Biology Is Turning Into Software — Matt McPartland & Neil Patel, Chai Discovery

URL: https://www.youtube.com/watch?v=Qp5xklyJySI 날짜: 2026-08-12 채널: Latent Space (latentspacepod)

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==단백질 설계 모델이 자연과 시행착오에 의존하던 신약 개발을, CAD·소프트웨어처럼 원하는 기능을 선언하면 분자를 생성하고 검증하는 공학적 루프로 바꿀 수 있는가?==

• Chai Discovery는 신약 파이프라인을 직접 소유하는 제약회사라기보다, 여러 제약사의 목표와 데이터를 받아 의약품을 설계하는 중립적인 소프트웨어·모델 계층을 지향한다.
• Chai 1은 단백질 구조 예측, Chai 2는 표적 구조에 맞는 결합체를 서열과 구조로 함께 설계하는 생성 모델로 발전했다. 50개 표적에 대한 실험에서 절반가량의 표적에서 결합체를 얻었고, 설계물 전체의 평균 결합 hit rate는 약 20%로 제시됐다.
• 단순히 “붙는” 분자를 넘어 결합 친화도, 선택성, 교차반응성, 안정성, 제조 가능성, 작용제(agonist)·이중특이항체·ADC 같은 치료적 기능까지 한 번에 다루는 것이 다음 단계다.
• 구조 예측은 실제 원자 위치에서 0.33Å 오차까지 검증된 사례가 있지만, 설계의 실험 검증은 아직 수주가 걸리고, 표적·에피토프를 고르는 문제는 훨씬 어렵다.
• 충분히 좋은 모델과 제품 인터페이스가 결합하면, 신약 발견의 폭포수식 단계(표적 발견 → hit 발견 → 최적화)가 빠른 가설 검증 루프로 바뀌고, 생물학도 CAD와 소프트웨어처럼 정밀하게 “프로그래밍”할 수 있다는 것이 두 사람의 전망이다.

이 대화는 Chai의 모델 성능만 홍보하지 않는다. 항체가 왜 설계하기 좋은 치료 모달리티인지, 기존 실험적 탐색이 무엇을 알 수 없었는지, 구조 예측·생성·검증의 한계가 어디에 있는지, 그리고 제품·보안·컴퓨트 인프라가 연구 성과만큼 중요한 이유까지 시간순으로 설명한다. 궁극적인 목표는 자연이 우연히 만들어 주기를 기다리는 것이 아니라, 원하는 결합 위치와 기능을 선언하고 모델이 그 빈칸을 채우게 하는 것이다.

1. Chai Discovery의 출발점과 사업 모델

Chai는 “AI로 신약을 직접 만드는 회사”보다 여러 제약·바이오 기업이 의약품을 설계하도록 돕는 범용 단백질 설계 소프트웨어 공장을 목표로 한다.

1.1. 창업자와 회사의 배경

1. Matt McPartland의 경로

   1. AI와 생물학의 접점: 박사과정 초반에는 이론 컴퓨터과학(Theoretical Computer Science)을 연구하다가 AI·생물학으로 옮겼다.
   2. 구조 예측의 변곡점: 약 8년 동안 이 분야를 지켜보며 AlphaFold 1 시기의 초기 징후, AlphaFold 2의 혁신, 이후 멀티머(multimer) 예측의 발전을 경험했다.
   3. 현실 세계 적용: 단백질 모델이 실제 의약품 설계에 쓰일 수 있다는 확신과 기회가 Chai를 시작한 동력이 됐다.

2. Neil Patel의 경로

   1. 소프트웨어에서 로보틱스로: 약 15년 전 앱스토어용 앱을 만들며 프로그래밍을 시작했고, 출시와 사용자 반응에서 얻는 “도파민”에 빠졌다.
   2. 하드웨어 경험: 로보틱스와 2018~2019년 자율주행차를 경험했지만 하드웨어에 지쳐 소프트웨어로 돌아갔다.
   3. 보안과 창업: Vanta의 초기 직원으로 성장한 뒤 보안회사를 직접 세웠다. 몇 년 뒤 “원자는 꽤 멋지고 더 의미 있는 일을 하고 싶다”는 생각으로 Chai에 합류했다.
   4. 현재 역할: 모델을 학습·서빙하는 인프라와, 비전문가도 모델을 사용하도록 만드는 제품화·플랫폼을 이끈다. 스스로의 커리어를 두고 진행자가 “5단계의 grief 같다”고 농담하자, 두 사람은 “이제 acceptance 단계”라고 받았다.

1.2. 파트너십과 중립 소프트웨어 공장

1. 제약사와의 협력

   1. 공개적으로 언급된 파트너: Eli Lilly를 시작으로 Pfizer, Novartis, Genentech와 협력해 왔다.
   2. 파트너 성공과 회사 성공의 연결: Chai의 성공은 자체 신약의 매출이 아니라 파트너가 실제 프로그램을 진전시키는지에 달려 있다. 따라서 모델과 제품을 계속 개선할 직접적인 피드백 루프가 생긴다.

