버추얼 트윈: 생명과학 분야에서의 정의와 가치
생명과학 분야의 리더들은 수년 동안 적절한 해결책을 찾지 못한 채 동일한 문제들과 씨름해 왔습니다. '왜 여전히 신약 발견, 임상 개발, 그리고 제조 과정을 서로 분리된 세계로 취급하고 있는가?', '신약 발견을 가속화하고 임상 기간을 단축하려면 무엇이 필요한가?', '제조 전반에 걸친 비효율성을 어떻게 제거할 수 있는가?'와 같은 질문들입니다.
이제 이러한 질문들에 마침내 답을 내릴 수 있는 기술이 존재합니다. 특히 종양학(Oncology)과 희귀 질환 분야에서 그 효과가 두드러지고 있습니다.
종양학 및 희귀 질환 분야에서 직면한 문제
종양학과 희귀 질환, 특히 세포 및 유전자 치료제(CGT)의 경우, 개발 환경은 유독 가혹합니다.
- 적은 환자 수. 희귀 질환의 경우 전 세계적으로 적격 환자가 수백 명에 불과할 수도 있습니다. 스크리닝 방문 실패, 프로토콜 수정 또는 제조상의 편차는 인적·경제적으로 막대한 비용을 초래합니다.
- 극도로 복잡한 생물학. 개인 맞춤형 자가 치료나 유전자 치료, 종양의 복잡한 이질성을 다룰 때, 과학은 결코 단순한 접근을 용납하지 않습니다.
- 제조의 가변성. 대규모로 합성할 수 있는 저분자 화합물과 달리, CAR-T 세포 치료제는 단 한 명의 환자를 위해 제조됩니다. 이 과정은 매우 엄격하게 통제된 조건 하에서 매번 성공해야만 합니다.
전통적인 '시행착오(trial and error)' 방식의 개발(실험을 수행하고, 실패를 관찰하고, 조정하는 방식)은 이 분야에서 단순히 느린 것만이 아니라, 윤리적으로도 정당화하기 어렵습니다. 컴퓨터로 충분히 모델링할 수 있는 프로토콜을 최적화하기 위해 귀중한 희귀 질환 환자 자원을 소모할 수는 없기 때문입니다.
이것이 바로 버추얼 트윈(Virtual Twin) 기술이 해결하고자 하는 문제입니다.
버추얼 트윈이란 무엇인가?
버추얼 트윈은 단순한 3D 모델이나 대시보드가 아닙니다. 이는 분자, 환자군, 프로토콜(Protocol), 바이오액터(Bioreactor) 또는 공급망과 같은 실제 시스템을 동적이고 계산적으로 표현한 모델입니다. 물리적 세계에서 실제 상황이 벌어지기 전에 시뮬레이션하고, 스트레스 테스트를 거치며, 최적화할 수 있습니다. 이는 실제 데이터와 연결되어 지속적으로 진화하고 의사 결정에 정보를 제공하는 '살아있는 모델'입니다. 그리고 이러한 트윈들을 분자 단계부터 환자 단계까지 사슬처럼 연결하면 혁신적인 결과인 디지털 스레드(Digital Thread)를 얻게 됩니다. 이는 파편화된 데이터의 섬들을 하나의 통합된 개발 그림으로 바꿔 놓습니다.
버추얼 트윈이 판도를 바꾸는 세 가지 영역
1. 디스커버리 및 분자 설계(Discovery and Molecular Design)
신약 발견의 초기 단계에서는 엄청난 수의 후보 분자들이 탈락합니다. 많은 화합물이 실패하는 이유는 기본 생물학적 원리가 틀려서가 아니라, 안정성, 용해도, 전달력, 오프 타겟(off-target) 상호작용, 대사 또는 생리적 조건에서의 형태적 거동과 같은 핵심적인 물리적·화학적·생리적 특성을 실험 전에 신뢰성 있게 예측하기 어렵기 때문입니다. 역사적으로 이러한 불확실성을 해결하는 유일한 방법은 광범위한 합성 및 테스트 사이클을 반복하는 것뿐이었습니다. 이제 업계는 더 나은 해답을 찾고 있습니다.
