[재테크] 텐베거 포트폴리오 9-1 : 인공지능을 적용한 신약 개발. 성장성과 그 Risk는?

김학주 교수님이 인공지능(AI) 신약개발 분야를 텐배거(10배 성장이 기대되는 주식)로 꼽은 이유는 단순히 '기술이 신기해서'가 아닙니다. 그의 투자 철학의 핵심인 '생산성 폭발'과 '비즈니스 모델의 근본적 전환'이라는 관점에서 이 분야가 필연적인 성장의 길목에 있다고 보기 때문입니다.

출처: 포토뉴스

현재 2026년 시점에서 김학주 교수가 분석한 주요 이유와 비즈니스 트렌드를 정리해 봤습니다.

 

1. 이룸의 법칙(Eroom's Law)을 깨는 유일한 해결책

제약 산업에는 무어의 법칙(반도체 성능이 2년마다 2배 향상)을 거꾸로 뒤집은 '이룸의 법칙'이라는 고질적인 문제가 있습니다. 신약 하나를 만드는 데 드는 비용은 기하급수적으로 늘어나는데(현재 약 3조 원 이상), 성공 확률은 오히려 낮아지는 현상이죠.

• 김학주 교수의 시각: 그는 신기술이 "인간의 노동을 '계산(Compute)'으로 대체할 때" 비로소 텐배거의 기회가 온다고 봅니다.
• 트렌드: AI는 후보 물질 발굴 단계에서 수만 개의 조합을 가상 공간에서 시뮬레이션하여, 수년이 걸리던 과정을 단 몇 주로 단축합니다. 이는 제약업의 구조를 '노동 집약적 산업'에서 '기술 집약적 데이터 산업'으로 리레이팅(재평가)시키는 트리거가 됩니다.

2. 플랫폼의 독점력: "실험하지 않고 시뮬레이션한다"

김 교수는 구글이나 엔비디아 같은 플랫폼 기업이 강세를 보이는 이유가 '표준'을 장악했기 때문이라고 강조합니다. 신약개발도 마찬가지입니다.

 

• 시뮬레이션의 힘: 과거에는 일일이 임상 실험을 해야 했지만, 이제는 AI 플랫폼이 질병의 단백질 구조를 예측(예: 알파폴드)하고 최적의 화합물을 먼저 제안합니다.
• 비즈니스 트렌드: 이제 신약 기업의 가치는 '어떤 약을 가졌는가'보다 '얼마나 강력한 시뮬레이션 데이터와 알고리즘 플랫폼을 가졌는가'로 이동하고 있습니다. 김 교수는 이를 통해 특정 기업이 시장의 부가가치를 독점하는 구조가 형성될 것으로 전망합니다.

3. 임상 성공률의 획기적 개선 (마지막 병목 현상 해결)

2026년 현재 가장 주목받는 트렌드는 AI가 단순히 '후보 물질'을 찾는 것을 넘어 '임상 시험' 자체를 최적화한다는 점입니다.

 

• 정밀 타겟팅: AI는 방대한 환자 데이터를 분석해 특정 약물이 가장 잘 들을 만한 환자군을 미리 선별합니다. 이는 임상 성공 확률을 비약적으로 높여줍니다.
• 김학주 교수의 분석: 그는 미-중 패권 경쟁 속에서 자원을 가장 효율적으로 활용하는 쪽이 승리한다고 보는데, AI 신약개발은 '실패 비용'을 획기적으로 줄여주는 전략적 자산이 됩니다.

결론적으로 김학주 교수는 AI 신약개발이 제약 산업의 고질적인 '저효율' 문제를 해결하고, 플랫폼 기반의 높은 확장성을 갖춘 산업으로 탈바꿈하고 있다는 점에 베팅하고 있습니다. 특히 양자컴퓨팅과 AI가 결합되는 지점에서 진정한 텐배거 기업이 탄생할 것이라고 보고 있죠.