2. 중립 플랫폼이라는 포지션

   1. 기존 AI-바이오 기업과의 차이: 많은 회사가 자체 후보물질이나 파이프라인을 만들지만, Chai는 여러 제약사가 사용할 수 있는 모델·제품 계층을 만든다.
   2. 사업 확장의 의미: 투자금은 더 어려운 모달리티를 다루고, 더 큰 모델을 학습하고, 고객이 요구하는 설계 기능을 만드는 데 쓴다. 제약사별로 경쟁하는 신약 파이프라인을 직접 소유하지 않으므로 파트너 수와 문제의 폭을 함께 늘릴 수 있다.
   3. 인센티브 정렬: Chai가 모델을 개선할수록 파트너의 성공률이 높아지고, 파트너가 실제 캠페인을 돌릴수록 Chai는 어떤 기능과 데이터가 필요한지 배운다.

2. 왜 항체 설계가 중요한가

항체는 유연하면서도 일정한 골격을 가진 단백질이라, 전체를 매번 새로 만드는 것보다 표적을 향하는 끝부분만 설계할 수 있다는 점에서 생성 모델의 유망한 첫 응용 분야다.

2.1. 항체의 구조와 치료적 역할

1. Lock-and-key 문제

   1. 표적 단백질: 질병을 일으키거나 질병 경로에 관여하는 단백질을 자물쇠(lock)로 볼 수 있다.
   2. 결합체: 항체는 그 자물쇠의 특정 표면에 맞는 열쇠(key)처럼 설계된다. 중요한 것은 단순히 표적에 붙는 것이 아니라 어느 위치와 방향으로 붙는가다.

2. Y자 골격과 CDR 루프

   1. 끝부분의 가변성: 항체는 Y자 모양이고, 실제 표적 결합은 양쪽 팔 끝의 손가락 끝 같은 부위에서 일어난다. 이 가변 부위가 CDR(Complementarity-Determining Region) 루프다.
   2. 프레임워크의 재사용: 끝부분을 제외한 framework region은 비교적 일정하고 면역계가 이미 잘 인식한다. 설계 모델은 이 안정적인 골격을 활용하면서 끝부분의 결합 인터페이스를 바꿀 수 있다.
   3. 자연 면역계의 역할: 항체는 병원체와 질병을 식별하는 방어선이다. 면역계는 새로운 항원을 인식하기 위해 항체 구성요소를 재조합하므로, 항체 결합 부위는 일반 단백질처럼 진화적으로 하나의 보존된 템플릿을 갖지 않는 경우가 많다.

3. 항체의 치료 방식

   1. 차단(antagonist): 표적 단백질의 작용을 막는 전통적인 방식이다.
   2. 항체-약물 접합체(ADC): 한쪽이 암세포와 같은 표적에 붙고 다른 쪽에 독성 약물을 달아, 약물을 원하는 세포로 정밀 전달한다.
   3. 이중특이항체(bispecific antibody): 양쪽 팔이 서로 다른 표적에 결합하도록 만들어 두 세포나 두 단백질을 가까이 붙인다. 이는 단순한 차단을 넘어 induced proximity를 유도한다.
   4. 작용제(agonist): 세포막의 GPCR 같은 “초인종(doorbell)” 단백질을 정확한 위치와 방향으로 눌러, 원하는 downstream 연쇄 반응을 일으킨다. 이런 기능은 어느 에피토프를 어떤 각도로 찌르느냐가 중요해 단순 결합보다 훨씬 어렵다.

2.2. 기존 탐색법의 한계와 설계 모델의 이점

1. 자연·실험에 의존한 발견

   1. 면역화 캠페인: 생쥐에 질병 관련 자극을 주고 어떤 항체를 만드는지 관찰한다. Matt가 Chai의 가장 큰 경쟁자를 “생쥐, 또는 어떤 의미에서는 자연”이라고 표현한 이유다.
   2. 대규모 디스플레이: 원하는 framework를 정한 뒤 가능한 CDR 루프를 효모 디스플레이(yeast display) 등으로 매우 크게 검색한다. 한 표적에 대해 적어도 수십억 개의 후보를 스크리닝할 수 있다.
   3. 얻는 정보의 빈약함: 성공해도 보통 한두 개에서 열두 개 정도의 hit을 얻으며, 그것이 표면의 어디에 붙는지, 약물로 개발 가능한지, 원하는 기능을 낼지는 처음에는 알기 어렵다.

