슈뢰딩거 Morgan Stanley 24th Annual Global Healthcare Conference

초대해 주셔서 감사합니다, 크레이그.

네. 과학적인 측면에서요, 맞죠?

맞습니다. 플랫폼 측면에서요.

네, 네. 말씀하신 대로 저희는 사실 1990년부터, 그러니까 36년 동안 분자 설계를 위한 계산 플랫폼을 발전시켜 왔습니다. 분자를 설계하고 분자의 특성을 예측하는 플랫폼입니다.

가장 큰 진전 중 하나는, 분자들이 자신들이 놓여 있는 극도로 복잡한 환경에서 실제로 무엇을 하고 있는지를 정확하게 시뮬레이션할 수 있게 해주는 방법론을 개발한 것입니다. 예를 들어 약물 분자는 물 속에 존재합니다. 물은 생각보다 상당히 정교하고, 물과 소분자 간 상호작용은 복잡합니다. 그리고 소분자가 단백질에 결합할 때는, 물론 그 과정이 매우 복잡하고 고도의 동적 특성을 띱니다.

저희는 단백질의 구조를 이해하고, 물 속에서의 단백질 구조를 이해하며, 분자들이 단백질에 어떻게 결합하고 그 과정에서 어떤 일이 일어나는지 이해하기 위한 다양한 기술들을 개발해 왔습니다. 그 결과로, 분자가 단백질에 얼마나 강하게 결합하는지, 분자의 용해도가 어떤지, 투과성이 어떤지와 같은 매우 복잡한 특성들을 예측할 수 있게 되었습니다. 이런 특성들은 신약 개발에 매우 중요한 요소입니다. 약물 분자는 효능이 높고 선택적이어야 하며, 용해도와 투과성 등도 갖춰야 합니다. 분자의 특성을 1원리 물리(퍼스트 프린서플스)로 정확하게 예측하고, 본질적으로 실험을 모사할 수 있게 해주는 방대한 기술이 그 바탕에 있습니다. 그 결과를 가능하게 하는 기저 물리까지 들어가는 것은 아마 시간 대비 효율이 좋지 않을 것 같지만, 지금 말씀드린 내용이 전반적인 그림을 이해하시는 데 도움이 되었으면 합니다.

자, 그러면 그 이후로 이런 코어 엔진, 즉 물리 엔진을 갖추고 나면 이를 어떻게 증폭시키느냐가 관건입니다. 그리고 이런 종류의 기술을 고객에게 어떻게 전달하느냐도요. 첫째는 방대한 데이터를 관리할 수 있어야 한다는 점입니다. 그러니까 수조 개에 가까운 분자까지, 엄청난 규모로 이런 물리 계산을 돌리려면 이 모든 데이터를 저장하고 분석할 수 있는 매우 견고한 엔터프라이즈 시스템이 필요합니다. 저희는 그 모든 데이터를 관리하기 위해 엔지니어링 측면에서 상당히 좋은 작업을 해왔습니다. 또 다른 점은 이런 물리 기반 계산이 계산 비용이 크다는 것입니다. 하지만 앞서 말씀드렸듯이, 아마도 수조 개의 분자를, 적어도 수천억 개에서 수조 개 규모의 분자를 탐색할 수 있어야 합니다. 물리만으로는 그걸 할 수 없습니다.

저희는 물리에 기반해 학습된 머신러닝과 AI 방법을 개발하는 데 상당한 노력을 투입했고, 이를 통해 물리를 증폭시켜 방대한 화학 공간을 탐색할 수 있는 규모로 확장했습니다. 그것도 플랫폼의 또 하나의 매우 중요한 축입니다. 제 생각에는 지금이 핵심적인, 그리고- 일종의 돌파구들을 짚고 있는 단계이고, 앞으로 할 일이 훨씬 더 많습니다.

계속하시죠, 팻. 말씀드리자면, 그리고 물론 오늘 우리가 어디에 와 있는지와 다음 단계에 대해서도 말씀해 주셨고요.

저희가 자부심을 갖는 부분은 5년 뒤 컴퓨터가 무엇을 할 수 있을지 생각하고, 그걸 위해 지금부터 어떻게 작업을 시작할지 고민한다는 점입니다. 저희가 사실상 첫 번째 에이전트를 3~4년 전에 개발하기 시작했을 때는 제대로 작동하지 않았지만, 계속 만들고 개선해 왔고, 마침내 LLM과 에이전트가 지금의 수준에 도달하자 이전에는 상상할 수 없던 규모로 이 모든 워크플로를 수행할 수 있는 저희의 새로운 에이전트인 번슨(Bunsen)을 구축했습니다. 저희는 그 흐름을 선제적으로 앞서갔습니다.

기술이 따라와 주었을 때 저희가 실행할 수 있도록 수년에 걸쳐 준비해 왔습니다. 과거에도 GPU를 물리에 적용했을 때, 그리고 대규모 클라우드를 활용해 물리 계산을 더 큰 규모로 실행했을 때도 그렇게 해왔습니다. 저희는 과학 분야에서의 차세대 기술을 정말 기대하고 있습니다.