🧠
#SynBioBeta2025 에서 논의된 주요 AI 주제들
올해 SynBioBeta는 한 가지를 분명히 보여줬습니다:
AI는 지금 우리가 실험으로 검증할 수 있는 범위를 넘어설 만큼의 생물학적 통찰을 생성하고 있다는 것입니다.
제약 요소는 모델의 성능이 아니라, 그 주변의 모든 인프라입니다.
🔬 1. 더 나은 모델이 아니라, 더 나은 데이터가 필요하다.
모두가 차세대 AlphaFold를 만들고 싶어하지만, 실제로 AlphaFold가 기반한 것은 구조화된 고품질의 도메인 특화 데이터, 특히 Negative 데이터(실패 사례 데이터)였습니다.
패널들은 이런 데이터 없이는 기반 모델도 한계에 부딪힐 수밖에 없다고 강조했고, RNA 분야에서 그 문제가 특히 두드러집니다.
🧪 2. 병목은 ‘사고(thinking)’가 아니라 ‘실험(testing)’에 있다.
AI는 DBTL(설계-제작-테스트-학습) 사이클의 Design-Build 측면에 수많은 가능성을 쏟아붓고 있습니다.
하지만 Test-Learn 쪽은 액체 처리, 마이크로플루이딕스(microfluidics), 품질관리(QC) 처리량 등의 문제로 현실적인 한계에 부딪히고 있습니다.
여러 세션에서 AI가 수천 개의 설계를 제안해도, 실제로 효율적으로 검증할 수 있는 비율은 극히 적다는 실행 격차 문제가 집중 조명됐습니다.
🏗️ 3. AI는 시스템적 사고가 필요하다
좋은 모델만으로는 충분하지 않습니다.
가치를 실현하려면 **피드백 루프, 자동화, 빠른 반복(iteration)**을 중심으로 기업 전체를 설계해야 합니다.
이번 행사에서 반복적으로 등장한 메시지:
바이오 기업 대부분이 여전히 ‘고정된 파이프라인’ 구조를 유지하고 있다.
이제는 동적인 학습 구조로 전환해야 할 때입니다.
💊 4. 누가 실험을 실행할 것인가?
제약회사의 협업 모델이 변하고 있습니다.
Novartis, Terray Therapeutics, Constructive Bio 같은 기업들은 이제 임상 전(preclinical), 혹은 제품 출시 전(pre-product) 단계부터 협업을 모색하고 있습니다.
왜일까요?
나중에 인수하는 것보다 초기에 플랫폼을 함께 설계하는 게 더 저렴하기 때문이고,
제약사의 내부 R&D 사이클보다 스타트업의 반복 속도가 훨씬 빠르기 때문이며,
디자인이 아니라 ‘검증(Validation)’이 실제로 가치를 증명하는 단계이기 때문입니다.
------------------------------------------
깅코 형님들이(
@jrkelly @SynBio1) 매일 하는 얘기
DBTL 중에서 B, T의 중요성이 점점 커지는데,
B와 T를 스케일업 하기 위해서는 자동화된 루프가 필요