연구실에 쌓인 실험 데이터를 다음 후보의 예측에도 쓸 수 있다면 어떨까요. 어떤 분자가 잘 녹았는지, 얼마나 쉽게 분해됐는지, 특정 시험에서 독성이 나타났는지를 기록한 자료는 기관 전용 모델의 학습 자료가 될 수 있습니다. 연구팀은 이 모델을 다음 실험에 활용하고 기관은 어떤 데이터로 학습하고 검증했는지 밝혀 AI 연구 역량을 소개할 수 있습니다.
나두바이오는 기관이 GPU 서버나 학습 환경을 직접 구축하지 않아도 전용 모델을 만들고 쓸 수 있도록 서비스를 준비하고 있습니다. 이미 학습된 파운데이션 모델을 기관 데이터에 맞추는 방법과, 공개된 최신 학습 방법을 활용해 고유 모델을 처음부터 만드는 방법을 함께 제안합니다. GPU 서비스인 나두클라우드를 함께 운영하는 경험을 살려, 첫 과제를 함께 구체화할 연구기관과 기업을 찾고 있습니다.
ADMET 실험 데이터부터 시작한다면
ADMET는 약물의 흡수·분포·대사·배설·독성을 묶어 부르는 말입니다. 후보 물질이 몸에서 어떻게 처리되고 어떤 위해를 줄 수 있는지 다룹니다. AI 모델은 분자 구조와 실험값 사이의 관계를 학습해 아직 측정하지 않은 후보의 특성을 예측합니다. [1]
예를 들어 대사 안정성은 정해진 시험 조건에서 분자가 대사에 따른 변환에 얼마나 견디는지를 나타냅니다. 막 투과성은 분자가 특정 막을 얼마나 잘 통과하는지를 뜻합니다. 한 항목의 좋은 결과가 약효나 사람에서의 안전성을 보증하지는 않습니다. 모델의 예측도 실제 실험과 구분해서 사용해야 합니다.
ADMET 예측은 우리 기관이 꾸준히 측정해 온 항목 하나로 시작해도 됩니다. 같은 단위와 비교 가능한 조건의 기록을 모읍니다. 용해도처럼 ADMET 연구와 함께 살피는 물성도 좋은 출발점이 됩니다. 예측할 값을 정한 뒤 두 학습 방법을 비교합니다.
기존 모델을 우리 데이터에 맞추기
파운데이션 모델은 많은 분자나 서열 등의 자료로 미리 학습한 모델입니다. 파인튜닝은 이 모델의 가중치 일부 또는 전체를 기관 데이터로 추가 학습하는 방법입니다. 이미 학습한 표현을 활용하면서 우리 실험 항목을 예측하도록 맞춥니다.
기존에 학습된 가중치에서 시작하는 방법입니다. 그림은 제안하는 학습 흐름이며 실제 실행 결과가 아닙니다.
기반 모델 선택 → 기관 데이터 준비 → 추가 학습 → 특화 모델 평가. 먼저 예측할 항목에 맞는 모델을 고릅니다. 분자 구조와 실험값을 준비하고 기관의 측정 항목에 맞춰 추가 학습한 뒤 새 자료에서도 예측이 맞는지 평가합니다.
ADMET처럼 분자의 특성을 다루는 과제에는 Uni-Mol2와 ChemBERTa 계열을 검토할 수 있습니다. 단백질이나 세포를 연구한다면 입력 자료에 맞는 다른 기반 모델을 고릅니다. 아래는 추가 학습 후보 목록입니다. 나두바이오는 이 후보 중 기관 과제에 맞는 모델부터 학습 경로를 검증하려 합니다.
연구 자료 | 기반 모델 후보 | 검토할 활용 |
|---|---|---|
분자 구조와 실험값 | Uni-Mol2 | ADMET 항목과 물성 예측 [2] |
분자를 표현한 문자열과 실험값 | ChemBERTa-3의 ChemBERTa·MoLFormer 계열 | 분자 특성 예측 [3] |
단백질 서열과 실험값 | ESMC·SaProt | |
세포별 유전자 발현 자료(유전자가 얼마나 읽혔는지 측정한 값) | Tahoe-x1 | 세포 상태를 구분하는 연구 과제 [6] |
DNA 서열과 과제별 측정값 | Evo 2 | 유전체를 다루는 연구 과제 [7] |
최근 최고 수준의 성능을 보인 모델, 흔히 SOTA라고 부르는 모델도 잘하는 과제가 서로 다릅니다. 공개 평가의 순위와 우리 기관 데이터에서의 성능은 같지 않을 수 있습니다. 모델 이름에 앞서 평가 조건과 추가 학습 방법을 살펴 후보를 고르려 합니다. 코드와 가중치의 이용 조건도 연구·상업 활용 범위에 맞게 확인합니다.
