배경 및 맥락
신약 discovery에서 AI는 단백질 구조를 예측하는 보조 도구를 넘어, 원하는 기능과 제약을 가진 분자를 처음부터 제안하는 설계 계층으로 이동하고 있다. 그러나 실제 가치가 생기는 지점은 모델의 benchmark가 아니라, 후보 발굴부터 antibody engineering·assay·developability 평가까지 이어지는 실험 운영 흐름에 모델이 들어갈 때다.
argenx는 면역학과 antibody engineering 역량을 가진 바이오텍이고, Chai Discovery는 분자 간 상호작용을 예측·재프로그래밍하는 generative AI 설계 도구를 만든다. 이번 협업은 각자의 강점을 분리한 채 모델을 단순 구매하는 것이 아니라, 기존의 치료 표적 discovery loop에 AI 설계 레이어를 연결하는 형태다.
핵심 내용
7월 15일 발표에 따르면 argenx는 Chai의 플랫폼에 조기 접근해 therapeutic target을 위한 de novo antibody discovery에 적용한다. Chai는 자사 모델이 생화학 분자의 구조와 기능을 바탕으로 특정 기능적 성질을 가진 biomolecule을 생성하도록 설계됐다고 설명했다.
Chai가 공개한 수치 중 주목할 부분은 Chai-2의 zero-shot antibody design 실험 hit rate가 두 자릿수였다는 점이다. 회사는 이를 이전 계산적 접근보다 100배 개선이라고 주장한다. 후속 Chai-3는 therapeutic binding, hard-to-drug target, multispecific design, developability, generalization을 개선한 모델로 소개됐다. 이 지표들은 생성 후보가 실제 개발 파이프라인을 통과할 가능성과 직결된다.
경쟁 구도 / 비교
전통적인 computational drug discovery는 대규모 라이브러리를 screening하고 후속 최적화를 반복하는 흐름에 가깝다. 반면 de novo design은 표적 결합, 선택성, 제조·안정성 같은 제약을 처음부터 후보 생성에 넣어 탐색 공간을 줄이는 접근이다.
다만 in-silico affinity나 구조 적합성만 좋아도 개발 성공을 보장하지는 않는다. 항체 설계 플랫폼의 경쟁은 모델 규모가 아니라 표적별 실험 데이터의 feedback latency, assay 설계, IP·데이터 경계, 그리고 후보의 developability까지 포함하는 closed loop에서 난다.
의미
frontier AI가 과학 분야에서 가치를 증명하려면 “모델이 맞혔다”가 아니라 “실험실의 다음 의사결정이 더 빨라지고 더 좋아졌다”는 운영 지표가 필요하다. 이번 협업은 AI 신약 설계가 연구 발표 단계에서 domain-expert workflow의 공동 운영 단계로 넘어가는 신호다.
도입 조직은 target class별 hit-to-lead 전환율, 실험 반복 횟수, false positive, 개발가능성 탈락률을 사전에 baseline으로 잡아야 한다. 설계 입력·모델 버전·실험 결과·최종 후보 제외 사유를 연결해 기록하면, 모델 개선과 과학적 재현성, 이후의 규제 질의에 모두 재사용할 수 있다.