임상시험 실패율 90%의 장벽을 깨는 200페타바이트: 페이소스 AI가 빅파마의 30억 달러 가치 평가를 끌어낸 비결

30억 달러 몸값의 신약 개발 스타트업: BMS는 왜 페이소스 AI에 거액을 베팅했는가

신약 개발은 전통적으로 막대한 자본과 긴 시간을 집어삼키는 확률 게임에 가까웠다. 후보 물질 수천 개를 일일이 합성해 실험실에서 시험관을 흔들고, 동물 실험을 거쳐 사람을 대상으로 임상시험을 진행하지만, 실제로 약국 진열대나 병원 처방전에 이름을 올리는 약물은 전체의 10% 미만에 불과하다. 10년이 넘는 세월과 평균 20억 달러가 넘는 천문학적인 돈을 쏟아붓고도 임상 2상이나 3상 단계에서 환자 반응률이 떨어져 파이프라인 전체를 폐기하는 일이 제약 업계에서는 일상적인 악몽이었다.

이러한 신약 개발의 비효율성을 정면으로 겨냥한 AI 신약 개발 스타트업 페이소스 AI(Pathos AI Inc.)가 브리스톨 마이어스 스큅(BMS)의 주도로 2억 3,700만 달러(한화 약 3,200억 원) 규모의 시리즈 E 투자 라운드를 성공적으로 마무리했다. 이번 투자 유치로 인정받은 페이소스의 기업 가치는 단숨에 30억 달러(한화 약 4조 1,000억 원)에 도달했다. 기존 투자자인 아스트라제네카(AstraZeneca), NEA, 제너럴 아틀란틱(General Atlantic)에 이어 글로벌 제약 거인 BMS가 전면에 나섰다는 점은 시장의 시선이 단순한 AI 알고리즘 기술 검증을 넘어 실제 임상 파이프라인을 구동하는 운영 능력으로 이동했음을 보여준다.

페이소스가 내세운 핵심 경쟁력은 ‘파운드리(Foundry)‘라는 AI 플랫폼이다. 파운드리는 약 200페타바이트(PB)에 달하는 방대한 암 관련 임상·유전체 데이터를 학습했다. 이 규모는 국립중앙도서관 수백 개 분량의 의학 학술지와 환자 기록을 집대성한 것과 맞먹는다. 플랫폼은 수백 개에 달하는 분자 후보군 중 약효가 가장 높을 것으로 예상되는 분자를 AI 에이전트로 정밀 선별하고, 해당 약물에 가장 뛰어난 치료 반응을 보일 환자 집단을 사전에 특정한다. 무작정 깃발을 꽂고 모든 암 환자에게 투약해 보는 것이 아니라, 약물이 적중할 수밖에 없는 환자군을 핀셋으로 집어내 임상시험을 설계하는 방식이다.

이번 투자는 단순한 지분 투자를 넘어 3자 데이터 협력이라는 실무적 확장으로 이어졌다. 페이소스는 나스닥 상장 의료 데이터 플랫폼인 템퍼스 AI(Tempus AI)에 향후 5년간 5,500만 달러의 라이선스 비용을 지불하고, 신경계 질환 환자들의 비식별화된 의료 데이터를 공급받기로 확정했다. 페이소스는 이 데이터를 파운드리에 올려 질환 생물학 구조를 규명하고, 플랫폼과 데이터셋 접근 권한을 BMS에 개방한다. BMS는 자체 개발 중인 신약 후보 물질의 임상 성공률을 높이고 최적의 환자군을 찾는 데 이 데이터 인프라를 전면 가동할 계획이다.

실제 숫자로 검증한 팩트 비교: 전통 제약 방식 vs 페이소스 파운드리 파이프라인

신약 개발 과정에서 발생하는 가장 큰 손실은 후보 물질을 찾는 단계가 아니라, 효과가 없을 환자군을 대규모로 모집해 임상시험을 진행하다가 탈락하는 단계에서 발생한다. 페이소스의 접근법은 기초 탐색 단계의 실험 횟수를 줄이는 동시에, 임상 환자 선별 실패로 인한 매몰 비용을 방어하는 데 초점을 맞추고 있다.

아래 표는 글로벌 제약 R&D 벤치마크 평균 지표와 이번에 공개된 페이소스 AI 파운드리 기반 수치를 대조한 비교 매트릭스다.

분석 지표 항목	전통적 글로벌 제약사 표준 R&D	페이소스 AI (파운드리 플랫폼)	격차 및 실무적 의미
핵심 데이터 자산 규모	분산된 사내 실험 데이터 (수 TB–수십 TB)	200 PB 이상의 정제된 암 환자 임상 데이터	데이터 밀도 10배 이상 우위 확보
타깃 환자군 선별 방식	임상의 경험 및 표준 진단 기준 기반 광범위 모집	AI 바이오마커 기반 핀셋형 환자군 특정	유효 반응 환자 집중도로 임상 노이즈 제거
외부 데이터 확보 비용	건별 개별 병원 및 연구소 계약 (단가 불투명)	템퍼스 AI 5년간 5,500만 달러 일괄 계약	장기 데이터 단가 확정 및 예측 가능성 확보
핵심 파이프라인 구조	단일 화학 합성 저분자 화합물 중심	JSKN016 (차세대 ADC) 및 ER PROTAC	표적 유도 미사일 및 표적 분해 신기술 집중
협력 빅파마 생태계	경쟁사 간 연구 데이터 폐쇄적 관리	BMS(시리즈 E 리드), 아스트라제네카 협력	빅파마 포트폴리오 파이프라인 직접 이식
평균 임상 2상 소요 기간	24–36개월 (환자 모집 지연 빈번)	12–18개월 (표적 환자 사전 매칭 추정)	신약 상용화 타임라인 1년 이상 단축