고유 모델을 처음부터 학습하기
이 경로에서는 기존 모델의 학습된 가중치를 가져오지 않습니다. 공개된 아키텍처와 학습 레시피를 활용하되 가중치는 새로 초기화합니다. 학습 레시피에는 데이터를 정리하는 방법, 모델 구조, 학습 설정과 평가 방법이 포함됩니다.
공개된 학습 방법을 활용하고 가중치는 새로 학습합니다. 새 가중치를 만들었다는 사실과 새로운 아키텍처를 발명했다는 주장은 다릅니다.
학습 방법 선택 → 기관 데이터 준비 → 처음부터 학습 → 고유 모델 평가. 예측하려는 항목과 데이터 규모에 맞춰 방법을 정하고 새로 초기화한 모델을 학습한 뒤 기존 방법과 성능을 비교합니다.
고유 모델을 만든다고 해서 모두 거대한 파운데이션 모델을 학습해야 하는 것은 아닙니다. Chemprop으로 특정 ADMET 항목을 예측하는 과제 전용 모델을 만들 수도 있습니다. 분자 데이터가 더 많다면 ChemBERTa-3의 사전학습 방법도 검토할 만합니다. 세포 자료에는 Tahoe-x1의 신규 학습 경로가 있습니다. [8] [3] [6]
최신 연구의 학습 방법을 검토하고 재현해 기관의 목적에 맞는 모델을 만드는 것이 목표입니다. 그 방법을 사용했다는 이유만으로 완성된 모델이 최고 성능을 갖는 것은 아닙니다. 필요한 데이터와 학습 비용, 실제 예측 성능을 함께 살펴야 합니다.
어느 쪽이 우리 연구에 맞을까요
분자 특성 예측에서는 Uni-Mol2 추가 학습과 Chemprop으로 처음부터 학습하는 방법을 비교하는 과제를 제안할 수 있습니다. 두 모델에 같은 평가 자료를 사용합니다. 모델 구조도 다르므로 결과의 차이를 사전학습 유무만으로 설명하지는 않습니다.
학습에 쓰지 않은 자료로 비교하고 연구팀이 채택한 모델을 다음 후보 평가에 사용하는 제안입니다.
평가 자료 분리 → 같은 조건 비교 → 기관 모델 등록 → 예측과 후속 실험. 평가 자료는 학습과 모델 선택에 쓰지 않고 남겨 둡니다. 같은 자료와 지표로 비교한 뒤 연구팀이 채택 여부를 정합니다. 채택한 모델은 기관 이름과 버전을 붙여 보관하고 새 후보의 실험 우선순위를 검토하는 데 사용합니다.
비교 결과는 좋아질 수도, 비슷할 수도, 나빠질 수도 있습니다. 예측 비용과 필요한 데이터의 양도 함께 비교합니다. 자체 학습한 가중치를 연구 자산으로 남기려는 기관이라면 그 가치도 따로 판단합니다.
GPU 클라우드 운영 경험을 연구 서비스에
나두바이오를 만드는 저희는 GPU 자원을 서비스로 제공하는 나두클라우드도 운영하고 있습니다. GPUaaS는 기관이 GPU 장비를 직접 구매하는 대신 필요한 연산 자원을 서비스로 이용하는 방식입니다.
모델을 학습하려면 알고리즘뿐 아니라 실행 환경과 연산 자원을 준비해야 합니다. 학습이 끝난 뒤에도 새 데이터를 예측하고 모델을 다시 학습할 환경이 필요합니다. 저희는 GPU 인프라를 운영하며 쌓은 경험을 나두바이오의 학습·평가·반복 사용 과정에 연결하려 합니다.
