신약 개발은 이제 세포의 ‘위치’를 보기 시작했다

AI 기반 신약 개발을 이야기할 때 우리는 보통 단백질 구조 예측, 후보 물질 탐색, 거대한 AI 모델을 먼저 떠올립니다. 하지만 실제 질병과 치료 반응을 이해하는 데에는 또 하나의 중요한 질문이 있습니다. 세포가 무엇인지뿐 아니라, 그 세포가 조직 안에서 어디에 있는가입니다.

서울대학교병원에서 폐암과 식도암을 수술하는 흉부외과 의사이자, 포트레이의 공동창업자 나권중 교수님의 발표를 바탕으로 공간생물학, 공간 전사체 데이터, AI for Science, 신약 개발, 바이오 데이터 폭발과 인프라 병목을 정리했습니다.

2026년 7월 2일에 진행된 AI for Science/Engineering 2026 모두팝 행사 이미지. 나권중 연사.

내용 및 이미지 출처 : 나권중 연사님 발표

1. 전사체란 무엇인가: DNA와 단백질 사이의 작동 기록

공간생물학을 이해하려면 먼저 전사체라는 개념을 알아야 합니다. 전사체는 세포가 어떤 유전자를 실제로 사용하고 있는지를 보여주는 데이터입니다. 모든 세포는 유사한 DNA를 가지고 있어도 서로 다른 기능을 수행합니다. 피부 세포, 폐 세포, 암세포가 다른 이유는 사용되는 유전자가 다르기 때문이며, 이를 분석하는 것이 전사체 분석입니다.전사체는 질병 원인, 치료 타겟, 환자 상태, 치료 반응 예측에 활용될 수 있습니다. 신약 개발에서 전사체 데이터가 중요한 이유도 여기에 있다. 질병을 만드는 생물학적 상태를 더 세밀하게 읽을 수 있기 때문입니다.

2. 전사체 분석의 3단계: 벌크, 단일 세포, 공간 전사체

벌크 RNA 시퀀싱은 조직을 갈아서 평균값을 내기 때문에 어떤 정보가 어떤 세포에서 왔는지 알기 어렵습니다. 단일 세포 RNA 시퀀싱은 세포 하나하나의 특성을 볼 수 있지만, 원래 조직 안에서의 위치 관계는 잃어버립니다. 공간 전사체는 전사체 정보에 공간 정보를 더합니다.

[ 전사체 분석 기술의 흐름 3단계 ]

1세대: 벌크 RNA 시퀀싱

벌크 RNA 시퀀싱은 조직을 통째로 갈아서 평균값을 보는 방식입니다. 조직 안에는 암세포, 정상 세포, 면역 세포, 섬유아세포 등 다양한 세포가 섞여 있지만, 벌크 분석에서는 이 모든 정보를 하나의 평균값으로 봅니다. 이 방식은 여전히 유용하지만 한계가 있습니다. 어떤 신호가 어떤 세포에서 왔는지 알기 어렵고, 세포들이 조직 안에서 어떤 위치 관계를 갖고 있는지도 알 수 없습니다.

2세대: 단일 세포 RNA 시퀀싱

단일 세포 RNA 시퀀싱은 세포 하나하나를 분리해 각각의 전사체 정보를 얻는 방식입니다. 이 기술이 등장하면서 암세포, 면역 세포, 섬유아세포 등 세포별 특성을 훨씬 정밀하게 볼 수 있게 됐습니다. 하지만 이 방식에도 한계가 있습니다. 세포를 하나하나 분리하는 과정에서 원래 조직 안에서의 위치 정보가 사라집니다. 공간적 관계를 보여줄 순 없습니다. 어떤 세포가 어떤 세포 옆에 있었는지, 암 조직 안쪽에 있었는지 바깥쪽에 있었는지 알기 어렵습니다.

3세대: 공간 전사체

공간 전사체는 조직의 형태와 위치 정보를 보존한 채, 각 위치에서 어떤 유전자가 발현되는지를 측정하는 기술입니다. 즉 조직을 갈아버리지 않고, 세포가 원래 있던 지도 위에서 유전자 발현 정보를 읽습니다.

