AI가 찾아낸 새 항생제 — 딥러닝이 내성 위기에 던진 한 수 (Stokes 2020·Wong 2024)

READING NOTES · AI & BIO

AI가 찾아낸 새 항생제 — 딥러닝이 내성 위기에 던진 한 수 (Stokes 2020·Wong 2024)

TL;DR
• AlphaFold류가 단백질 '구조를 예측'하는 AI라면, 이 글의 주인공은 수억 개 분자 라이브러리를 스크리닝·생성해 새 항생제 화학구조를 찾아내는 AI다 — '구조 예측'이 아니라 '신약 발견' 응용.
• 2020년 그래프 신경망⁠(graph neural network)이 1억 (10⁸) 개 분자에서 기존과 전혀 다른 광범위 항생제 halicin을 골라냈고 (Stokes 2020), 2024년에는 '왜 그 분자인지'를 설명하는 설명가능⁠(explainable) AI가 60년 만의 새 구조 계열을 찾았다 (Wong 2024). 2025년엔 생성형 AI가 새 분자를 직접 설계하는 단계로 넘어갔다.
• 핵심 의의 — 대형 제약사가 수익이 없다며 떠난 항생제 영역에, 계산 비용이 떨어진 AI가 새 화학적 출발점을 공급한다. 다만 후보는 시작점일 뿐 — 합성·동물·임상이라는 긴 길이 남아 있고, 사람을 치료한 AI 항생제는 아직 없다.

📚 함께 읽으면 좋은 글
• AI 신약개발, 거품인가 변곡점인가 — 이 글의 산업적 맥락
• AlphaFold2는 어떻게 단백질 구조를 풀었나 — '구조 예측' AI의 대표
• ESM3 — 예측에서 생성으로 — 단백질에서 일어난 예측→생성 전환

1. 한 장 요약

핵심 논문 ①	Stokes, J. M., Yang, K., Swanson, K., et al. "A Deep Learning Approach to Antibiotic Discovery." Cell 180:688-702 (2020) — halicin
핵심 논문 ②	Wong, F., Zheng, E. J., Valeri, J. A., et al. "Discovery of a structural class of antibiotics with explainable deep learning." Nature 626:177-185 (2024) — 설명가능 AI
관련 사례	Liu, G., et al. "Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii." Nature Chemical Biology 19:1342-1350 (2023) — abaucin
소속	James J. Collins 연구실 (MIT · Broad Institute) 중심 — MIT Jameel Clinic
AI의 역할	분자 라이브러리를 항균력으로 분류·스크리닝 (Stokes·Wong) → 나아가 새 분자를 생성 (2025)
AlphaFold와 다른 점	구조 '예측'이 아니라, 화학공간에서 약이 될 분자를 골라내거나 그려내는 신약 발견 응용

한 문장으로: 단백질 구조를 푸는 AI 옆에서, 또 다른 AI가 수억 개 분자 중 '약이 될 만한 것'을 골라내고 있다.

2. 배경 — 항생제 내성⁠(antimicrobial resistance) 위기와 말라버린 파이프라인

항생제는 현대 의학의 토대다. 수술·항암·장기이식·중환자 치료가 모두 '감염은 항생제로 막을 수 있다'는 전제 위에 서 있다. 그런데 그 전제가 흔들리고 있다.

숫자가 말하는 위기. 글로벌 항생제 내성 부담 연구⁠(GRAM, Global Research on Antimicrobial Resistance)가 Lancet에 보고한 2019년 추정치를 보면, 박테리아 항생제 내성⁠(antimicrobial resistance)이 직접 원인이 된 사망이 약 127만 명, 내성이 관여한 사망까지 합치면 약 495만 명이었다 (GRAM 2022). 같은 해 HIV/AIDS 사망⁠(약 86만)이나 말라리아 사망⁠(약 64만)을 웃도는 규모다. 추세는 더 나쁘다 — 후속 GRAM 분석은 2025~2050년 사이 내성 감염으로 인한 누적 사망을 3,900만 명 이상으로 전망했다 (GRAM 2024).