주: 임상 소요 기간 및 파이프라인 TCO는 글로벌 빅파마 평균치와 페이소스 AI의 바이오마커 매칭 파이프라인 효율을 기반으로 산출한 업계 표준 실무 시뮬레이션 추정치임.

이 수치들이 가리키는 본질은 명확하다. 전통 제약사는 환자 1,000명을 무작위로 모아 100명에게서만 반응이 나와도 임상 3상에서 고배를 마시지만, 페이소스는 200PB 데이터를 통해 애초에 그 100명과 동일한 유전체 바이오마커를 가진 환자군만 골라내 임상시험을 진행한다는 점이다. 환자 모집 규모를 절반으로 줄이면서도 성공 확률을 획기적으로 끌어올리는 구조다.

제약 바이오 실무와 임상 파이프라인에 미치는 3대 직접적 파급력

페이소스와 빅파마의 결합은 제약 연구소의 일상 업무와 예산 집행 방식에 즉각적인 변화를 가져온다. 이번 협력 체계가 현업 연구진과 비즈니스 운영에 미칠 파급력은 크게 세 가지 축으로 나뉜다.

1. 임상시험 환자 스크리닝 비용(OPEX)의 파격적 절감

신약 개발 총예산 중 가장 큰 비중을 차지하는 항목은 임상 환자 모집과 관리 비용이다. 일반적인 항암제 임상시험의 경우 환자 1인당 등록 및 추적 관찰 비용이 5만 달러에서 10만 달러에 육박한다. 만약 약물에 반응하지 않는 환자가 대거 포함되면 수천만 달러의 예산이 허공으로 사라진다.

페이소스 파운드리는 혈압, 특정 단백질 발현도, 유전체 변이 등 복합적인 바이오마커를 사전에 교차 검증한다. 이를 통해 실제 약효를 볼 확률이 높은 환자만 임상 풀에 진입시킴으로써 불필요한 환자군 관리 비용을 기존 대비 절반 가까이 줄일 수 있다.

2. 신약 파이프라인 검증 주기(Lead Time)의 획기적 단축

기존 제약 연구실에서는 수백 개의 유망 분자 구조를 합성한 뒤 이를 동물 모델에 주입해 결과를 관찰하기까지 수개월의 대기 시간이 발생했다. 페이소스는 파운드리 플랫폼 내부의 AI 에이전트를 가동해 수 분 만에 분자 구조의 치료 유효성을 시뮬레이션한다.

특히 핵심 파이프라인으로 지목된 JSKN016 프로그램의 경우, 항체-약물 접합체(ADC) 구조를 정밀 설계하는 과정에서 표적 암세포 결합 속도와 항원 방출 효율을 컴퓨터 상에서 먼저 최적화했다. 연구팀이 실제 습식 실험실(Wet Lab)에서 손을 움직여야 하는 횟수 자체를 3분의 1 수준으로 줄여 전체 개발 주기를 앞당겼다.

3. 멀티모달 의료 데이터 공급망의 안정적 내재화

AI 모델의 성능은 결국 어떤 데이터를 먹고 자랐느냐에 따라 결정된다. 많은 AI 신약 스타트업이 공개 논문 데이터나 제한된 병원 샘플에 의존하다가 성능 저하를 겪는다.

페이소스는 템퍼스 AI와 5,500만 달러 계약을 체결해 신경계 질환 환자의 비식별 데이터를 지속 공급받는 파이프라인을 구축했다. 데이터를 외부에서 일회성으로 사 오는 것이 아니라, 지속해서 유입되는 환자 데이터를 파운드리에 즉각 학습시키는 루프를 완성함으로써 데이터 고갈 리스크를 원천적으로 차단했다.

표적 유도 미사일과 체내 재활용 시스템: 차세대 항암 기전 완충벽

페이소스가 유치한 2억 3,700만 달러의 자금이 흘러 들어가는 핵심 목적지는 명확하다. 바로 차세대 항암 치료제로 꼽히는 ‘항체-약물 접합체(ADC)‘와 ‘표적 단백질 분해제(PROTAC)’ 파이프라인이다. 기존 항암 치료의 한계를 뛰어넘기 위해 페이소스가 구축한 기술 구조를 일상 비유로 살펴보면 다음과 같다.

