약 없이도 바이오 기업이 될 수 있을까?

:논문 읽는 AI부터 가상 환자까지, 신약 개발의 모든 단계에서 기회를 찾는 TechBio

💌 이 글은 2026. 10.01 KV 뉴스레터로 발행된 글입니다.
카카오벤처스의 뉴스레터를 구독하고, 매주 인사이트를 메일로 받아보세요!
[ 뉴스레터 구독하기 ]

3줄로 미리 보는 오늘의 인사이트

• Biotech가 신약 물질 자체를 핵심 자산으로 삼는다면, TechBio는 여러 신약개발에 반복해서 쓰이는 기술을 핵심 자산으로 삼습니다.
• TechBio는 기술 자체를 제공하는 Pure TechBio와, 기술을 활용해 자체 신약까지 개발하는 Hybrid TechBio로 나눠볼 수 있습니다.
• TechBio의 기회는 후보물질 발굴에 그치지 않습니다. 연구·실험부터 예측·검증, 임상까지 신약개발의 각 단계가 새로운 기술의 시장이 되고 있습니다.

신약 하나가 세상에 나오기까지의 과정을 떠올려 봅시다.

먼저 질병이 왜 생기는지 연구하고, 약이 작용할 표적을 찾습니다. 표적이 정해지면 후보물질을 발굴하고, 세포와 동물 실험으로 효과와 안전성을 확인합니다. 이 관문을 넘으면 사람을 대상으로 임상시험을 거치고, 허가까지 받아야 비로소 약이 시장에 나옵니다.

최근 이 과정에 AI가 빠르게 들어오고 있습니다. 방대한 논문과 생물학 데이터에서 새로운 타깃을 찾고, 단백질 구조를 예측하고, 특정 단백질에 붙는 분자를 설계합니다. 흔히 말하는 'AI 신약개발'입니다.

이 흐름과 함께 자주 등장하는 단어가 TechBio입니다. 얼핏 보면 제약·바이오 업계에서 오래 써온 Biotech의 순서만 바꾼 말 같습니다. 하지만 조금만 들여다보면 둘은 분명히 다른 개념입니다.

Biotech는 약을, TechBio는 기술을 자산으로 삼습니다

전통적인 Biotech가 만드는 것은 신약이라는 물질 자산입니다. 후보물질을 찾아 전임상과 임상을 거쳐 의약품으로 키우고, 기업가치는 어떤 후보물질을 가졌는지, 임상이 어디까지 왔는지에 따라 움직입니다.

AI를 쓴다고 이 구조가 바뀌지는 않습니다. A사가 AI로 새로운 항암제 후보물질을 찾았다고 해보죠. AI가 아무리 뛰어나도 회사의 핵심 자산은 그 항암제이고, 기업가치는 임상 결과에 따라 출렁입니다. 여기서 AI는 약을 더 잘 만들기 위한 도구일 뿐입니다.

TechBio에서는 기술의 위치가 다릅니다. B사가 후보물질의 독성을 예측하는 AI를 만들어 제약사들에 제공한다고 해봅시다. 한 고객은 항암제를, 다른 고객은 당뇨병 치료제를 개발하지만 B사의 기술은 양쪽 모두에 쓰입니다. B사가 파는 것은 약이 아니라 약을 만드는 기술입니다.

한 줄로 줄이면, 약이 핵심 자산이면 Biotech, 약을 만드는 기술이 핵심 자산이면 TechBio입니다.

TechBio의 두가지 유형

현실의 기업이 두 유형으로 딱 나뉘지는 않습니다. 기술을 팔면서 직접 신약도 개발하는 곳이 많기 때문입니다. 그래서 TechBio는 다시 두 갈래로 나눠볼 수 있습니다.

Pure TechBio는 AI 모델, 데이터, 소프트웨어, 실험 플랫폼 같은 기술 자체를 여러 제약사와 연구기관에 판매합니다. 고객이 어떤 질병의 약을 만들든 같은 기술을 반복해서 적용합니다.

Hybrid TechBio는 기술을 외부에 제공해 매출을 내면서, 같은 기술로 자체 파이프라인도 쌓습니다. 자체 신약이 성공하면 기술 판매보다 큰 가치를 얻을 수도 있습니다.

단백질 설계 AI를 가진 회사가 플랫폼만 제공하면 Pure, 같은 AI로 자체 항암제까지 개발하면 Hybrid에 가깝습니다. 결국 기업의 성격을 가르는 것은 AI를 사용하느냐가 아니라 무엇을 자산으로 삼고, 어떻게 돈을 버느냐입니다.

꼭 새로운 약을 설계해야 할까요?