문제는 신약이 나오지 않는다는 것이다. 내성균은 늘어나는데, 정작 새 항생제를 만들 곳이 사라지고 있다. 항생제는 다른 약과 달리 '아껴 써야 하는'⁠(내성을 늦추려 처방을 제한하는) 약이라, 비싸게 팔수록 덜 쓰이는 구조다. 수익이 나지 않으니 대형 제약사가 줄줄이 철수했다 — 2018년 Allergan·Sanofi·Novartis가 항생제 연구에서 손을 뗐고, 2018년 carbapenem 내성균용 신약 plazomicin을 승인받은 Achaogen은 이듬해 파산했다⁠(승인 첫해 매출 100만 달러 미만). Melinta도 2019년 12월 파산보호를 신청했다. 현재 임상 단계 항생제의 90% 이상을 소규모 기업이 떠맡고 있는데, 이들은 약을 승인받아도 살아남기 어렵다.

그래서 AI다. 전통적 항생제 발견은 '배양 접시에 분자 수천 개를 일일이 시험'하는 노동집약적 스크리닝에 의존했고, 비용·시간이 막대했다. 딥러닝⁠(deep learning)은 이 병목을 정면으로 겨냥한다 — 실험 없이, 컴퓨터 안에서 수억 개 분자의 항균력을 미리 예측해 시험할 후보를 좁히는 것이다.

3. 작동 원리 — 딥러닝⁠(GNN)이 분자를 '항균력'으로 분류한다

2020년 Stokes 등의 Cell 논문은 이 접근의 출발점이자 가장 깔끔한 증명이다. 핵심 발상은 단순하다 — "이 분자가 세균을 죽이는가?"를 맞히도록 신경망을 훈련시킨 뒤, 한 번도 본 적 없는 분자 수억 개에 그 예측을 적용한다.

① 분자를 그래프로 본다. 이들이 쓴 모델은 그래프 신경망⁠(graph neural network)의 일종인 directed message-passing neural network⁠(방향성 메시지 전달 신경망, Chemprop)다. 화학 분자는 원자가 결합으로 이어진 그래프 — 원자를 노드⁠(node), 결합을 엣지⁠(edge)로 보면 자연스럽게 그래프가 된다. 사람이 미리 정한 화학 특성⁠(분자량·logP 같은 기술자)에 의존하지 않고, 분자 그래프 자체에서 항균력과 관련된 패턴을 모델이 스스로 학습한다는 점이 핵심이다.

② 작은 데이터로 훈련한다. 훈련에 쓴 것은 단 2,335개 분자였다 — 대장균⁠(Escherichia coli)의 성장을 억제하는지 실험으로 측정한 데이터셋이다. 의외로 적은 수다. 딥러닝이 빛나는 지점이 여기다.

③ 1억 개에 적용한다. 훈련된 모델을 먼저 Drug Repurposing Hub⁠(6,111개 분자) — 이미 사람에게 쓰이거나 임상을 거친 분자 모음 — 에 적용해 항균력이 높을 것으로 예측된 후보를 추렸다. 그 결과가 halicin이다. 더 나아가 ZINC15 데이터베이스의 1억 (10⁸) 개가 넘는 분자⁠(>1억 700만)를 컴퓨터로 스크리닝해, 상위 후보 중 23개를 실험으로 검증했고 그중 8개가 실제 항균 활성을 보였다 — 기존 항생제와 구조적으로 동떨어진 새 분자들이었다.

▲ 실험 없이 1억 개 분자의 항균력을 미리 예측해, 시험할 후보를 좁힌다.

halicin이 특별한 이유. halicin은 원래 항생제가 아니었다. c-Jun N-terminal kinase⁠(JNK) 억제제로 합성된 SU-3327이라는 분자로, 당뇨병 치료 후보로 연구되던 물질이다. 사람의 직관으로는 '항생제 후보'로 묶이지 않을, 기존 항생제와 화학구조가 전혀 다른 분자를 AI가 골라냈다는 점이 핵심이다. 작용 기전도 독특해서, 세균 세포막을 가로지르는 양성자 구동력⁠(proton motive force)의 pH 기울기를 무너뜨려 세균을 죽인다 — 내성이 잘 생기지 않는 방식이다. 실제로 halicin은 다제내성균을 폭넓게 억제했다 — Acinetobacter baumannii, Clostridioides difficile, 결핵균⁠(Mycobacterium tuberculosis), carbapenem 내성 장내세균⁠(carbapenem-resistant Enterobacteriaceae)까지. 동물 실험에서도 A. baumannii 상처 감염과 C. difficile 장 감염 모델에서 효과를 보였다 (Stokes 2020). 이름은 영화 〈2001 스페이스 오디세이〉의 AI 'HAL 9000'에서 따왔다.