머신러닝(AI/ML)을 포함한 계산 방법론은 수십 년간 신약 발견을 지원해 왔습니다. 최근 AI/ML은 대규모 생물학 및 화학 데이터셋을 분석하고 분자 활성 및 특성을 예측하는 능력을 확장했습니다. 이러한 모델은 데이터 기반으로 작동하며, 물리적 프로세스를 명시적으로 모델링하기보다는 대규모 데이터셋에서 통계적 관계를 학습합니다. 빠르고 확장 가능하지만, 메커니즘적으로 예측 결과를 해석하기 어렵고 학습된 데이터 범위를 벗어나면 일반화하기 어렵다는 통계적 한계가 있습니다.
반면, 분자 역학 시뮬레이션이나 양자 역학 방법론과 같은 물리 기반 모델은 반대의 접근 방식을 취합니다. 물리 및 화학 법칙을 사용하여 분자 거동을 명시적으로 시뮬레이션함으로써 분자가 어떻게 상호작용하고 움직이는지에 대한 진정한 메커니즘적 통찰력을 제공합니다. 다만 계산 비용이 많이 들어 탐구할 수 있는 시스템의 크기나 화학적 공간의 폭이 제한적이라는 단점이 있었습니다.
현대의 컴퓨터 기반 신약 개발의 주요 방향은 이 두 가지를 통합하는 것입니다. 머신러닝의 규모 및 패턴 인식 능력과 물리 기반 모델의 메커니즘적 기반을 결합하는 것입니다. 이 변화는 매우 빠르게 진행되고 있습니다.
종양학 및 희귀 질환 프로그램에서 분자 역학을 시뮬레이션하는 능력은 버추얼 트윈이 가치를 증명하는 지점입니다. 표적 단백질이 어떻게 움직이고 상호작용하는지 예측하는 데 과거에는 X선 결정학이나 초저온 전자현미경(cryo-EM)을 사용해 수개월의 실험이 필요했습니다. 이제 AlphaFold2와 같은 AI 기반 구조 예측 도구는 이를 단 몇 시간으로 압축했습니다.
하지만 구조 예측은 시작일 뿐입니다. 엔비디아 인프라를 기반으로 하는 바이오비아와 같은 플랫폼이 제공하는 가치는 AI가 생성한 구조를 분자 역학 시뮬레이션에 적용하는 능력에 있습니다. 구조적 상태 샘플링, 단백질 간 상호작용 연구, 제형 안정성 평가, 도킹(docking)을 통한 가상 스크리닝 등의 역량을 고가의 하드웨어 없이 클라우드 기반 SaaS 애플리케이션으로 사용할 수 있습니다.
이는 항체, 바이오 의약품 또는 CGT 벡터를 포함한 생물학적 제제에 특히 중요합니다. CGT를 위한 바이러스 벡터 설계는 매우 복잡한 분자 구조를 포함합니다. 벡터가 생리적 조건에서 어떻게 거동할지 모델링하고, 안정성을 예측하며, 합성 전에 잠재적인 면역원성 리스크를 식별하는 능력은 신약 개발 초기 단계의 타임라인을 압축하고 제조 단계의 리스크를 줄여줍니다.
환자수가 적고 자금은 한정적이며, 모든 개발 결정이 막대한 영향력을 가지는 희귀 질환 프로그램에서 이러한 기술은 계산상의 사치가 아닙니다. 이는 전략적 필수 요건이며, 이후의 모든 과정이 성립되기 위한 기초입니다.
2. 임상시험 설계 및 수행(Clinical Trial Design and Execution)
이 영역은 버추얼 트윈의 영향력이 가장 즉각적으로 나타나는 곳이며, 어쩌면 가장 과소평가된 분야이기도 합니다.
