신약 한 건의 평균 개발 비용이 1조원을 넘고 임상 진입 후보물질의 90% 이상이 중도 탈락하는 산업에서, 후보물질 발굴 단계의 효율은 곧 R&D 자본 회수율과 직결된다. LG화학이 AI 생태계를 구축하고 랩-지니어스와 신약물질 공동연구에 나선 것은 단순 기술 도입이 아니라, 막대한 연구개발비를 쓰면서도 임상 성공률이 낮았던 전통 제약 모델의 구조적 약점을 데이터로 메우려는 시도로 읽힌다. 이 흐름이 자리잡으면 신약 파이프라인을 보유한 국내 제약사 전반의 R&D 생산성과 밸류에이션 잣대가 함께 움직일 수 있다.
3줄 브리핑
- LG화학이 AI 생태계를 구축하고 신약 후보물질 발굴에 본격 착수했다.
- AI 기업 랩-지니어스와 공동연구 체계를 꾸려 발굴 단계의 효율을 노린다.
- 국내 제약바이오의 AI 신약개발 경쟁이 대형사 중심으로 가속되는 신호다.
무엇이 달라지나
전통적 신약개발은 수만 개 화합물을 실험실에서 일일이 검증하며 유효 후보를 좁혀가는 방식이라 시간과 비용이 선형적으로 늘어난다. AI를 활용한 발굴은 단백질 구조 예측과 분자 설계, 독성·약효 사전 시뮬레이션을 통해 합성·실험 대상 자체를 줄여, 후보물질 도출 기간을 단축하고 초기 실패 비용을 앞단에서 걸러내는 데 목적이 있다.
LG화학이 자체 역량에만 의존하지 않고 AI 전문기업과 손잡은 점이 핵심이다. 제약사는 방대한 임상·실험 데이터와 질환 도메인 지식을 갖고 있지만 모델링 인프라는 부족하고, AI 기업은 알고리즘은 강하나 검증용 데이터가 부족하다. 양측의 결합은 데이터와 알고리즘의 상호 보완 구조를 만들어 단독 개발보다 학습 효율을 높일 수 있다.
숫자와 맥락으로 보기
다만 이번 발표는 공동연구 착수 단계로, 구체적인 투자 규모나 목표 적응증, 후보물질 도출 일정 같은 정량 지표는 공개되지 않았다. AI 신약은 발굴 단계 효율화가 곧바로 임상 성공으로 이어지지 않으며, 전임상부터 임상 3상까지의 검증 과정은 여전히 수년이 소요된다. 따라서 현 시점의 의미는 실적 기여보다 R&D 방향성 전환에 가깝다는 점을 분리해 볼 필요가 있다.
수혜·피해 종목
- LG화학: 신약 사업을 담당하는 생명과학 부문의 후보물질 발굴 효율이 개선되면 장기 R&D 비용 부담 완화와 파이프라인 가치 재평가로 이어질 여지가 있다.
- 한미약품·유한양행: 자체 신약 파이프라인과 기술수출 이력을 보유해, AI 발굴 도입 시 R&D 생산성 제고 기대가 큰 대형 제약사다.
- SK바이오팜: 중추신경계 신약 등 자체 개발 역량 보유사로, AI 기반 발굴 확산의 직접 수혜 후보다.
- 대웅제약: 신약 개발 비중이 높아 발굴 단계 효율화가 파이프라인 확장 속도에 영향을 줄 수 있다.