4. 진화 — 설명가능 AI⁠(abaucin·Wong 2024), 그리고 생성형으로

halicin은 강력한 출발이었지만 비판도 따랐다 — "AI가 왜 그 분자를 골랐는지 모른다"는 블랙박스⁠(black box) 문제다. 다음 세대 연구는 이 한계를 두 방향에서 넘어섰다.

① 좁고 정밀하게 — abaucin (2023). 같은 연구 그룹은 가장 까다로운 표적 중 하나인 A. baumannii만 겨냥했다. 약 7,500개 분자가 이 균의 성장을 억제하는지 시험해 신경망을 훈련시키고, 새로운 구조의 분자를 컴퓨터로 예측했다. 그렇게 찾은 abaucin은 A. baumannii에만 좁게 듣는 협범위⁠(narrow-spectrum) 항생제로, 다른 균에는 거의 손대지 않아 미생물무리⁠(microbiome)를 덜 교란할 것으로 기대된다 (마이크로바이옴이란? 참고). 작용 기전⁠(지질단백질 수송 단백질 LolE를 통한 lipoprotein trafficking 교란)까지 규명됐고, 생쥐 상처 감염 모델에서 효과를 보였다 (Liu 2023). '광범위'가 아니라 '표적 맞춤'으로도 AI가 작동함을 보인 사례다.

② 블랙박스를 연다 — 설명가능 AI (Wong 2024). 2024년 Nature 논문의 의의는 결과 분자가 아니라 방법론에 있다. 연구진은 39,312개 분자의 항균 활성과 사람 세포 독성을 측정해 그래프 신경망 앙상블을 훈련시킨 뒤, 1,200만 (약 1,207만) 개 분자의 활성을 컴퓨터로 예측했다. 여기에 더해, 모델이 항균력을 예측할 때 분자의 어느 부분 구조⁠(substructure)를 근거로 삼았는지를 끄집어내는 설명가능⁠(explainable) 알고리즘을 붙였다 — 일종의 화학적 '근거 제시'다. 그 근거를 따라가 추려낸 283개 분자를 실험한 결과, 메티실린 내성 황색포도상구균⁠(MRSA, methicillin-resistant Staphylococcus aureus)과 반코마이신 내성 장구균에 선택적으로 듣는 새 구조 계열을 찾았다 — 지난 60년간 드물었던 '새 항생제 계열'을 설명가능 AI로 발견했다는 점에서 의미가 크다.

③ 스크리닝에서 생성으로 (2025). 가장 최근의 진화는 발상의 전환이다. 지금까지가 이미 존재하는 분자 중에서 고르는 스크리닝이었다면, 2025년 Collins 연구실의 Cell 논문은 생성형 AI⁠(generative AI)로 세상에 없던 분자를 처음부터 그려낸다. 1천만 (10⁷) 개 이상의 화학 단편⁠(fragment)을 컴퓨터로 탐색해 유망한 조각을 키우는 방식과, 아무 제약 없이 분자를 생성하는 방식 두 갈래로, 임질균⁠(Neisseria gonorrhoeae)과 황색포도상구균⁠(S. aureus)에 선택적으로 듣는 완전히 새로운 분자를 설계했다 (Collins lab 2025). 단백질 설계에서 예측⁠(AlphaFold)이 생성⁠(de novo design)으로 넘어간 것과 똑같은 궤적이, 저분자 항생제에서도 반복되고 있다.

▲ 광범위 스크리닝에서 설명가능·표적 맞춤·생성형으로 — 5년 사이의 진화.

5. 비교 — 'AI 구조 예측' vs 'AI 신약 발견', 그리고 이 블로그에서의 위치

AlphaFold·ESM 같은 AI와 이 글의 AI는 같은 '단백질·분자'를 다루지만 푸는 문제가 다르다. 한데 묶어 'AI가 생물학을 바꾼다'고 말하면 핵심을 놓친다.

