제너레이트 바이오메디슨스 12th Annual Cantor Fitzgerald Global Healthcare Conference

네, 에릭, 우선 이 기회를 주셔서 진심으로 감사드립니다. 제너레이트는 2018년에 설립된 회사로, 당시에는 다소 독특한 전제를 가지고 있었습니다. 기계 학습 기반 접근법을 사용해 단백질 치료제를 설계할 수 있을까 하는 것이었죠. 오늘날에는 이게 훨씬 더 보편적으로 들리지만, 당시 단백질 분야에서는 거의 이단처럼 여겨졌습니다. 역사적으로 단백질 설계는 생물물리학적 방법을 바탕으로 한 하향식 방식이었습니다. 저희 공동 창립자 게보르그는 다트머스에서의 연구를 통해 데이터 기반 접근법이 더 우수한 해답을 낼 수 있다는 믿음을 갖게 되었습니다. 회사는 그 전제를 바탕으로 설립되었습니다. 장기적인 비전은 생물이 궁극적으로 프로그래밍 가능해질 수 있다는 것입니다. 단백질은 코드이며, 그 코드를 이해할 수 있다면 원하는 효과를 내도록 생물을 프로그래밍할 수 있다는 뜻입니다. 저희는 이 분야가 얼마나 빠르게 변화할지 예상하지 못했습니다.

분명히 회사가 설립될 당시에는 알파폴드 이전, 생성형 AI 이전 시기였지만, 지금까지 기술에서 본 초기 결과들은 역사적 기술들이 어려워했던 방식으로 단백질을 조작할 수 있게 해줍니다. 회사는 현재 다섯 가지 분자를 임상에 투입했습니다. 저희 주력 프로그램은 중증 천식 치료를 위한 3상 개발 단계에 있습니다. 저희는 암 분야에서 여러 다른 프로그램도 진행 중입니다. 이 기술은 매우 확장성이 뛰어나서 연간 5개에서 10개 사이의 프로그램을 시작할 수 있는 역량을 갖추고 있습니다. 저희는 자체 프로그램뿐만 아니라 암젠과 노바티스 같은 주요 파트너들과도 협력하고 있습니다. 기술의 잠재력은 이제 시작 단계에 불과하며, 앞으로 다가올 미래에 대해 매우 기대하고 있습니다.

사실 그것은 바로 이 교차점이라고 생각합니다. 우리가 보는 것은 이 모델들이 정말로 매우 강력하다는 점입니다. 알파폴드가 인정받은 이유는 이 모델들이 상상할 수 없을 만큼 거대한 탐색 공간을 매우 정교하게 이해할 수 있기 때문입니다. 평균 단백질은 약 200개의 아미노산으로 구성되어 있습니다. 자연적으로 선택되는 아미노산은 20가지입니다. 조합 가능한 가능성은 우주에 있는 원자 수의 세제곱에 달합니다. 이는 과거에 우리가 단백질을 설계하려 했던 무작위 탐색 방식으로는 매우 어려운 일입니다. Generate를 차별화하는 점은 통합된 컴퓨터 실험실과 생물학 실험실의 선순환 구조입니다. 이 점이 중요한 이유는, 생성형 AI가 가장 큰 효과를 발휘한 분야를 생각해 보면, 빠른 검증 주기가 있는 영역이기 때문입니다. 예를 들어 DeepMind가 시작한 게임 분야를 생각할 수 있습니다.

또한 오늘날 혁신이 일어나고 있는 코딩이나 수학 같은 분야도 마찬가지입니다. 이 모든 분야는 빠른 피드백 루프를 가지고 있습니다. 하지만 생물학은 빠른 피드백 루프가 없기 때문에 실험실이 그 피드백 루프 역할을 합니다. 저희의 많은 노력은 계산 설계의 최전선을 밀어붙이는 것뿐만 아니라 실험 처리량과 속도를 높이는 데에도 집중하고 있습니다. 그래서 우리는 이 영역을 매우 독특한 방식으로 조사할 수 있습니다. 이제, 에릭, 당신이 이 분야의 과대광고를 암시한 것 같네요. 이 도구들이 향후 5년 내에 치료적 도전 과제, 즉 생물학 문제를 해결하지는 못할 것입니다. 일부 사람들은 그 시간 내에 모든 암을 치료할 것이라고 말하는 것을 알고 있습니다. 또한 대중의 시야에서 가려진 것은 생물학에서의 리드 타임이 실제로 이러한 기술의 현재 최첨단 수준을 과소평가한다는 점이라고 생각합니다.