TechBio라고 하면 여전히 AI가 새로운 분자를 설계하는 장면이 먼저 떠오릅니다. 실제로 저분자, 단백질, RNA·유전자치료제의 후보물질을 설계하는 기업이 시장의 큰 부분을 차지합니다.

하지만 '여러 신약개발에 반복해서 쓰는 기술'로 정의하면 범위는 훨씬 넓어집니다. 신약개발에는 후보물질 설계 말고도 풀어야 할 문제가 곳곳에 있기 때문입니다. 무엇을 연구할지 정하려면 논문과 데이터를 뒤져야 하고, 찾아낸 후보물질은 실험으로 검증해야 합니다. 사람에게 투여하기 전에는 독성을 확인해야 하고, 마지막에는 임상시험을 설계하고 환자를 모아야 합니다. 모두 기술이 들어갈 수 있는 자리입니다.

우리가 흔히 떠올리는 기술을 활용한 후보물질 발굴은 이 중 첫 번째 단계일 뿐입니다. 나머지 세 단계를 차례로 살펴보겠습니다.

연구·실험: 연구자의 일을 덜어주는 기술

신약개발은 후보물질을 만들기 훨씬 전부터 시작됩니다. 어떤 질병의 어떤 단백질을 표적으로 삼을지 정하려면 수많은 논문과 실험 데이터를 뒤져야 하고, 그럴듯한 가설을 세운 뒤에도 실제 실험으로 확인해야 합니다. 연구자가 정보를 찾고 분석하고 실험하는 이 과정 자체를 돕는 도구와 인프라가 하나의 시장이 되고 있습니다.

AI 공동연구자

생의학 논문과 데이터는 연구자 한 명이 따라가기 어려울 만큼 빠르게 쌓입니다. 이를 사람이 일일이 읽고 대조하는 대신, AI가 관련 문헌과 데이터를 분석해 가설을 세우고 다음에 해볼 실험을 제안하는 것이 이 영역입니다. Edison Scientific의 AI 연구 시스템 Kosmos는 연구 질문이 주어지면 관련 문헌과 데이터를 스스로 탐색하고 분석합니다. Causaly는 공개된 생의학 지식과 제약사 내부 데이터를 연결해, 연구자가 미처 보지 못한 표적이나 가설을 찾도록 돕습니다. 두 회사 모두 약을 직접 만들지 않고, 약을 연구하는 사람이 쓰는 도구를 팝니다.

바이오 AI 인프라

좋은 AI 모델이 있다고 바로 쓸 수 있는 것은 아닙니다. 단백질 구조 예측이나 유전체 분석 모델을 돌리려면 고성능 GPU와 대용량 데이터 처리 환경을 갖춰야 하고, 모델마다 설치하고 관리할 전문 인력도 필요합니다. 규모가 작은 바이오 기업이나 연구실에는 적지 않은 진입장벽입니다. Tamarind Bio는 여러 바이오 AI 모델을 클라우드에서 바로 쓸 수 있는 환경을 제공합니다. 연구자는 인프라를 직접 구축하지 않고도 필요한 모델을 골라 연구에 활용할 수 있습니다.
 

차세대 실험실

컴퓨터가 설계한 분자는 아직 가설일 뿐입니다. 실제로 만들어 테스트해 봐야 쓸모를 알 수 있습니다. 차세대 실험실은 소프트웨어와 자동화 장비로 이 과정을 빠르고 반복 가능하게 만듭니다. Adaptyv Bio는 고객이 컴퓨터로 설계한 단백질을 자동화된 실험실에서 합성하고 테스트한 뒤, 그 결과를 데이터로 돌려줍니다. 이 데이터는 다시 AI 모델을 개선하는 데 쓰일 수 있어, 설계와 검증이 하나의 고리로 이어집니다.

연구 단계를 지나면 기술의 역할은 더 과감해집니다. 실험하기 전에 세포와 약물의 반응을 먼저 계산하고, 임상시험을 시작하기 전에 결과를 미리 시뮬레이션하는 기업들이 등장하고 있습니다. 

예측·검증과 임상 단계에서 TechBio가 어떤 기회를 만들고 있는지,  전문에서 이어집니다.

이어지는 인사이트가 궁금하다면?
👉 Click! 하고 아티클 전문 읽으러 가기

🚀 About Kakao Ventures
카카오벤처스는 ICT 서비스, 딥테크, 게임, 디지털 헬스케어, 뷰티 분야에서 필요한 미래를 앞당기는 스타트업에 투자하는 벤처 캐피탈입니다. 초기 스타트업의 든든한 파트너로서, 세상의 문제를 해결하려는 창업가들에게 투자합니다.