구분	AI 구조 예측 (AlphaFold·ESM 계열)	AI 신약 발견 (이 글)
푸는 문제	서열 → 단백질 3차원 구조	분자 → 약이 되는가⁠(항균력)
대표 사례	AlphaFold2·3, ESM3, AlphaProteo	halicin·abaucin·MRSA 신계열·생성형
다루는 대상	주로 단백질⁠(거대분자)	주로 저분자⁠(small molecule) 화합물
입력 데이터	아미노산 서열, 진화 정보⁠(MSA)	분자 그래프 + 항균 활성 라벨
핵심 모델	Transformer·확산 모델	그래프 신경망⁠(GNN) · 생성 모델
출력	좌표⁠(구조) 또는 새 단백질 서열	후보 분자 목록 또는 새 분자 구조
검증의 끝	실험 구조와 대조⁠(정확도)	합성·세균·동물·임상⁠(약효·안전성)

▲ 구조를 '예측'하는 AI와 약을 '발견·설계'하는 AI — 같은 분자를 다루지만 푸는 문제가 다르다.

이 블로그에서의 자리. 이 글은 기존 AI & Bio 연재 — AlphaFold2⁠(구조 예측), ESM3⁠(단백질 언어모델, 예측→생성) — 와 다른 응용 축에 놓인다. 앞의 글들이 '단백질을 읽고 만드는' AI라면, 이 글은 '약이 될 분자를 찾고 그리는' AI다. 산업적 맥락은 AI 신약개발, 거품인가 변곡점인가에서 다룬 그 시장의 한 갈래이기도 하다. 흥미롭게도 두 축은 만난다 — abaucin의 표적 LolE처럼, AI 구조 예측으로 표적 단백질을 모델링하고 AI 신약 발견으로 그에 맞는 분자를 찾는 식의 결합이 다음 단계다.

6. 한계 & 현실 — 후보는 약이 아니다

여기서 균형을 잡아야 한다. AI가 찾은 분자가 곧 '신약'은 아니다.

① 후보 ≠ 약. halicin·abaucin·MRSA 신계열 모두 전임상⁠(preclinical) 단계의 리드 화합물이다. AI는 '시험해 볼 후보를 좁히는' 단계까지를 빠르게 해줄 뿐, 그 뒤로는 화학 합성·약물성 최적화·동물 독성·인체 임상이라는 길고 비싼 길이 그대로 남아 있다. 신약 하나가 임상 1상부터 승인까지 가는 데 통상 10년·수억~수십억 달러가 든다.

⚠️ 승인까지 도달한 AI 신약은 아직 0건이다. 산업 전반을 봐도, 2026년 현재까지 전적으로 AI가 설계해 FDA 승인을 받은 신약은 없다. Insilico Medicine의 rentosertib 등이 임상 후기 단계에 있으나, 'AI 발견 → 시판'을 완주한 사례는 아직 나오지 않았다. 이는 AI 신약개발, 거품인가 변곡점인가에서 짚은 '기대와 실적의 간극'과 정확히 맞닿는다 — AI 항생제도 예외가 아니다.

③ 데이터 편향과 일반화. 모델은 훈련 데이터를 닮는다. 항균 활성 데이터가 특정 균·특정 화학공간에 치우쳐 있으면, 예측도 그 편향을 물려받는다. 컴퓨터에서 '활성 있음'으로 예측된 분자가 실제로는 듣지 않거나, 독성·용해도 같은 약물성⁠(druggability)에서 탈락하는 경우도 흔하다.

④ 그럼에도 의미가 있는 이유. 비판을 다 인정해도, AI는 '사람이 항생제 후보로 보지 않았을 분자'를 골라낸다는 고유한 가치가 있다. halicin⁠(당뇨약 후보)이 그 상징이다. 비어 가던 파이프라인에 새로운 화학적 출발점을 공급한다는 점에서, AI는 내성 위기에 대한 만병통치약은 아니지만 분명한 한 수다.