임상 설계는 여전히 상당 부분 경험과 직관에 의존하고 있습니다. 선정 및 제외 기준은 회의실에서 논의를 통해 결정되며, 질병 진행에 대한 가설은 실제 등록된 환자 군의 특성을 반영할 수도, 하지 못할 수도 있는 과거의 전례를 바탕으로 세워집니다. 예산 예측 또한 현실과 모델이 괴리되는 순간 무너져버리는 가설들 위에 구축됩니다. 그 결과는 무엇일까요? 바로 설계 변경(Amendments), 지연, 모집 실패, 그리고 눈덩이처럼 불어나는 비용입니다.
버추얼 트윈은 직관이 지배하던 영역에 계산(Computation)을 도입함으로써 이 모든 것을 바꿉니다. 특히 오차 범위가 매우 좁은 종양학 및 희귀 질환 분야에서 이러한 전환은 단순히 프로세스를 개선하는 수준을 넘어, 무엇이 가능한지에 대한 정의 자체를 바꿉니다.
다음은 개발 프로그램의 궤적을 바꿀 수 있는 버추얼 트윈의 구체적인 사례들입니다.
재무 시나리오 계획(Financial Scenario Planning)
재무 시나리오 계획은 예산 영역에 적용된 버추얼 트윈의 예시입니다. 임상 시험은 막대한 비용이 들지만, 이를 뒷받침하는 재무 계획은 누구도 스트레스 테스트를 거치지 않은 취약한 가설들 위에 세워지는 경우가 많습니다. 시나리오 및 가설 모델링을 통해 의뢰사는 임상 매개변수의 변화를 시뮬레이션하고 그에 따른 재무적 영향을 즉각적으로 확인할 수 있습니다. 예를 들어, 환자 등록이 예상보다 3개월 더 소요되거나 특정 국가의 기관 성과가 저조할 때 예산에 어떤 일이 벌어지는지 미리 파악하는 식입니다.
이는 단순한 재무적 기능을 넘어섭니다. 자본이 한정적인 세포 및 유전자 치료제(CGT)와 희귀 질환 프로그램의 경우, 설계를 확정하기 전 여러 시나리오를 통해 자금 할당을 최적화하고 결과를 예측하는 능력은 프로젝트의 완주 여부를 결정짓는 핵심 차이가 될 수 있습니다.
AI 기반 임상 설계(AI-powered Trial Design)
AI 기반 임상 설계는 버추얼 트윈의 개념을 환자에게 직접 적용합니다. 다양한 환자 하위 그룹별로 질병 진행 상황을 모델링함으로써, 후원사는 어떤 환자가 치료에 가장 잘 반응할지 혹은 부작용을 경험할지 예측할 수 있습니다. 종양 생물학이 매우 이질적이고 분자적 프로파일과 임상적 반응 사이의 관계가 복잡한 종양학 분야에서, 이는 매우 실질적인 시사점을 가집니다. 즉, 과거의 평균 데이터가 아닌 '예측된 반응'을 근거로 더 엄격한 선정 기준을 세우거나, 정밀한 계층화 및 적응형 용량 조절 전략을 수립할 수 있게 됩니다. 첫 번째 환자를 스크리닝하기 전에 소규모의 다양한 환자 군을 대상으로 유전자 개입 반응을 모델링할 수 있다는 점은 희귀 유전자 변이를 타겟으로 하는 CGT 프로그램에 특히 가치가 높습니다.
합성대조군(The Synthetic Control Arm, SCA)
합성대조군은 희귀 질환 및 종양학 임상에서 가장 해결하기 힘든 윤리적·운영적 난제인 '대조군 설정 문제'를 해결합니다. 전통적인 무작위 설계는 상당 비율의 환자(주로 1/3에서 1/2)가 위약이나 불충분한 표준 치료를 받아야 합니다. 미충족 의료 수요가 심각하고 환자군이 적은 질환에서 이러한 설계 제약은 윤리적 문제를 일으키고 환자 모집의 장벽이 됩니다. 합성대조군은 과거 임상 시험 데이터(예를 들어 메디데이터는 38,000건의 임상과 1,200만 명의 환자 데이터 저장소를 활용)를 바탕으로 외부 대조군을 구축하여 이를 해결합니다. 합성대조군은 성향 점수 모델링을 사용하여 실험군의 실제 환자와 기본 인구통계 및 질병 특성이 긴밀하게 일치하는 과거 환자를 매칭함으로써, 규제 기관이 인정하는 수준의 엄격한 비교군을 생성합니다.
