◆방송: DP인터뷰 ◆진행: 정새임 기자 ◆영상 편집: 이석천·김성회 기자 ◆출연: 바이온사이트 유호진·양희정 공동대표·이남길 이사 정새임 기자(이하 정): 약국과 행정, 제약분야에서 주목할 만한 분과 깊이 있게 이야기를 들어보는 DP인터뷰입니다. 오늘은 세 분을 함께 모셨는데요. 각기 다른 분야를 연구하던 세 명이 모여서 AI신약개발을 전문으로 하는 바이오 벤처를 창립하고, 얼마 되지 않아 글로벌 제약사가 주최한 오픈 이노베이션 최총 기업으로 선정이 되어 모시게 되었습니다. 바이온사이트의 유호진, 양희정 공동대표, 이남길 이사님 입니다. 한분씩 소개 부탁드립니다. 유호진 대표(이하 유): 바이온사이트에서 공동대표와 인실리코 플랫폼 개발을 맡고 있는 유호진이라고 합니다. 양희정 대표(이하 양): 바이온사이트 공동대표 및 약학관련 실험관리를 맡고 있는 양희정입니다. 이남길 이사(이하 이): 바이온사이트에서 인공지능 모델 개발과 데이터 분석을 맡고 있는 이남길입니다. 정: 바이온사이트는 2019년 세 분이 함께 공동으로 창업했고, AI 기술을 활용한 신약개발을 주사업으로 하고 있습니다. 세 분의 전공이 각기 다른데요. 유호진 대표님은 물리학, 양희정 대표님은 약학을 전공하셨습니다. 이남길 이사님은 수리과학과를 전공하셨고요. 전공이 다른 세 분이 어떻게 AI 신약개발사업을 하게 되셨는지 이유가 궁금한데요. 유: 저희 멤버들 관계를 먼저 말씀드리면 양희정님과 저는 초등학교 동창이고, 남길님과 저는 대학동기였고요. 또 희정님과 남길님은 따로 개인적인 친분이 있기도 하고요. 각각 성격도 다 다르고 연구 분야가 다른 데도 서로 관심있는 분야에 대해서 이야기하고 보니 자연스럽게 딥러닝, AI, 그리고 신약개발이라는 분야로 수렴하게 된 것 같습니다. AI 신약개발이라는 분야가 정말 넓고 다양한 영역의 지식과 기술이 필요한데, 운이 좋게도 그런 사람들이 모였고 여러가지 아이디어들과 교류하던 시간들이 많아지다 보니 서로에 대한 믿음도 생기게 되면서 자연스럽게 창업으로 이루어진 것 같습니다. 정: 세분이 함께 만든 바이온사이트가 약 3년 만에 글로벌 제약사들의 인정을 받고 있습니다. 지난해 다케다제약이 실시한 오픈이노베이션 프로그램에 선정이 됐고요, 머크에서 실시한 오픈이노베이션 프로그램에서도 1200개 팀 중 8개 팀인 최종 라운드에 진출했다고 해요. 글로벌 경연에 참가한 배경, 그리고 어떤 경쟁을 거쳐 선정이 되었는지 과정을 말씀해주세요. 양: 저희가 개발하고 있는 화학단백질체학* 기술은 최근 글로벌제약사를 중심으로 큰 관심을 받고 있는 기술이지만, 아직까지 국내 환경에서는 연구가 덜한 편입니다. 기술의 내용이나 필요성에 대해 잘 이해하고 있는 글로벌 제약사들에 먼저 어필을 하자고 결심을 했고, 작년 여름에 머크와 다케다에서 새로운 신약개발기술에 대한 오픈이노베이션 프로그램을 오픈한 것을 보고 지원을 하게 되었습니다. 나중에 알게 된 사실이지만 머크의 경우 1200개 글로벌 팀 중 저희가 8개 팀에 선정됐고, 유일한 아시아팀이었습니다. 같이 선정된 팀들도 미국 버클리대나 유럽의 최우수 대학에서 온 팀이었고요. 아쉽게도 최종 3팀에는 선정되지는 못하긴 했지만, 저희 기술력에 대해 확신을 갖게 된 계기였습니다. 이후 다케다 경연에서는 미흡했던 부분들을 보완하며 최종 기업으로 선정되었고, 최근 계약을 완료하고 다음 달부터 공동 연구를 시작할 예정입니다. 유: 프로그램이 성공적으로 마무리 짓게 되면 기술 이전이나 후속 공동연구 등 글로벌제약사와 파트너십으로 자연스럽게 이어지는 것으로 알고 있습니다. 저희와 같은 딥테크 회사는 항상 기술 방향성을 고민하게 되는 데요. 글로벌 제약사들, 즉 미래의 잠재 고객들에게 저희가 개발하고 있는 기술에 대한 피드백을 직접적으로 받을 수 있다는 것이 기술개발에도 큰 도움이 될 것 같습니다. 