✍️ 한 줄 인사이트
(개인 의견 — 위 사실 정리와 분리해 적는다.)
나는 이 흐름을 'AI가 항생제를 만들었다'로 요약하는 보도에 늘 거리를 둔다. 정확히는, AI는 항생제를 만든 게 아니라 항생제 발견의 가장 비싼 첫 단추 — 막막한 화학공간에서 시험해 볼 후보를 고르는 일 — 를 극적으로 싸게 만들었다. 이 구분이 중요한 이유는, halicin도 abaucin도 아직 약이 아니기 때문이다. 그런데도 내가 이 분야를 단순한 과대광고로 보지 않는 이유는 두 가지다. 첫째, 타깃이 시장이 버린 곳이라는 점이다. AlphaFold가 풀던 단백질 구조는 학문적으로 빛나는 문제였지만, 항생제는 대형 제약사가 수익이 없다며 떠난 영역이다 — 사람의 자본이 합리적으로 외면한 그 빈자리를, 계산 비용이 떨어진 AI가 메우려 한다는 구도 자체가 이 응용의 사회적 정당성을 만든다. 둘째, 스크리닝에서 생성으로의 이행이 단백질 분야⁠(예측→설계)와 똑같이 반복되고 있다는 점이다. 이미 있는 분자를 고르는 단계에서, 세상에 없던 분자를 그리는 단계로 넘어가는 순간, AI는 '검색 엔진'에서 '설계 도구'가 된다. 다만 나는 이 기술의 진짜 시험대를 논문이 아니라 임상과 승인이라고 본다. AI가 찾은 첫 항생제가 사람을 실제로 치료하는 날 — 그 단 한 번의 완주가, 지금의 모든 화려한 스크리닝 숫자보다 이 분야를 더 멀리 밀어줄 것이다. 내성 위기의 시계는 빠르고, AI는 발견을 빠르게 했지만, 개발의 시계는 여전히 느리다. 그 두 속도의 간극을 어떻게 좁히느냐가 다음 10년의 과제다.

References

1. Stokes, J. M., Yang, K., Swanson, K., Jin, W., Cubillos-Ruiz, A., Donghia, N. M., et al. (2020). A Deep Learning Approach to Antibiotic Discovery. Cell 180(4):688-702.e13. doi:10.1016/j.cell.2020.01.021 (핵심 논문 — GNN으로 1억 개 스크리닝, halicin 발견·동물 검증)
2. Wong, F., Zheng, E. J., Valeri, J. A., Donghia, N. M., Anahtar, M. N., Omori, S., et al. (2024). Discovery of a structural class of antibiotics with explainable deep learning. Nature 626:177-185. doi:10.1038/s41586-023-06887-8 (설명가능 AI — 39,312개 학습·1,207만 개 예측, MRSA 새 구조 계열)
3. Liu, G., Catacutan, D. B., Rathod, K., Swanson, K., Jin, W., Mohammed, J. C., et al. (2023). Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii. Nature Chemical Biology 19:1342-1350. doi:10.1038/s41589-023-01349-8 (협범위 항생제 abaucin — LolE 표적)
4. Antimicrobial Resistance Collaborators (GRAM). (2022). Global burden of bacterial antimicrobial resistance in 2019: a systematic analysis. Lancet 399(10325):629-655. doi:10.1016/S0140-6736(21)02724-0 (AMR 2019 사망 — 직접 127만·관련 495만)
5. GBD 2021 Antimicrobial Resistance Collaborators. (2024). Global burden of bacterial antimicrobial resistance 1990-2021: a systematic analysis with forecasts to 2050. Lancet 404(10459):1199-1226. doi:10.1016/S0140-6736(24)01867-1 (2025-2050 누적 사망 3,900만+ 전망)
6. Collins lab et al. (2025). A generative deep learning approach to de novo antibiotic design. Cell 188:5962-5979. doi:10.1016/j.cell.2025.07.035 (생성형 AI — N. gonorrhoeae·S. aureus용 새 분자 설계)
7. Komor, A. C., et al. (2016). Programmable editing of a target base in genomic DNA without double-stranded DNA cleavage. Nature 533:420-424. (참고 — 인접 응용 맥락)

🎓 다음 학습
• (산업 맥락) AI 신약개발, 거품인가 변곡점인가 — 기대와 실적의 간극
• (구조 예측) AlphaFold2는 어떻게 단백질 구조를 풀었나 — AI의 다른 응용 축
• (예측→생성) ESM3 — 예측에서 생성으로 — 단백질에서 일어난 같은 전환

Pipette & Pipeline · A bio portfolio journal