Anthropic Life Sciences Strategy and Shai Discovery Drug Design: AI Accelerating the End-to-End R&D Cycle

Anthropic Life Sciences Strategy and Shai Discovery Drug Design: AI Accelerating the End-to-End R&D Cycle

TL;DR

AI 모델인 Anthropic의 Claude와 Shai Discovery의 분자‑디자인 플랫폼은 이미 신약 발견에 소요되는 연수를 단축하고 있으며, 기본 연구부터 임상 시험까지 전체 생명과학 R&D 파이프라인을 수십 배 빠르게 가속화할 준비가 되어 있습니다.

1. Guest Backgrounds and Core Missions

  • Eric Kauderer‑Abrams (Anthropic – Head of Life Sciences)

    • 수학·물리학을 전공하고 AI 연구로 전향한 뒤 Kwabena Boahen의 “Brains in Silicon” 랩을 통해 생물학으로 이동했습니다.
    • 여러 메드‑테크·바이오텍 스타트업을 설립했으며, 현재는 Claude를 생명과학 전 분야에 활용할 수 있는 범용 R&D 어시스턴트로 만들기 위한 Anthropic의 노력을 이끌고 있습니다.
    • Anthropic의 제품 로드맵에는 과학자들이 단백질을 시각화하고, 대규모 모델 추론을 실행하며, 기존 실험실 도구와 통합할 수 있게 해주는 “cloud‑code‑for‑bio” 인터페이스가 포함됩니다.

  • Josh (Shai Discovery – Founder & CEO)

    • 초기 OpenAI·Meta 직원으로, 현재는 ESM‑1 모델에 대한 전체 인용의 약 절반을 차지하는 최초의 생명과학 제품을 만들었습니다.
    • Shai Discovery의 사명은 약물 설계를 컴퓨터‑지원 설계(CAD) 문제로 바라보며, 치료 분자를 zero‑shot 으로 생성하는 것입니다.
    • AstraZeneca, Pfizer 등 주요 제약사와 파트너십을 맺고 있으며, Recursion의 모델을 활용해 분자 생성 작업을 수행합니다.

2. End‑to‑End Drug Development Timeline

  • Typical duration: 개념 단계부터 FDA 승인 및 시장 출시까지 10–15년이 소요됩니다. 중앙값도 10–15년이며, 드물게 5–6년 안에 끝나는 경우도 있습니다.
  • Major phases:
    1. Target identification – 질병, 환자군, 분자 표적을 선정합니다. 매년 약 30개의 새로운 임상 표적만이 추구되는 반면, 인간 게놈에는 ≈10 000개의 잠재 표적이 존재합니다.
    2. Pre‑clinical design – 항체, 소분자, 분자 접착제, 유전자 치료 등 모달리티를 선택하고 히트 화합물을 최적화합니다. 전통적으로 표적 선정부터 IND(Investigational New Drug) 제출까지 ≈4년이 걸립니다.
    3. Clinical trials – Phase I(안전성), Phase II(효능), Phase III(확증). 이 단계가 6–9년을 차지하며, 전체 개발 비용의 대부분을 차지합니다.
  • Bottlenecks: 5–10개의 뚜렷한 단계에 걸쳐 분산되어 있으며, 임상 시험이나 분자 설계만이 병목은 아닙니다.

3. Where AI Can Pull Time Out

3.1 Pre‑clinical Phase

  • Molecule generation: Shai의 CAD 스위트는 4년 걸리던 최적화 루프를 one‑shot 또는 few‑shot 프로세스로 대체해, 후보 분자를 몇 주 안에 제공하고자 합니다.
  • Target crowding: AI는 현재 연간 ≈30개 수준에 머물러 있는 표적 탐색 공간을 대규모 게놈·싱글‑셀 시퀀싱·프로테오믹스 데이터를 활용해 크게 확장할 수 있습니다.
  • Iterative loop acceleration: 대형 언어 모델(LLM)은 “외부 루프” 역할을 하여 설계를 제안하고, Claude와 같은 foundation model이 이를 평가함으로써 반복 사이클을 크게 단축합니다.

3.2 Clinical Phase

  • Patient recruitment & site selection: AI는 등록률을 예측하고 환자를 시험 사이트와 매칭해 모집 기간을 단축합니다.
  • Trial administration: 전자 데이터 캡처, 모니터링, 규제 보고 자동화를 통해 운영 오버헤드를 감소시킵니다.
  • Effect‑size amplification: AI 설계로 더 강력한 분자를 만들면 필요 피험자 수가 감소해 시험 기간이 짧아집니다.
  • Proxy endpoints: AI 기반 바이오마커 발견은 뼈 골절 발생률 같은 장기 임상 엔드포인트를 조기 판독 assay 로 대체할 수 있습니다.