개인적으로 바이오/제약은 봐도 무슨 말인지 잘 몰라서 어려운데 ... 논리가 그럴 듯 하긴 했습니다. 

https://www.youtube.com/watch?v=a_nIe4a-Vrc

 

위 영상은 김학주 교수가 왜 AI와 시뮬레이션 플랫폼이 향후 10배 성장주가 될 수밖에 없는지, 그 구조적 원리를 상세히 설명하고 있어요.

 

하지만! 김학주 교수의 통찰과 글로벌 산업 트렌드를 종합해 볼 때 크게 네 가지 핵심 리스크가 존재합니다.
이 리스크들을 이해하는 것은 '텐배거' 후보 중 진짜 승자를 가려내는 중요한 기준이 되겠죠?

 

1. 데이터의 질과 '편향성' 리스크 (Garbage In, Garbage Out)

AI의 성능은 학습 데이터에 전적으로 의존합니다. 하지만 현재 제약 산업의 데이터는 다음과 같은 한계가 있습니다.

• 데이터 파편화: 제약사마다 데이터 형식이 다르고 외부에 공개하지 않는 '폐쇄성' 때문에 양질의 빅데이터 확보가 어렵습니다.
• 알고리즘 편향: 특정 인종이나 환경의 데이터로만 학습된 AI는 실제 임상에서 전혀 다른 결과를 초래할 수 있습니다. 이는 개발된 신약이 특정 집단에만 효과가 있거나 예상치 못한 독성을 보일 위험을 키웁니다.

2. '블랙박스(Black Box)' 현상과 규제 장벽

AI가 왜 특정 화합물을 후보 물질로 선정했는지 그 논리적 근거(Explainability)를 명확히 설명하기 어려운 경우가 많습니다.

• 규제 기관의 보수성: 미국 FDA나 유럽 EMA 같은 규제 기관은 환자의 생명과 직결된 문제에서 '설명 가능한 논리'를 요구합니다. AI가 제시한 결과의 인과관계를 입증하지 못하면 임상 허가 및 품목 승인 지연으로 이어질 수 있습니다.
• 최근 동향: 2024년 말부터 FDA 등에서 AI 활용 가이드라인을 내놓고 있지만, 여전히 표준화된 검증 체계가 부족한 상태입니다.

3. 임상 단계의 '실재적 격차' (Reality Gap)

AI는 컴퓨터 안(In-silico)에서의 효율은 극대화하지만, 복잡한 인체 내 생물학적 반응을 100% 모방하지 못합니다.

• 임상 2, 3상의 한계: 초기 후보 물질 발굴 속도는 빠르지만, 실제 사람을 대상으로 하는 임상 2~3상에서 실패할 경우 막대한 비용 손실은 여전합니다. AI가 '실패 가능성'을 낮추긴 하지만 '실패' 자체를 없애지는 못한다는 점이 투자 리스크입니다.

4. 김학주 교수가 강조하는 '플랫폼 독점 및 자본 경쟁'

김학주 교수님은 이 산업이 결국 '계산 능력(Computing Power)'과 '표준'의 싸움이 될 것이라 경고합니다.

• 플랫폼 종속성: 엔비디아나 구글처럼 압도적인 시뮬레이션 플랫폼을 가진 기업이 시장을 독점할 경우, 중소형 AI 신약개발사는 단순히 데이터만 제공하는 하청 업체로 전락할 위험이 있습니다.
• 양자컴퓨팅의 변수: AI 신약개발의 완성은 양자컴퓨터와의 결합인데, 이 기술적 전환기에 적응하지 못하는 기업은 도태될 수 있습니다.

*출처 
- 텐배거 포트폴리오 (김학주 저) 
- EMA (European Medicines Agency) Reflection Paper (2024.10): 신약 개발 라이프사이클 내 AI/ML 사용에 대한 위험 기반 접근법 및 투명성 강조.
 Nature Reviews Drug Discovery: AI 모델의 해석 가능성(Interpretability) 문제 및 데이터 부족에 따른 임상 실패 가능성 분석.
- FDA AI/ML 가이드라인 (2024-2025): AI 기반 소프트웨어 및 신약 개발 도구의 신뢰성 검증 기준 강화.