전통적으로 무작위 대조 임상에 의존해왔던 적응증임에도 불구하고 FDA가 하이브리드 외부 대조군 설계를 수용한 메디세나(Medicenna)의 교모세포종 임상 3상 사례는 이 방식이 얼마나 발달했는지를 보여줍니다. SCA는 과학적 지름길이 아닙니다. 더 견고한 설계로 더 윤리적인 임상을 운영하여 환자에게 치료제를 더 빨리 전달하기 위한 매카니즘입니다.
프로토콜 옵티마이제이션(Protocol Optimization)
프로토콜 옵티마이제이션은 시나리오 모델링을 임상 운영 구조 그 자체로 가져옵니다. 엔드포인트 선정, 방문 일정, 혹은 선정/제외 기준과 같은 설계상의 결정들이 초래할 결과는 예측하기 매우 어렵습니다. 이제 의뢰사는 설계를 확정하기 전, 특정 선택이 환자와 시험 기관의 부담, 그리고 전체 임상 비용에 어떤 영향을 미칠지 미리 정량화할 수 있습니다. 이를 통해 과학적 엄격함과 운영상의 실현 가능성을 모두 뒷받침하는 최적의 구성을 찾아냅니다. 이 기능은 프로토콜 수정 한 번으로도 한정된 환자 군을 모두 소진해버릴 위험이 있는 희귀 질환 프로그램에서 핵심적인 리스크 관리 도구로 작용합니다.
스터디 피저빌리티와 퍼포먼스 어날리틱스(Study Feasibility and Performance Analytics)
이 분석 기능은 임상시험의 실제 운영 단계에 AI 예측 모델링을 적용합니다. 환자 등록 기간 시나리오, 국가 및 기관 선정 최적화, 조기 리스크 식별 등은 임상이 계획대로 진행될지 여부를 결정하는 핵심 레버입니다. 특정 기관 선정 전략에 착수하기 전 등록 궤적을 모델링하고 수행 중 실시간으로 경로를 수정할 수 있는 능력은 후원사와 환자 모두에게 매우 중요한 방식으로 타임라인을 단축시킵니다.
3. 제조 및 공정 최적화(Manufacturing and Process Optimization)
이 영역은 개인 맞춤형 의료 혁신이 생물학 및 물류의 현실과 정면으로 부딪히는 지점입니다.
자가 세포 치료제(환자 본인의 세포로 만드는 약)는 제약 역사상 가장 복잡한 제조 과제입니다. 이는 단순히 '배치(batch) 공정'을 돌리는 것이 아니라, 수천 개의 개별화된 공정을 동시에 운영하는 것과 같습니다.
버추얼 트윈은 제조 공정이 확정되기 전에 바이오액터(Bioreactor) 환경을 모델링하고, 클린룸 물류를 시뮬레이션하며, 공정의 변동성을 예측할 수 있습니다. 이는 GMP 시설에서 문제가 발생하기 전에 미리 실패 모드를 식별하고, 값비싼 습식 실험(Wet lab)의 반복 대신 계산을 통해 세포 배양 조건을 최적화하며, 단 한 명의 환자 세포가 처리되기 전에 자가 치료제의 스케일아웃(Scale-out) 공정이 견고한지 확인하는 것을 의미합니다.
임상 단계에서 상업화 단계로 확장하려는 종양학 제조사들에게는 공급망 모델링 또한 매우 중요해집니다. 백혈구 성분 채집(Leukapheresis)부터 환자 주입(Infusion)에 이르는 엔드투엔드(End-to-end) 공급망의 버추얼 트윈은 병목 현상을 파악하고, 용량 제약을 모델링하며, 실제 상황이었다면 값비싼 실패를 겪어야만 알 수 있었을 물류 시나리오들을 미리 스트레스 테스트해 볼 수 있습니다.