4. Why Now? Converging Technological Trends

  • Scale of LLMs: 모델 아키텍처, 연산량, 학습 데이터의 급속한 향상으로 LLM이 복잡한 과학적 추론에 적합해졌습니다.
  • Foundation model ecosystems: 화학, 단백질 접힘, 바이오인포매틱스 전용 모델이 LLM과 결합해 외부‑루프 설계와 내부‑루프 평가를 동시에 가능하게 합니다.
  • Data explosion: 싱글‑셀 RNA‑seq, 프로테오믹스, 항체 스크리닝 등 고처리량 assay가 대규모 고품질 데이터셋을 제공해 모델 학습에 활용됩니다.
  • Geopolitical pressure: 중국의 더 빠르고 저렴한 신약 발견 파이프라인이 미국이 AI를 도입해 경쟁력을 유지해야 할 긴박성을 부여합니다.
  • Projected timeline compression: 발표자들은 전체 신약 개발을 ≈5년 안에 마칠 수 있는 현실적인 상한선을 제시했으며, 프록시 엔드포인트와 더 강력한 분자가 등장하면 추가 단축이 가능하다고 전망합니다.

5. Business Models and Value Capture

  • Tool‑centric value: AI 툴이 더 강력해질수록 성공 확률을 높이고 파트너 제약사의 비용을 낮추기 때문에 고배수를 요구하게 됩니다.
  • Platform vs. drug ownership: Anthropic과 Shai 모두 스케일 가능한 툴 제공에 집중하고 있으며, Anthropic은 기본 연구용 wet‑lab sandbox을 운영해 실험적 적용을 시험합니다.
  • Potential democratization: 장벽이 낮아지면 1인 바이오테크가 여러 초기 단계 프로그램을 AI로 운영할 수 있게 되고, 이는 대형 제약사의 인수 대상으로 부상할 수 있습니다.
  • Skeptical viewpoints: 두 게스트 모두 순수 소프트웨어 툴 기업은 실행 위험이 크며, 성공은 wet‑lab 인프라와의 긴밀한 통합에 달려 있다고 지적합니다.

6. Unsolved Challenges and Future Directions

  • Beyond antibodies: AI‑기반 CAD를 소분자, 분자 접착제, 유전자 편집 등으로 확장하는 것이 아직 해결되지 않은 연구 과제입니다.
  • Target discovery at scale: 가상‑세포 교란 모델, 인구 규모 유전학 등 수천 개의 고품질 표적을 체계적으로 발굴하는 파이프라인이 필요합니다.
  • AI‑controlled wet labs: Anthropic은 Claude가 시약 주문, 반응기 제어 등 실험실 기기와 직접 인터페이스해 피드백 루프를 닫는 모습을 구상하고 있습니다.
  • Benchmarking autonomous drug programs: 각 파이프라인 단계에서 모델이 얼마나 멀리 갈 수 있는지 평가할 표준화된 메트릭을 마련해야 합니다.

7. Concrete Takeaways for Researchers and Investors

  1. Pre‑clinical 설계 시간이 2–3배 단축될 것으로 예상됩니다(다음 2–3년 내, zero‑shot 분자 생성 주도).
  2. AI 기반 시험 자동화(환자 모집, 데이터 캡처)가 Phase I/II 일정에서 수개월을 절감할 수 있습니다.
  3. LLM, 도메인‑특화 foundation model, 실험실 통합을 결합한 플랫폼에 투자하세요. 가장 큰 상승 여지를 가집니다.
  4. 표적 혼잡이 병목입니다 – 탐색 가능한 표적 영역을 확장하는 AI가 전략적 차별화 포인트가 될 것입니다.
  5. 규제 및 임상 프록시(바이오마커, 대리 엔드포인트)는 전체 일정 압축을 실현하는 데 핵심이 될 것입니다.

8. Closing Remarks

Anthropic과 Shai Discovery 모두 AI를 촉매로 보고 있습니다. AI는 신약 발견을 노동 집약적·수년 걸리는 작업에서 빠른 엔지니어링 기반 프로세스로 전환시킬 것입니다. 궁극적인 모든 질병 치료라는 목표는 아직 멀지만, 발표자들은 AI‑구동 툴이 전체 생명과학 R&D 스택에서 수십 배의 속도 향상을 제공해 바이오테크의 경제성 및 경쟁 구도를 크게 바꿀 것이라고 공감합니다.

Sources