Agentic AI 기반 신약 개발 워크플로 자동화 성공 사례

신약 개발의 병목 현상 및 SK바이오팜의 도전

신약 개발은 평균 10-15년, 수십억 달러의 비용이 소요되며 성공률이 10% 미만인 복잡하고 위험한 과정입니다.
특히 Lead Optimization 단계에서 연구자들은 PubChem, ChEMBL, PubMed 등 여러 데이터베이스를 수동으로 탐색하며 며칠에서 몇 주를 소요하고, 파편화된 정보로 인해 통합적인 의사결정이 어렵습니다.
SK바이오팜 참가팀은 이러한 비효율성을 해결하기 위해 Agentic AI를 활용한 후보물질 탐색 및 의사결정 자동화 방안을 AWS 해커톤에서 모색했습니다.

Strands Agents 프레임워크와 Amazon Q Developer CLI를 활용하여 AI 비전문가인 연구원들도 신속하게 AI 에이전트를 구축할 수 있는 환경을 조성했습니다.
1단계: 분자 특징 예측: 연구자가 SMILES Code를 입력하면, Amazon SageMaker에 배포된 TxGemma(2B) 모델이 ADMET, 물리화학적 특성, 단백질-리간드 상호작용 등 22가지 분자 특징을 예측합니다.
2단계: Multi-Agent 협업 시스템: TxGemma 예측 결과를 기반으로 3개의 전문 AI 에이전트가 심층 분석을 수행합니다.
- Walter White: PubChem, ChEMBL 기반 화학 데이터 및 SAR 분석.
- Dr. Gregory House: PubMed 기반 약동학(PK)/약력학(PD), 안전성, 독성 예측.
- Harvey Specter: ClinicalTrials.gov 기반 임상 개발 및 규제 전략 분석.
이 Multi-Agent 패턴은 질문 기반 동적 에이전트 소집을 통해 통합적이고 다차원적인 인사이트를 제공하며, Strands Agents SDK로 오케스트레이션됩니다.

AI 전문가 종합 분석: 3명의 에이전트(Walter White, Dr. House, Harvey Specter)가 협업하여 후보물질을 다각도로 평가하고, Executive Decision Analysis 형태의 통합 리포트를 생성합니다.
스마트 컨설팅: Amazon Bedrock의 Claude Sonnet 4.5 기반 AI CEO가 자연어 질문의 의도를 분석하여 필요한 전문가 에이전트를 동적으로 선택하고, 각 전문가의 분석 결과를 종합하여 답변합니다.
이 솔루션을 통해 기존 1주일(40시간)이 소요되던 후보 물질 평가 과정을 1시간 이내로 단축할 수 있음을 입증했으며, AI가 연구자의 능동적인 파트너로서 기능할 수 있음을 확인했습니다.