머크 경연에서도 최종 선정은 되지 않았지만 선발 과정에서 저희 기술에 관심을 보였고, 구체적인 협력 방향을 이야기할 수 있었습니다. 관련해서 후속으로 연결될 수 있는 프로젝트에 대해 이야기하고 있습니다. 정: 바이온사이트의 기술력을 하나씩 살펴보겠습니다. 신약후보물질 발굴 플랫폼이 세 가지로 이뤄져 있다고 들었습니다. 글랜스(Glance), 자블린(Javelin), 스켈레톤(Skeleton) 각각의 역할이 어떻게 되나요? 양: 글랜스는 방대한 바이오데이터를 좀 더 효율적을 처리하기 위해 이야기를 나누다가 개발하게 된 통합데이터베이스 플랫폼입니다. 온라인에 산재된 중요한 데이터들을 약학 연구에 유용하게 활용하기 위한 플랫폼이고요. 이후 글랜스 내 데이터를 이용해 신약후보물질을 발굴할 수 있는 AI모델개발에 착수를 하며 개발된 것이 스켈레톤입니다. 기본적으로 스켈레톤은 모델 개발을 돕는 플랫폼이라고 생각하시면 됩니다. 모델을 구성하는 모듈들, 모델을 테스트하고 벤치마크하는 반복적인 일, 만들어진 모델을 관리하고 실제 적용하는 일 등을 합니다. 특히 현재 화합물과 타깃 단백질의 결합력 예측, 3차원 결합구조 분석 등 다양한 AI기술의 활용을 스켈레톤을 통해 진행하고 있습니다. 자블린은 화학단백질체학을 이용해 약물과 단백질의 상호작용으로 만들어지는 대규모의 데이터를 분석하는 플랫폼입니다. 자블린은 질량분석기로부터 만들어지는 약물과 단백질 간의 대용량 데이터를 생산하는 셋업과 데이터를 분석하는 데이터 파이프라인으로 구성 되어 있는데요. 이번 다케다와 계약이 성사된 기술이 자블린 플랫폼이라고 보시면 되겠습니다. 지금 저희 회사에서 가장 집중하여 개발하고 있는 기술로서 국내 기술로 상용화하는 것에 목표를 두고 있습니다. 현재 약물의 타깃을 확인하거나 오프타깃에 대한 정보를 알고자 하는 파트너와의 타깃 프로파일링 서비스를 준비하고 있습니다. 정: 핵심은 자블린인 것 같은데요. 신약 개발 초기에 약물 합성이나 검증 단계에서 굉장히 많은 시간이 들어가잖아요. 자블린은 이 병목현상을 해결하는데 초점을 맞추고 있다고 하는데요? 이: 질량분석기를 이용해 어떠한 샘플 안에 존재하는 단백질을 확인하는 기술을 단백질체학 이라고 하는데요, 최신 단백질체학 기술로는 약 5000-10000여종의 단백질을 단일 실험으로 수 시간 안에 찾아낼 수 있습니다. 화학단백질체학은 이러한 기술을 확장시킨 기술인데요, 약물과 단백질의 상호작용을 그 정도 대규모 스케일로 확인 가능하게 합니다. 만약에 약물과 5000여종의 단백질 간 상호작용을 단일 실험으로 정확하게 확인할 수 있다면, 신약개발 전반에 큰 변화를 줄 수 있을 것으로 생각합니다. 같은 화학단백질체학 기술에 바탕을 두고 있다고 하더라도 구현방식이나 목적에 따라 각 회사들이 가지고 있는 플랫폼들은 차별화 된다고 생각합니다. 앞서 말씀드린 해외 회사들의 화학단백질체학 플랫폼의 경우에는 화학적 프로브(chemical probe)를 사용하는데요. 특정 단백질, 혹은 단백질 군에 대한 접근 방법으로 시도되고 있습니다. 저희 자블린의 경우 프로브를 사용하지 않고요, 약물과 단백질의 결합으로 인해 발생하는 단백질의 구조 변화를 이용하는데요, 단백질분해효소에 대한 감수성 변화로 나타나게 되고 그것을 측정해 약물과 단백질의 상호작용을 분석하게 됩니다. 이러한 접근 방법의 가장 큰 장점은 앞서 말씀드린 것처럼 대규모 프로파일링이(proteome-wide profiling) 가능하고, 간접적인 결합정보들도 얻을 수 있어 신약개발 전반에 다양하게 응용 가능합니다. 정: 화학적 프로브를 사용하지 않는다는 것이 구체적으로 어떤 의미인가요? 이 기술을 구현하는 것이 까다로운 건가요? 양: 간단히 말씀드리면 단백질은 굉장히 큰 분자고 약물은 워낙 작은 분자이다보니 질량분석장비라는 단백질체학을 분석하는 장비에서 약물과 단백질의 결합을 좀 더 쉽게 특정할 수 있게 분석하게끔 도와주는 물질이라 보면 될 것 같아요. 