보건산업진흥원, 전사 AI 전환 가속
한국보건산업진흥원이 바이오헬스 산업 지원 업무 전반에 인공지능을 접목하는 전사적 AI 전환 체계를 본격 가동했습니다. 2024년부터 도입한 생성형 AI '바이온 GPT'의 운영 경험을 바탕으로 AX추진총괄TF팀과 본부별 앵커팀을 꾸려 현장 맞춤형 AI 과제를 발굴하고 적용하고 있는데요. 이는 K바이오헬스 산업의 경쟁력 확보를 위한 기관 차원의 디지털 전환 속도를 높이는 움직임으로 풀이됩니다.
기존의 업무 방식에서 벗어나 AI를 적극 활용하려는 시도는 꽤 이르게 시작되었습니다. 보건산업진흥원은 이미 2024년부터 연구개발 과제 관리와 데이터 분석에 특화된 '바이온 GPT'를 개발해 도입했고, 이를 통해 업무 프로세스 개선의 기반을 마련했습니다. 이러한 경험을 토대로 지난 6월에는 AX추진총괄TF팀을 신설하고 각 본부에 앵커팀을 지정해 총 27명의 인원이 AI 활용 체계를 구축하는 데 집중하고 있습니다. 단순히 도구를 도입하는 데 그치지 않고 조직 전체의 역량을 끌어올리려는 취지인 거죠.
당연히 기술 도입만큼 중요한 건 안전한 활용 환경 조성입니다. 기관 측은 임직원을 대상으로 AI 윤리와 보안, 개인정보보호 교육을 병행하며 생성형 AI 활용 워크숍도 확대하고 있습니다. 월례회의를 통해 추진 상황을 지속적으로 점검하면서 대고객 서비스까지 AI 활용 범위를 넓히고 있는데요. 정영훈 기획이사는 업무 체계와 서비스의 AI 전환이 미래 경쟁력과 직결된다고 강조하며, 전사적 역량을 결집해 바이오헬스 산업의 AI 전환을 선도하겠다고 밝혔습니다.
신약 개발의 새로운 지평 연 알파 DTA
학계에서도 바이오헬스 AI 기술의 확장이 두드러지고 있습니다. 광주과학기술원 이현주 교수 연구팀이 알파폴드3의 내부 표현 정보를 활용해 신약 후보물질의 단백질 결합 친화도를 예측하는 AI 모델을 개발한 것인데요. 이 모델은 기존 방식의 한계를 넘어서는 성능을 보여 신약 개발의 효율성을 크게 높일 수 있을 것으로 기대됩니다.
신약 개발의 핵심인 결합 친화도 예측은 그동안 두 가지 방식이 협력하면서도 각자의 한계에 부딪혀 왔습니다. 데이터가 많지만 정확도가 떨어지는 서열 기반 방식과, 정확도는 높으나 실험 구조 데이터가 부족한 구조 기반 방식이 대표적입니다. 연구팀은 이 문제를 해결하기 위해 알파폴드3가 구조를 예측할 때 생성하는 내부 표현 정보에 주목했습니다. 이는 AI가 학습한 화학적 특징을 숫자로 표현한 데이터로, 단백질과 약물의 특징을 담은 단일 표현 정보와 상호작용을 담은 쌍 표현 정보로 구성됩니다.
개발된 '알파 DTA'는 다중 해상도 인코더와 기하 인코더를 결합한 구조를 갖추고 있습니다. 실험 구조 데이터 없이도 기존 구조 기반 방식과 대등한 성능을 냈고, 44개 단백질 계열 중 32개에서 더 우수한 예측 정확도를 기록했습니다. 특히 데이터가 부족한 상황에서도 일관된 예측력을 보였다는 점은 신약 후보 물질을 선별하는 과정의 효율을 획기적으로 높일 수 있다는 의미를 갖습니다.
산업 전반으로 확대되는 AI 전환 바람
이처럼 공공기관과 학계가 동시에 바이오헬스 분야의 AI 활용 수위를 높이고 있습니다. 보건산업진흥원은 연구개발 지원부터 사업화 및 해외 진출 지원까지 업무 전반의 디지털 전환을 가속화하고 있고, GIST 연구팀은 신약 개발의 핵심 병목 구간인 결합 친화도 예측 난제를 AI로 풀어내고 있습니다.
물론 기술 도입과 성과 창출 사이에는 여전히 과제가 남아 있습니다. AI 윤리와 보안, 데이터 품질 관리 등 세심한 운영 기준이 뒷받침되어야 하고, 현장에서의 실제 활용도를 높이는 것도 중요한 숙제입니다. 하지만 연구 관리의 효율화와 신약 개발의 정확도 향상이라는 두 축이 동시에 움직이기 시작했다는 점은 K바이오헬스 산업의 미래 경쟁력을 결정짓는 중요한 변화로 읽힙니다. 향후 이런 움직임이 민간 기업과 글로벌 시장으로 확산될지 주목할 필요가 있습니다.