나두클라우드가 GPU 자원과 실행 인프라를 다룬다면, 나두바이오는 그 위에서 수행할 연구 업무를 다룹니다. 기관 입장에서는 어떤 모델을 만들지와 어떤 환경에서 학습하고 사용할지를 함께 논의할 수 있다는 점이 장점입니다. 첫 과제의 데이터 규모와 예산을 보고 모델과 연산 자원을 함께 검토하는 서비스를 준비하고 있습니다.
기관은 연구 목표와 사용할 권리가 있는 데이터를 준비하고 서버와 학습 환경 운영은 서비스에 맡기는 방식입니다. 초기에는 데이터를 나두바이오의 기관별 공간에 반입하는 형태를 제안합니다. 기관 밖으로 자료를 보낼 수 없는 경우에는 실행 환경을 별도로 논의합니다.
신약개발 AI의 첫 로드맵을 세우는 일
AI를 도입하려는 기관에는 어떤 모델을 고르느냐만큼, 어느 연구 업무부터 바꿀지를 정하는 일이 필요합니다. 한국보건산업진흥원도 2026년 AI 신약개발 교육 사업에서 기초 이론과 실습, 중급·고급 실습 과정을 구분해 지원하고 있습니다. [9]
나두바이오는 기관이 보유한 데이터와 연구 목표를 보고 첫 적용 과제를 정하는 방식으로 초기 로드맵을 함께 만들고자 합니다.
기관의 첫 AI 도입을 위한 제안입니다. 각 단계의 결과를 보고 다음 범위를 정하며, 정해진 기간이나 성과를 약속하는 일정표는 아닙니다.
데이터 점검 → 첫 과제 검증 → 연구 적용 → 확장 판단. 우선 어떤 실험 기록을 학습에 쓸 수 있는지 살펴봅니다. 대사 안정성처럼 목적이 분명한 과제 하나에서 기존 방법과 AI 모델을 비교하고 연구팀이 실제 후보 평가에 사용해 봅니다. 그 결과를 보고 다른 ADMET 항목으로 넓힐지, 데이터를 더 모을지, 현재 범위를 유지할지를 정합니다.
데이터를 정리할 기준, 담당자가 맡을 일, 예산과 평가 방법도 함께 정합니다. 첫 모델이 기대에 미치지 못하더라도 어떤 자료와 역량을 더 갖춰야 하는지 판단하는 데 쓸 수 있습니다. 초기 로드맵은 기관이 다음 연구 투자를 결정할 근거를 남기는 데 목적을 둡니다.
혁신형 제약기업을 준비하는 기업이라면
혁신형 제약기업은 신약 연구개발 투자와 역량 등을 심사해 보건복지부가 인증하는 기업입니다. 보건복지부는 2026년 인증제 개편에서 연구개발 투자·임상시험·수출 등의 평가를 정비했습니다. 자체 AI 모델을 갖췄다는 사실만으로 인증을 받거나 가점이 생긴다고 볼 수는 없습니다. [10]
인증을 준비하며 연구개발 전략을 정리하는 기업에는 AI 과제를 실제 연구 업무와 연결하는 작업을 제안합니다. 어떤 문제에 투자했는지, 누가 연구를 수행했는지, 기존 방법과 비교해 무엇을 확인했는지, 후속 연구에 어떻게 활용할지를 기록합니다. 모델 설명서와 평가 보고서는 이 연구를 설명하는 자료로 쓸 수 있습니다.
이를 인증 신청서의 어느 항목에 반영할지는 해당 공고와 심사 기준에 맞춰 따로 검토해야 합니다. 나두바이오가 함께 준비하려는 것은 AI 연구 계획과 실행·평가 기록이며, 법정 투자 요건이나 인증 심사를 대신하는 서비스는 아닙니다.
기관 이름으로 소개하고 협력으로 연결하기
기관 전용 모델은 연구 도구로 쓰면서 기관의 데이터와 연구 역량을 소개하는 데도 활용할 수 있습니다. 가령 OO연구소 대사 안정성 예측 모델이라는 이름을 붙이고 어떤 자료로 학습했으며 어디까지 평가했는지 설명합니다.
파운데이션 모델을 활용했다면 기반 모델과 기관의 추가 학습 기여를 함께 밝힙니다. 처음부터 학습했다면 사용한 아키텍처와 데이터, 학습 방법을 설명합니다. 기관 이름을 붙이더라도 기반 기술의 권리까지 모두 소유하는 것은 아닙니다.