수치들은 제조 분야에서 버추얼 트윈이 제공하는 가치를 뒷받침합니다. 다쏘시스템에 따르면, GMP 환경에서 의약품 생산 라인을 설계하고 설치하는 데 드는 평균 시간은 10개월이며, 그중 20%는 필수 시운전(Commissioning) 활동에만 소요되고 시운전 시간의 60%는 소프트웨어 오류를 수정하는 데 사용됩니다. 물리적으로 존재하기 전에 전체 제조 시스템을 시뮬레이션하고 검증하는 가상 시운전(Virtual Commissioning)은 이 계산법을 획기적으로 바꿉니다. 시운전 시간 40% 단축, 전체 시장 출시 기간 15% 단축, 재설계 편차 80% 감소, 그리고 테스트 배치 손실 리스크 40% 감소라는 결과를 만들어냅니다. 배치의 실패가 단순한 경제적 손실을 넘어 환자가 치료 기회를 잃는 것을 의미하는 세포 및 유전자 치료제(CGT) 제조사들에게 이러한 리스크 감소는 단순한 운영 지표가 아니라 환자의 치료 결과 지표입니다.
제조 분야의 버추얼 트윈은 유연한 도입 모델로 제공됩니다. 직접 버추얼 트윈을 구축하여 제어권을 갖고자 하는 조직도 있고, 구축 부담 없이 결과만을 원하는 조직(서비스형 버추얼 트윈, Virtual Twin as a Service)도 있습니다. 두 경로 모두 엔지니어링 타임라인 단축, 현장 테스트 감소, 빠른 시운전으로 이어지지만, 서비스형 버추얼 트윈은 가치 창출을 위한 가장 빠른 지름길입니다.
디지털 스레드(Digital Thread): 왜 연결이 중요한가
위의 세 가지 기둥(신약 발견, 임상, 제조)은 각각 개별적으로도 가치가 있지만, 진정한 기회는 이들이 어떻게 연결되느냐에 있습니다.
데이터가 분자에서 환자까지 자동으로 흐르는 완전히 매끄러운 '디지털 스레드'는 여전히 많은 조직이 바라는 것입니다. 하지만 바라는 것과 토대 사이에는 의미 있는 차이가 있습니다. 신약 발견, 임상, 제조 전반의 도구들이 공유 플랫폼 위에서 상호 운용되도록 설계되었을 때, 디지털 스레드를 위한 토대가 마련됩니다. 이는 단절된 개별 솔루션들을 모아 놓고 서로 소통하기를 바라는 것과는 근본적으로 다른 시작점입니다.
버추얼 트윈 기술의 휴먼 임팩트
이러한 혁신은 단순히 추상적인 개념이 아닙니다. 이는 다음과 같은 실질적인 차이를 만들어냅니다:
- 희귀 유전 질환을 가진 아이가 효과적인 치료제를 받는 것과 받지 못하는 것의 차이
- CAR-T 환자가 제조 공정 실패로 병상에서 기다리는 대신, 제시간에 세포를 투여받는 것의 차이
- 설계 결함으로 환자 데이터를 낭비하고 세 번의 프로토콜 수정을 거치는 임상 대신, 깨끗한 데이터를 생성하는 종양학 임상의 차이
그리고 수치가 이를 증명합니다. 메디데이터의 플랫폼은 2025년 FDA 신약 승인 건수의 80%를 지원했으며, 여기에는 희귀 의약품(Orphan drug) 승인의 80%와 혁신 치료제(Breakthrough therapy) 지정의 85%가 포함됩니다. 종양학, 혈액학, 면역학 등 우선순위가 높은 치료 영역에서 승인 지원율은 95%를 상회했습니다. 이는 단순한 시장 점유율 수치가 아닙니다. 이해관계가 가장 첨예하고 중요한 순간에 업계가 어디에 신뢰를 두었는지를 반영하는 결과입니다.
버추얼 트윈 기술은 생물학적 가능성과 환자에게 전달되는 실질적 치료 사이의 간극을 메우기 위해 우리가 현재 보유한 가장 강력한 도구 중 하나입니다. 이것이 바로 우리가 이 기술에 대해 더 크고 지속적으로 목소리를 높여야 하는 이유입니다.
Contact Us