약물을 개발하는 데는 보통 10년에서 15년이 걸립니다. 우리의 선도 후보 물질이 설계 후 약 5년 만에 3상에 진입했다는 사실 자체가 이 분야가 얼마나 빠르게 발전하고 있는지를 상징합니다. 그 분자는 ChatGPT가 처음 출시되기 이전의 모델로 설계되었습니다. 현재 최첨단이 어디에 있는지 생각해 보면, 엄청나게 발전했습니다. 이 분야에 과장된 부분이 많다는 데는 동의하지만, 이러한 기술들이 약물 발견의 여러 영역에서 혁신적인 변화를 가져올 잠재력이 있다고도 믿습니다.

에릭, 또한 우리가 모델을 훈련시키는 데 사용하는 데이터 유형이 매우 차별화되어 있다는 점을 강조하고 싶습니다. 마이크가 말한 몇 가지를 강조하자면, 우리가 측정할 수 있는 규모는 수십억 단위에 달합니다. 우리가 보유한 4대의 극저온 전자현미경은 단백질-단백질 상호작용을 원자 수준 해상도로 동적으로 관찰합니다. 따라서 이들은 단순한 정적인 구조가 아닙니다. 우리는 실제로 결합 부위에서 무슨 일이 일어나는지 이해하고, 3차원적 관점에서 그 데이터를 활용해 모델을 훈련시킬 수 있습니다. 모델이 결국에는 대중화될 수 있지만, 데이터 유형이 정보를 제공하고 궁극적으로 더 나은 결과를 이끌어낼 것이며, 이는 차별화될 것이라고 생각합니다.

우리는 8년 된 회사에서 인프라를 세 번이나 완전히 재구축해야 했습니다. 우리는 디지털 네이티브 회사였습니다. Generate에서 다섯 번째로 채용된 인원은 회사의 디지털 인프라를 구축하기 위한 생물정보학 전문가였습니다. 회사는 대형 언어 모델(LLM)이 출시되기 전에 설립되었습니다. 그러한 기술 혁신은 우리로 하여금 디지털 인프라를 재고하게 만들었습니다. 그리고 다시 한 번, 연초 무렵에 우리는 과학에 대한 완전히 다른 주체적 접근 방식이 미래가 될 것임을 인식하기 시작했습니다. 그래서 그 일부분은, 그리고 이것이 기존 기업과 달리 신생 기업의 장점이라고 생각합니다. 제가 머크에서 항상 어려움을 겪었던 이유 중 하나는 급격한 기술 변화의 순간에 깊이 뿌리내린 문화적 장벽이 있었기 때문입니다.

스타트업 환경에서는 그 분야에 진입하는 사람들에 대한 선택 편향이 있을 뿐만 아니라, 회사 자체가 이러한 디지털 지향성으로 설립되었습니다. 우리는 대기업들이 단순히 어려워하는 속도와 비율로 새로운 기술을 수용합니다. 마지막으로, 그리고 중요하게도, 인프라는 목적에 맞게 구축되었습니다. 대기업들이 지금 시도하는 것은 기존 인프라를 개조하는 것입니다. 마치 1800년대 빅토리아 양식의 오래된 집을 현대화하려는 것과 같습니다. 현실적으로는 때때로 처음부터 새로 짓는 것이 더 쉽습니다. 우리가 발견한 것은, 이러한 방식으로 생물학을 추구하는 데 필요한 디지털 인프라를 고려할 때, 이 신생 시기에 있는 것이 큰 이점이라는 점입니다.