발표에서는 이를 '과일'에 비유했습니다.

- 벌크 분석은 과일을 모두 갈아 평균 맛을 보는 것

- 단일 세포 분석은 과일 하나하나의 종류를 아는 것

- 공간 전사체는 각 과일이 어디에 놓여 있는지까지 아는 것

이 ‘위치’ 정보가 생물학과 신약 개발에서 점점 더 중요해지고 있습니다.

3. 왜 공간 정보가 중요한가: 세포는 위치와 관계 속에서 작동한다

세포는 혼자 일하지 않습니다. 세포는 주변 세포와 상호작용하고, 혈관과의 거리, 면역 세포와의 위치, 암세포와의 접촉 여부에 따라 전혀 다른 기능을 보입니다. 암과 같은 질병은 세포 목록만으로 이해하기 어렵고, 세포들이 어디에 있으며 서로 어떤 관계를 맺는지 봐야 합니다.

면역항암제 사례에서 중요한 것은 면역 세포가 존재하는지뿐 아니라, 면역 세포가 암세포 안으로 침투했는지, 암 주변에만 머무는지입니다. 같은 수의 면역 세포가 있어도 공간 배치에 따라 치료 반응은 달라질 수 있습니다. 단일 세포 분석으로는 면역 세포가 있다는 사실은 알 수 있지만, 그 면역 세포가 어디에 있었는지는 알기 어렵습니다.공간 전사체는 바로 이 차이를 볼 수 있게 해줍니다.질병은 세포 목록이 아니라, 세포들의 관계와 배치 속에서 이해되어야 합니다.

4. 차세대 항암제와 공간 정보: ADC, RPT, T-cell engager

ADC, 방사성 리간드 치료제, T-cell engager 같은 차세대 항암제 개발에서도 공간 정보는 중요한 변수입니다.

ADC: 항체-약물 접합체

ADC는 항체에 약물을 붙여 암세포로 보내는 방식이며, 약물이 혈관을 통해 암까지 도달하고 암세포 안으로 들어가야 효과가 납니다. 이때 타겟이 어디에 있는지, 혈관과 얼마나 가까운지, 암 전체에 고르게 분포하는지가 중요합니다.

RPT: 방사성 리간드 치료

RPT는 방사성 물질을 특정 타겟에 전달해 암세포를 공격하는 방식입니다. 이 경우에도 방사성 물질이 얼마나 퍼질지, 타겟이 어디에 있는지, 혈관과의 거리가 어떤지가 중요합니다.

T-cell engager

T-cell engager는 암세포와 면역 세포를 가까이 붙여 면역 반응을 유도하는 방식입니다. 이 약이 잘 작동하려면 암세포와 면역 세포가 공간적으로 어떤 관계를 갖고 있는지가 중요합니다. 결국 차세대 신약 개발은 단순히 “이 타겟이 발현되는가?”에서 끝나지 않습니다. 이제는 “그 타겟이 조직 지도에서 어디에 있는가?”를 함께 봐야 합니다.

5. 포트레이의 접근: 공간 전사체 지도로 신약 개발을 시뮬레이션하다

포트레이는 암 조직과 정상 조직의 공간 전사체 데이터를 모으고, 여기에 환자의 임상 정보를 결합해 신약 타겟을 발굴하고 약물 효과를 시뮬레이션하는 방향으로 연구와 개발을 진행하고 있습니다. 예를 들어 특정 암 조직 지도 위에 HER2 같은 타겟의 발현 위치를 표시하고, 여기에 다른 후보 타겟을 조합해 어떤 조합이 암 영역을 가장 잘 커버할 수 있는지 분석할 수 있습니다. 또한 공간 전사체 지도를 기반으로 약물이 조직 안에서 어떻게 퍼질지 시뮬레이션할 수도 있습니다. 약물이 혈관을 타고 암 조직에 도달하고, 혈관 밖으로 빠져나와 암세포에 결합하고, 암세포 안으로 들어가고, 그 안에서 약물 payload를 방출하는 과정을 수식화하면 특정 약물이 특정 암종에서 얼마나 효과적으로 작동할지를 미리 탐색할 수 있습니다.

