[더스탁=김동진 기자] 산업 전 분야에서 인공지능(AI) 활용이 확대되고 있는 가운데, 바이오제약 산업에서도 AI를 활용한 신약개발이 갈수록 활기를 띠고 있다. 

‘AI 신약개발’은 임상 데이터와 신약물질 발굴에 적합한 AI 알고리즘을 활용해 신약을 개발하는 것을 의미한다. 평균 10년 이상의 물리적 기간과 1조원 이상의 거대 자금이 필요한 전통적인 신약물질 개발 과정에 비해 소요 기간과 비용을 크게 줄일 수 있다.  

이 때문에 AI 신약개발이 불확실성이 높은 신약개발의 한계를 극복할 새로운 대안으로 주목받으면서 다국적 제약사들은 물론 국내 대형 제약사와 스타트업들까지 이 사업에 뛰어들고 있다. 특히 올 상반기 기준으로 국내에서만 51개 스타트업이 AI 신약개발 프로젝트를 진행하고 있다.  

관련 시장도 급성장 중이다. 한국제약바이오협회의 ‘글로벌 이슈 파노라마 4호’에 따르면 전 세계 AI 신약개발 시장규모는 지난 2022년 6억980만달러(약 8000억원) 수준에서 연평균 45.7% 성장해 오는 2027년엔 40억350만달러(약5조3000억원) 규모의 거대 시장을 형성할 전망이다. 

이같은 상황에서 최근 기술력을 갖춘 국내 AI 신약개발 스타트업들이 심각한 투자혹한에도 불구하고 거액의 투자를 유치하며 관련 사업을 확대하고 있다. 

14일 관련업계에 따르면 AI 신약개발 업체 ‘온코크로스(대표 김이랑)’는 지난 13일 인터베스트와 에스티캐피탈, 모루자산운용, 패스파인더에이치, 동화약품으로부터 총 145억원 규모의 프리IPO(상장 전 지분투자)를 유치했다. 이로써 온코크로스의 누적투자유치액은 370억원을 기록하게 됐다.  

온코크로스는 앞서 지난 7월 기술성 평가에서 ‘A, A’ 등급을 받으며 기술특례상장 자격을 갖추었다. 이 회사는 2024년 상반기 상장을 목표로 조만간 한국거래소에 상장 예비심사를 청구할 계획이다. 

2015년 6월 설립된 온코크로스는 AI 신약개발 플랫폼을 바탕으로 제일약품과 대웅제약, 동화약품, JW중외제약, 보령 등 국내외 주요 제약회사 및 바이오텍들과 공동으로 신약을 연구개발하고 있는 회사다.  

온코크로스가 개발한 ‘RAPTOR AI’ 플랫폼은 전사체 빅데이터를 분석하여 약물의 최적 적응증을 스크리닝하는 AI 신약개발 플랫폼이다. 이 플랫폼은 개발 중인 신약 또는 이미 승인된 약물의 새로운 적응증을 탐색하거나 병용 치료 약물 조합을 도출해 약물의 효능을 높이는 등 신약 연구개발의 효율성을 높여준다. 

이번 투자를 주도한 김상균 인터베스트 전무는 “최근 몇년간 글로벌 시장에서 AI를 활용한 신약개발이 화두가 되고 있는 가운데, 어떤 기업이 시장을 선도할지 다들 예의주시하고 있다”며 “국내에서는 온코크로스가 유전자 전사체 기반 AI, 신약개발 전 주기 중 임상 분야 AI 적용 등 차별화된 기술력과 연구개발 성과를 보여주었으며 글로벌 경쟁력을 갖췄다”고 투자배경을 밝혔다. 

온코크로스는 이번 투자유치를 발판으로 올해 초 호주에서 글로벌 임상1상을 완료한 노인성 근감소증 치료제(OC514) 및 심근경색 시 재관류 손상 억제제(OJP3101) 등 주요 파이프라인의 후속 개발을 진행할 계획이다. 또한 추가 파이프라인 개발, AI 플랫폼 고도화 등을 위한 연구개발비용과 운영자금으로 활용할 방침이다. 

또 다른 AI 신약개발 스타트업 ‘바이온사이트(공동대표 양희정·유호진)’는 지난 8월 중순 SV인베스트먼트와 DSC인베스트먼트, 슈미트로부터 55억원 규모의 시리즈A 투자를 받아 관련 연구개발에 박차를 가하고 있다. 

바이온사이트는 강원대 약학대학 부교수인 양희정 공동대표와 머신러닝 엔지지어 유호진 공동대표가 2019년 10월 설립한 화학단백질체학(Chemoproteomics) 기반의 AI 신약개발 전문회사이다. 이 회사는 현재 글랜스(Glance)와 재블린(Javelin), 스켈레톤(Skeleton) 등의 AI 플랫폼 기술을 활용해 기존 방법들로는 치료제 개발이 어려운 타깃에 대한 신약 후보물질을 개발하고 있다. 

글랜스로 바이오 객체 간 관계 정보를 분석해 후보물질을 발굴하면, 재블린으로 단백질과 약물의 상호작용을 규명한다. 스켈레톤은 3차원 구조 기반 딥러닝 모델로 분자 구조를 최적화하는 기술이다. 이들 기술을 활용하면 후보물질 도출부터 임상시험계획(IND)까지 평균 3~6년 정도가 걸리는 것을 1~2년으로 대폭 줄일 수 있다.