모델 설명서, 평가 보고서와 함께 외부에 공개할 소개 자료도 준비하려 합니다. 연구팀은 모델을 다시 사용하고 기관은 공개 가능한 범위에서 홈페이지나 사업 제안서에 연구 역량을 소개할 수 있습니다. 새 실험 기록이 쌓인 뒤에는 이전 버전과 비교하며 모델을 개선할 수도 있습니다.
자체 모델은 기술마케팅에도 활용할 수 있습니다. 기술마케팅은 잠재 협력사나 고객에게 보유 기술과 적용 가능한 연구 과제를 설명해 협력 기회를 찾는 활동입니다. 홈페이지에 모델 이름을 올리는 데서 그치지 않고, 우리 데이터로 어떤 문제를 다뤘고 어떻게 평가했는지 보여 줍니다.
Lilly는 2025년 TuneLab을 공개하면서 자체 연구 데이터로 학습한 신약개발 모델을 바이오텍이 이용하도록 하겠다고 발표했습니다. 모델을 외부 연구 협력으로 연결한 사례입니다. 이 사례의 방식이나 성과를 그대로 약속할 수는 없습니다. 다만 연구 데이터와 모델을 협력 상대에게 기술 자산으로 소개한 사례로 참고할 만합니다. [11]
기관 전용 모델도 공개 가능한 데이터 범위, 기존 방법과의 비교 결과, 적용할 수 있는 과제를 한 장의 기술 소개서로 정리할 수 있습니다. 비공개 자료를 쓰지 않는 예측 예제를 더하면 공동연구 제안이나 기술 상담에서 모델이 무엇을 하는지 설명하기 좋습니다. 계산 성능과 실제 실험 성과를 구분해 소개하고 기관이 공개 범위를 정하는 구성을 제안합니다.
첫 과제를 함께할 기관을 찾습니다
ADMET 실험값은 쌓여 있지만 모델 학습과 운영이 부담스러운 연구팀을 찾습니다. 자체 데이터를 반영한 모델이 필요한 기업, 고유 모델을 연구 성과로 남기려는 기관과도 첫 과제를 함께 정하고 싶습니다. 혁신형 제약기업 인증을 준비하며 연구개발 전략을 정리하는 기업, 신약개발 AI의 첫 로드맵이나 기술마케팅 자료가 필요한 기관도 함께 논의하고 싶습니다. 한 기관의 한 가지 예측 과제부터 제안합니다.
어떤 항목을 예측하고 싶은지, 어떤 종류의 데이터를 얼마나 보유하고 있는지, 모델을 어디에 활용하려는지 알려 주세요. 기반 모델의 추가 학습과 고유 모델의 신규 학습 중 어떤 방법이 맞을지 함께 검토하겠습니다. 첫 문의에는 비공개 원본 데이터 없이 과제 개요만 보내 주시면 됩니다.
참고문헌
ADMET-AI. 공식 저장소. 분자 입력·ADMET 예측 소개.
DeepModeling. Uni-Mol2. 공식 모델·추가 학습 문서.
Deep Forest Sciences·DeepChem. ChemBERTa-3. 공식 사전학습·추가 학습·평가 문서.
Biohub. ESMC. 공식 모델 카드·추가 학습 예제.
Westlake REPL. SaProt. 공식 입력·추가 학습 문서.
Tahoe Therapeutics. Tahoe-x1. 공식 신규 학습·추가 학습 문서.
Arc Institute. Evo 2. 공식 학습 경로 안내.
Chemprop. 공식 저장소. 분자 특성 예측 모델과 학습 안내.
한국보건산업진흥원. 2026년 인공지능(AI) 활용 신약개발 교육 및 홍보 사업 운영기관 모집 공고. 2026-02-12, 공식 사업 공고.
보건복지부. 혁신형 제약기업 인증제 전면 개편, 제약산업 연구개발 투자 확대 이끈다. 2026-07-30, 공식 보도참고자료.
Eli Lilly and Company. Lilly launches TuneLab platform to give biotechnology companies access to AI-enabled drug discovery models built through over $1 billion in research investment. 2025-09-09, 기업 공식 발표.
웹 자료 확인일: 2026-11-14. 위 목록은 연구 과제에 맞춰 검토할 후보이며, 실제 제공 범위는 파일럿을 정하며 구체화합니다.