이 접근은 신약 개발의 질문을 바꿉니다. 기존 질문이 “이 약물이 이 타겟에 붙는가?”였다면, 공간생물학 기반 접근은 이렇게 묻습니다. 이 약물이 실제 조직 안에서 어디까지 도달하고, 어떤 세포를 얼마나 커버하며, 어떤 환자군에서 더 잘 작동할 것인가?

6. AI 신약 개발의 병목은 데이터와 인프라로 이동하고 있다

신약 개발은 오래 걸리고, 돈이 많이 들며, 성공 확률이 낮습니다. 그래서 많은 회사들이 AI와 데이터를 통해 시간을 줄이고 성공률을 높이려 합니다. 성공적인 약의 수를 늘리는 방향을 두 가지로 설명했습니다.

1. 모수를 키운다

더 많은 환자 데이터, 더 많은 실험 데이터, 더 많은 멀티모달 데이터를 확보합니다.

2. 확률을 높인다

AI 모델의 정확도와 예측력을 높여 더 가능성 높은 후보를 고릅니다.

문제는 데이터가 폭발적으로 늘어나고 있다는 점입니다.

벌크 RNA 시퀀싱 데이터는 상대적으로 작아서 개인 노트북에서도 분석이 가능했습니다. 하지만 단일 세포 데이터로 넘어가면서 데이터 크기가 커졌고, 공간 전사체 데이터는 여기에 이미지, 좌표, 유전자 발현, 세포 타입, 임상 정보까지 결합되면서 훨씬 복잡해졌습니다. 이제 병원이나 연구소에서 좋은 데이터를 얻는 것만으로는 충분하지 않다. 그 데이터를 저장하고, 이동하고, 처리하고, 분석하고, 모델에 연결할 수 있는 인프라가 필요합니다.

7. 데이터 폭발: 공간생물학은 인프라 문제를 만든다

공간 전사체 기술의 해상도와 측정 범위가 높아지면서 바이오 데이터의 크기와 복잡도가 빠르게 증가하고 있습니다. 벌크 RNA 데이터는 랩탑에서도 분석 가능했지만, 단일 세포 데이터부터는 스토리지와 메모리 요구량이 커졌습니다. 공간 전사체는 여기에 이미지, 좌표, 세포 타입, 유전자 발현, 임상 정보까지 결합되며 훨씬 더 복잡한 데이터가 됩니다. 발표에서는 3.1페타바이트 규모의 단일 세포 데이터 사례와, 최신 공간 전사체 플랫폼에서 샘플 몇 개만으로도 수백 GB 메모리 요구가 발생하는 사례가 언급되었습니다.

공간 전사체는 여기에 전사체, 세포 좌표, 주변 세포 관계, 임상 정보를 모두 더합니다. 즉 공간생물학 시대의 데이터는 단순히 큰 데이터가 아니라, 크고 복잡한 멀티모달 데이터입니다.

8. 메모리 월과 새로운 인프라: CXL, DPU, NPU/MPU의 가능성

데이터가 커지면 GPU만 좋아진다고 문제가 해결되지는 않습니다. 발표에서는 이 문제를 메모리 월이라는 개념으로 설명했습니다.아무리 비싼 GPU가 있어도, 데이터를 스토리지에서 불러오고 메모리에 올리고 GPU로 전달하는 과정에서 병목이 생기면 전체 분석 속도는 느려집니다. 특히 공간 전사체처럼 수많은 세포, 수만 개 유전자, 좌표와 이미지 정보가 결합된 데이터에서는 RAM, VRAM, 스토리지 I/O가 모두 병목이 될 수 있습니다.

공간 전사체 데이터의 병목을 해결하려면 GPU만이 아니라 메모리, 데이터 이동, 전처리, 추론 인프라까지 함께 설계해야 합니다. 대규모 공간 전사체 데이터 분석에서 RAM과 VRAM 부족, 데이터 이동 병목, 메모리 월 문제가 나타난다고 설명했습니다. 해결 방향으로 CXL 메모리, DPU 기반 전처리, NPU/MPU 기반 추론 및 현장 적용 가능성을 제시했습니다.