약물과 단백질을 연결해주는 낚시바늘이라고 생각하시면 될 것 같습니다. 유: 화학적 프로브를 쓰지 않는 기술은 최신 도입된 기술입니다. 지금 연구하는 팀이 전 세계적으로 한두팀 정도 있는데요. 기본적으로 전통적인 화학단백질체학 기술과 궤를 달리하는 것은 프로브는 선택성이 상당히 높아서 데이터 분석이 훨씬 쉬워요. 그리고 반면에 저희가 사용하는 프로브를 사용하지 않는, 효소제한적인 분해 방법을 사용하면 실험적인 전처리 조건과 가장 힘든 점이 데이터 분석하는 파이프라인이 상당히 힘들거든요. 그래서 어떻게 보면 전통적인 화학단백질체학, 특히 기존의 단백질체학보다 5배에서 10배 이상 큰 데이터를 다루게 되고 데이터 구조도 훨씬 복잡하고, 노이즈도 훨씬 많고요. 다른 팀과의 가장 큰 차별점은 이런 복잡한 데이터를 처리할 수 있는 기술, 거기에 요새 각광을 받고 있는 딥러닝 기술을 적용할 수 있다는 점이 가장 큰 차별점이라고 볼 수 있습니다. 정: 화학적 프로브를 쓰지 않아 보다 광범위한 데이터를 얻고, 딥러닝 기술을 적용해 빠르게 분석한다는 말씀이군요. 양: 아까 낚시바늘 얘길 해주셨는데 미끼를 꽂아서 물고기를 잡아올리는 것만이 이전의 화학적 프로브 방식이었다고 하면 미끼를 던져서 물속에는 미끼를 안 먹은 물고기들도 많잖아요 그중에서 미끼를 먹은 물고기를 선택적으로 분석할 수 있게끔 도와주는 기술이라고 보시면 됩니다. 정: 스켈레톤은 3D 구조의 딥러닝 기술을 활용해 분자 구조를 최적화 하는 역할을 합니다. 타깃 물질을 찾더라도 단백질 구조를 파악하고 어떤 부위에 결합해 활성화시킬 것인지, 약물 결합 구조를 어떻게 최적화할 것인지가 까다롭고 중요한 과정이라고 들었는데, 바이온사이트의 딥러닝 기술은 기존 도킹 알고리즘과 어떤 차이를 보이나요? 유: 스켈레톤은 다양한 프로젝트에 사용되는 딥러닝 툴이라고 보시면 되고요. 스켈레톤으로 예측된 3차원 결합정보는 자블린에서 약물과 단백질 상호작용을 분석하는 데 필수적입니다. 앞서 오픈이노베이션 선발과정에서도 이와 관련해서 비슷한 질문들을 정말 많이 받았습니다. 말씀하신 것과 같이 기술적인 목적에서 보면 기존 인실리코 기술인 '분자동역학(Molecular dynamics)'이나 도킹과 비슷하다고 볼 수 있습니다. 다만 그 구현이 완전히 딥러닝으로 되어있다는 것이 다르다고 생각하시면 될 것 같습니다. 비슷한 기술은 개발하고 있는 연구팀들도 완전히 딥러닝으로 이런 모델을 구현한 경우는 거의 없다고 알고 있습니다. 이러한 기술이 자블린에 필수적인 이유는 결국 효율성 때문인데요. 자블린에서는 약물 하나와 수천종의 단백질과의 결합 구조를 예측해야 하는데 기존 도킹으로는 며칠이 걸리는 일입니다. 스켈레톤의 결합구조 예측 모델은 몇시간이면 완료할 수 있습니다. 정: 앞으로도 계속 투자를 받으시면서 연구를 이어가셔야 할 텐데 장단기 목표나 전략이 있으시다면요? 유: 최근 연구동향이나 글로벌 제약사의 관련 연구에 대한 투자를 볼 때 운이 좋게도 저희가 추구하는 기술개발 방향과 타이밍이 적절하게 맞은 것 같습니다. 결국 얼마나 빨리 이 기술을 신약개발 시장에 가져올 수 있는 지가 중요하다고 생각하고요. 그렇기 때문에 경기가 좋지 않은 상황에서도 투자유치를 위해 노력 중입니다. 단기적으로는 집중하고 있는 화학단백질체학 플랫폼인 자블린을 고도화 해 올해 말까지 상용수준으로 끌어 올려 타깃 프로파일링 서비스를 론칭하는 것을 목표로 하고 있습니다. 아직 관련된 기술을 이용한 시장이 확립되지 않았기 때문에 시장을 선점할 수기회가 있다고 생각합니다. 그 후에는 이 기술을 바탕으로 플랫폼 라이선스 아웃이나 자체 신약개발 등 다양한 기술들과 비즈니스 모델을 단계적으로 확장해 나갈 예정입니다. *화학단백질체학: 질량분석기를 이용해 어떠한 샘플 안에 존재하는 단백질을 확인하는 단백질체학 기술을 확장한 것으로, 단백질 표적과 저분자 화합물(약물) 간 상호작용을 탐색해 효율적인 신약개발을 가능하게 하는 기술.