첫 번째 주력 분야인 JSKN016 프로그램의 항체-약물 접합체(ADC)는 군사 작전의 ‘정밀 유도 미사일’에 비유할 수 있다. 항체는 체내에서 암세포라는 표적을 찾아내 달라붙는 탐색기 역할을 한다. 항체가 암세포 표면에 안착하면 면역 체계가 이를 식별할 수 있도록 신호를 보낸다. ADC는 이 항체에 강력한 치료용 항원(폭약)을 끈으로 묶어둔 형태다. 암세포에 도달한 항체가 세포 내부로 흡수되면서 품고 있던 항원을 터뜨려 암세포만 선택적으로 무력화한다. 정상 세포를 무차별 폭격해 탈모나 구토 같은 부작용을 일으키던 기존 화학 요법의 한계를 극복한 방식이다.

두 번째 파이프라인은 아스트라제네카와 공동 개발 중인 ‘ER 프로탁(PROTAC)’ 약물이다. 이 기술은 세포가 원래 가지고 있는 ‘쓰레기 분쇄기 및 재활용 시스템’을 이용한다. 인체 세포는 제 기능을 다하거나 손상된 단백질을 유비퀴틴이라는 꼬리표를 붙여 쓰레기통(프로테아좀)으로 보내 분해한다. 프로탁 약물은 암을 증식시키는 악성 단백질에 이 쓰레기 꼬리표를 강제로 붙여버리는 집게 역할을 한다. 기존 약물처럼 암 단백질의 활성 부위를 억지로 틀어막아 버티는 것이 아니라, 세포 스스로 암 단백질을 씹어서 없애버리도록 유도하는 혁신적 기전이다.

페이소스는 이 복잡한 생화학 기전의 설계도를 파운드리 플랫폼을 통해 도출한다. 어떤 암 단백질에 어떤 집게 구조가 가장 잘 들어맞을지, 그리고 이 약물이 들어갔을 때 환자의 생체 신호가 어떻게 반응할지를 AI로 미리 검증함으로써 신약 개발의 시행착오를 대폭 흡수하고 있다.

향후 1–2년 글로벌 제약 시장 재편 시나리오와 승자의 조건

BMS의 30억 달러 밸류에이션 리드 투자는 제약 바이오 산업의 투자 패러다임이 완전히 바뀌었음을 선언하는 분수령이다. 단순히 “우리에게 뛰어난 단백질 생성 AI 알고리즘이 있다”고 주장하는 소프트웨어 기업의 시대는 끝났다. 향후 1–2년 동안 제약 바이오 생태계는 급격한 재편을 겪을 것으로 전망된다.

기존 레거시 제약 기업이 직면할 마진 압박 시나리오

자체적인 대규모 임상 데이터 플랫폼이나 AI 스크리닝 파이프라인을 갖추지 못한 전통 중견 제약사들은 심각한 R&D 마진 압박에 직면하게 된다. AI 플랫폼을 활용하는 선도 기업들이 1–2년 만에 최적화된 후보 물질을 찾아내고 임상 환자군을 특정하는 동안, 전통 방식에 머무는 기업들은 환자 모집 지연과 임상 2상 실패를 거듭하며 자본을 소진할 위험이 높다.

특히 신약 특허 만료에 따른 매출 절벽을 메워야 하는 대형 제약사 입장에서, 시간당 수백만 달러가 소모되는 R&D의 속도 격차는 곧 시장 퇴출로 이어질 수 있다. 자체 인프라를 구축하지 못한 제약사들은 페이소스와 같은 전문 AI 파이프라인 기업에 거액의 마일스톤 기술료를 지불하고 파이프라인을 사 올 수밖에 없는 종속 구조에 놓이게 된다.

변화하는 신약 생태계에서 주도권을 쥘 승자의 핵심 조건 3가지

1. 독점적이고 연속적인 실제 환자 임상 데이터(Real-World Data) 파이프라인 구축: 일회성 논문 데이터 학습에서 벗어나, 템퍼스 AI와의 협력처럼 현장 병원과 환자로부터 비식별 의료 데이터를 끊임없이 수혈받는 계약 구조를 갖추어야 한다. 모델의 정밀도는 결국 살아 숨 쉬는 임상 데이터의 최신성에 비례한다.

2. 단순한 알고리즘 제공자를 넘어선 자체 파이프라인(Dry-to-Wet) 보유: 소프트웨어 화면 속에서 분자를 회전시켜 보는 SaaS 공급자에 머물러서는 제약 시장의 과실을 누릴 수 없다. 페이소스가 JSKN016과 같은 자체 ADC 자산을 소유하고 아스트라제네카와 공동 개발을 진행하듯, 직접 약물 소유권을 쥐고 임상 1상·2상을 통과시켜 체외 검증 능력을 입증해야 한다.

3. 바이오마커 기반의 정밀 임상 디자인 역량: 모두를 위한 만병통치약을 만들겠다는 환상을 버리고, 특정 유전자 변이나 단백질 발현 환자군만을 정확히 타격하는 동반 진단 및 바이오마커 설계 능력을 갖추어야 한다. 임상시험 단계에서 실패 확률을 통제할 수 있는 기업만이 빅파마의 막대한 R&D 예산을 파트너십 자본으로 끌어당길 수 있다.