걸렸습니다. 하지만 구글의 알파폴드(AlphaFold) 같은 인공지능 모델은 50년 동안 풀리지 않았던 이 난제를 해결하며 2억 개 이상의 단백질 구조를 한 번에 예측해냈습니다. 이는 기존 방식으로는 수억 년이 걸렸을 작업을 단 몇 년 만에 끝낸 것과 같은 효과를 주며, 약물 분자가 질병 유발 인자에 얼마나 잘 결합할지를 사전에 계산할 수 있게 만들어 연구 속도를 획기적으로 높였습니다. ​ $ABSI $GENB $프로티나(Proteina) -​ 유전자 편집 기술의 진화​ 인공지능은 단순히 기존의 유전자 편집 도구를 사용하는 것을 넘어 자연계에 존재하지 않는 새로운 유전자 편집 효소 자체를 설계하기도 합니다. 크리스퍼(CRISPR-Cas9) 기술이 특정 DNA를 잘라내는 수준이었다면, 이제는 단일 염기만 바꾸거나 더 긴 서열을 수정하는 정교한 단계로 발전했습니다. 특히 2025년 연구에 따르면 대규모 언어 모델(LLM)이 설계한 유전자 편집 도구가 자연 상태의 효소보다 더 뛰어난 성능을 보이기도 하며 생명체의 설계도를 더 정확하게 수정할 수 있게 되었습니다.​ $TXG $CRSP $BEAM $프로플루언트(Profluent) ​-​ 자동화 연구실의 등장 (Self-driving lab)​ 기존에는 사람이 직접 가설을 세우고 실험과 분석을 반복해야 했기에 한 번의 사이클에 수개월이 걸렸습니다. 하지만 인공지능과 로봇이 결합한 자동화 연구실은 설계부터 실험, 분석에 이르는 전 과정을 스스로 수행합니다. 이를 통해 연구 사이클이 수일 수준으로 단축되었으며, 실제 일부 기업은 신약 타겟을 찾고 임상 1상에 진입하기까지의 기간을 30개월 이하로 대폭 줄이는 성과를 보여주고 있습니다.​ $DNA $RXRX ​-​ 임상 시험 최적화 및 효율성 개선​ 임상 시험은 신약 개발에서 가장 오래 걸리고 실패율이 높은 구간이지만, 인공지능은 환자 모집부터 안전성 모니터링까지 전 단계를 최적화합니다. 방대한 데이터를 분석해 약이 잘 들을 것 같은 환자 그룹을 미리 분류하고 실패 가능성이 높은 시험을 조기에 걸러냄으로써 병목 현상을 해결합니다. 일부 분석에 따르면 이러한 기술 적용을 통해 임상 단계에 소요되는 기간을 20% 이상 단축할 수 있는 것으로 나타났습니다. $TEM $토모큐브(Tomocube) ​-​ 인공지능의 역할: 지식의 번역기와 폴리매스(Polymath) 결국 인공지능은 생명과학의 특정 단계만 돕는 도구가 아니라 서로 다른 분야의 지식을 연결해주는 번역기 역할을 합니다. 과거에는 여러 분야에 능통한 소수의 천재인 폴리매스(Polymath)가 했던 역할을 인공지능이 대신하면서, 연구자가 자기 분야가 아닌 지식도 쉽게 이해하고 활용할 수 있게 되었습니다. OpenAI는 인공지능이 데이터를 읽고 분석하며 실험하고 다시 학습하는 전체 연구 순환 과정을 하나로 묶는 거대한 인프라로 자리 잡으며 생물학 연구의 판도를 바꾸고 있다고 강조합니다.

@u2IbzkdNXNiEGnF 네 슬슬 때가 오는 것 같습니다~

@banya_diary 앱사이에겐 안타까운 소식이군요. 시장성은 계속 커지는게 다양한 경로를 통해 느껴집니다.

Absci $ABSI AI 기반 항체 설계 기업인 Absci에서 핵심 AI 인력 중 한 명인 Amir Shanehsazzadeh가 최근 회사를 떠났습니다. Amir는 단순한 연구원이 아니라 Absci의 Chief AI Officer(CAIO)로서, Absci의 생성형 AI 기반 항체 설계 플랫폼 Origin-1 개발을 이끌어온 인물입니다. Absci는 아직 대규모 상업화 매출보다는 AI 플랫폼 자체의 잠재력과 기술력으로 평가받는 성격이 강한 기업이기 때문에, 이러한 핵심 AI 리더의 이탈은 회사 입장에서 다소 부담스러운 이벤트일 수 있습니다. 반면 흥미로운 부분은, 이 인재가 향한 곳이 바로 '앤트로픽(Anthropic Life Sciences)'이라는 점입니다. 이는 단순히 앤트로픽이 생물학 논문을 잘 읽고 요약해주는 LLM을 만드는 수준을 넘어설 가능성이 있어 보이는데요. 아마도 구글의 AI 신약 개발 자회사인 아이소모픽 랩스(Isomorphic Labs)처럼, 앤트로픽 또한 직접 리간드나 항체 같은 신약 후보 물질을 설계하는 사업에 뛰어들 수도 있어 보입니다. 이렇듯 앤트로픽을 포함해 최근 OpenAI, 구글, 엔비디아, 메타 등 거의 모든 프론티어 AI 기업들이 단순 범용 LLM 경쟁을 넘어 더 깊은 생물학 영역으로 빠르게 진입하고 있습니다. linkedin.com/feed/update/ur…