CXL 메모리

서버마다 고립되어 있는 메모리를 더 유연하게 풀링하고, 필요한 곳에 메모리를 배분하는 방식이입니다. 대규모 생물학 데이터 분석에서 메모리 부족 문제를 완화할 수 있는 가능성이 있습니다.

DPU

CPU와 GPU가 모든 전처리와 데이터 이동을 담당하지 않도록, 데이터 처리의 일부를 DPU가 맡게 하는 접근이다. 대용량 데이터 파이프라인에서 CPU/GPU가 연산에 더 집중할 수 있게 만든다.

NPU/MPU

대규모 데이터를 학습하는 단계에서는 GPU가 중요하지만, 실제 임상 현장이나 신약 개발 워크플로에서 모델을 빠르게 추론하고 적용하는 단계에서는 NPU/MPU 같은 전용 가속기의 역할이 커질 수 있습니다.

9. 데이터 분석의 장벽을 낮추는 도구들

포트레이가 개발 중인 공간 전사체 분석 도구와 에이전트형 워크플로도 소개됐습니다. 공간 전사체 데이터를 다루려면 원래는 바이오인포매틱스 지식, 프로그래밍 역량, 대용량 데이터 처리 경험이 필요합니다. 오류 하나를 해결하는 데 하루가 걸릴 수도 있고, 분석 환경을 구축하는 것 자체가 큰 장벽이 될 수 있습니다. 하지만 발표에서 소개된 도구들은 이 장벽을 낮추려는 방향을 보여줍니다.

- 대용량 공간 전사체 이미지를 웹에서 빠르게 탐색합니다.

- 조직 내 세포 타입을 자동으로 분류합니다.

- 원하는 샘플과 그룹을 선택해 비교 분석합니다.

- 유전자 발현 차이와 스코어를 시각화합니다.

- 특정 환자군이나 조건에 맞는 데이터를 골라 통합 분석합니다.

- 자연어로 약물 시뮬레이션을 요청하고 리포트를 받습니다.

이 흐름은 AI for Science가 연구자의 일을 대체한다기보다, 연구자가 데이터를 더 쉽게 다룰 수 있도록 인터페이스를 바꾸는 방향으로도 발전하고 있음을 보여줍니다. 앞으로는 임상의, 생물학자, 신약 개발자가 복잡한 코드를 직접 모두 작성하지 않아도, 데이터와 질문을 연결할 수 있는 도구가 더 중요해질 가능성이 큽니다.

마무리: 공간생물학은 질병을 ‘지도’로 이해하게 만든다

이번 세미나는 공간생물학이 왜 AI for Science의 중요한 축이 되고 있는지를 보여줬습니다.

질병은 단순히 어떤 유전자가 켜지고 꺼지는 문제만이 아닙니다. 세포들이 어디에 있고, 누구와 가까이 있으며, 어떤 구조 안에서 상호작용하는지가 중요합니다. 공간 전사체는 이 복잡한 생물학적 관계를 지도처럼 펼쳐 보여준다. 그리고 이 지도는 신약 개발의 질문을 바꿉니다.

약물이 무엇에 붙는가를 넘어, 약물이 어디까지 도달하는가.

어떤 세포를 만나고, 어떤 조직 환경에서 작동하며, 어떤 환자에게 더 잘 맞을 수 있는가를 묻게 만듭니다.

동시에 이 변화는 거대한 데이터와 인프라의 문제를 동반합니다. 좋은 생물학 데이터가 많아질수록, 이를 다룰 수 있는 스토리지, 메모리, 연산, 가속기, 분석 도구의 중요성도 커집니다. 결국 공간생물학 시대의 AI for Science는 바이오만의 문제가 아닙니다. 의학, 생물학, AI, 데이터 엔지니어링, 반도체 인프라가 함께 만나는 영역입니다. 앞으로의 신약 개발은 세포를 하나씩 보는 것을 넘어, 세포들이 만들어내는 공간의 지도를 읽는 일에 가까워질지도 모릅니다. 그리고 그 지도를 읽는 힘이 더 좋은 약, 더 정밀한 치료, 더 빠른 연구의 출발점이 될 것입니다.

[ 세미나 다시보기 ]