2. Chai가 추가하는 의도성

   1. 결합 위치 지정: “이 표적의 이 영역, 이 에피토프에 결합하라”고 선언할 수 있다. 실험에서 결합을 확인한 뒤에도 설계 결과를 다시 보며 실제 결합 포즈가 예상과 맞는지 확인한다.
   2. 선택성(selectivity): 비슷하지만 정상적인 단백질은 피하고 질병 단백질만 결합하도록 설계한다. 잘못된 단백질을 차단하면 독성이나 심각한 부작용이 생길 수 있기 때문이다.
   3. 교차반응성(cross-reactivity): 사람 단백질뿐 아니라 원숭이 등 전임상 동물의 조금 다른 단백질에도 결합해야 하는 경우가 있다. 모델은 두 변종에 공통인 보존 영역을 찾고 그곳을 겨냥할 수 있다.
   4. 결합과 회피의 조합: 원하는 단백질에는 결합하고, 문제가 될 수 있는 단백질에는 결합하지 않는 조합적 조건을 동시에 반영한다. 항체 설계가 “무엇에 붙는가”만이 아니라 “무엇을 피하는가”의 문제이기도 하다는 뜻이다.

3. Chai 모델의 진화

Chai의 기술적 여정은 구조를 맞히는 모델에서, 구조와 서열을 함께 만들고 그 결과를 실제 실험으로 되먹임하는 모델로의 이동이다.

3.1. Chai 1: 구조 예측과 인프라 구축

1. 창업 초기의 선택

   1. 시점: Chai를 시작한 지 몇 달 되지 않았을 때 AlphaFold 3가 발표됐다. 팀은 단순히 자체 모델을 만드는 것보다 MSA 파이프라인과 구조 데이터·학습 인프라가 필요하다고 판단했다.
   2. 오픈소스라는 강제 목표: 당시 다섯 명뿐인 팀은 “이 모델을 오픈소스로 내놓자”는 명확한 목표를 세워 필요한 인프라를 빠르게 구축했다. 연구 모델을 만들면서 동시에 회사 수준의 production infrastructure를 배운 셈이다.
   3. 초기 사무실 일화: OpenAI가 시드 라운드를 공동 주도했고, 당시 비어 있는 OpenAI 미션 오피스에 다섯 명이 앉아 작업했다. 출시 직전 48시간 동안 논문·웹 서버·기술 보고서를 마무리했고, 그 다음 날 아침 Bloomberg 인터뷰가 진행되는 동안 사무실 직원이 없어 “흥미로운 회사인데 직원이 안 보인다”는 농담이 나왔다.

2. MSA와 구조 예측

   1. MSA(Multiple Sequence Alignment): 비슷한 단백질 서열들을 나란히 정렬해 여러 변종에서 어떤 아미노산 위치가 보존되는지 본다.
   2. 진화의 2D 신호: 높은 보존성이나 함께 변하는 아미노산 쌍은 3차원에서 가까이 있을 가능성을 알려준다. 즉 서열의 2D 패턴을 단백질의 3D 구조를 예측하는 힌트로 쓴다.
   3. 진화적 필터: 보존되지 않은 위치가 단백질 기능을 깨뜨렸다면 해당 변종은 살아남지 못했을 가능성이 크다는 직관이다. 진행자는 “망가진 것은 죽거나 번식하지 못했기 때문에 보존된 것만 남는다”고 요약했고, Matt는 이것이 놀라울 정도로 잘 작동한다고 답했다.

3. 아키텍처

   1. 토크나이저: 일반 언어 모델처럼 단어를 토큰화하는 것이 아니라, 분자의 원자 집합을 모델이 처리할 토큰으로 묶는다.
   2. Transformer trunk: 토큰 사이 관계를 학습하는, 언어 모델과 닮은 중심부다.
   3. 3D diffusion: 토큰 표현을 다시 원자 좌표로 바꾸고, 이미지 확산 모델과 유사한 방식으로 3차원 구조를 생성한다.
   4. 멀티모달 입력: 아미노산·원자·원소 타입·전하 같은 정보가 함께 들어간다. 토큰에는 원자들이 매달려 있고, 최종적으로는 이 원자들의 3D 좌표를 예측해야 한다.

3.2. Chai 2: 구조 예측에서 생성·설계로

1. All-atom diffusion

   1. 원자 단위 생성: Chai 2는 아미노산 토큰만 고정해 놓고 구조를 예측하는 것이 아니라, 어떤 원자를 둘지와 원자의 3D 배치를 함께 결정한다.
   2. 설계 방향의 반전: Chai 1이 “이 서열은 어떤 구조로 접히는가?”라면 Chai 2는 “이 표적 구조에 결합할 서열과 구조를 만들어 달라?”에 가깝다.
   3. 이미지 생성 비유: Chai 1은 “이 이미지에 고양이가 있다”고 인식하는 일이고, Chai 2는 배경을 주며 “들판에 있는 고양이를 생성하라”고 하는 일이다. 생성된 고양이와 배경이 동시에 자연스러워야 한다.

2. 서열-구조 공동 설계

   1. 두 방향의 문제: 구조 예측은 서열에서 3D 구조로 가고, inverse folding은 원하는 3D 구조에서 그 구조로 접힐 서열을 찾는다.
   2. 반복적 확산 과정: 모델은 먼저 구조가 어떻게 생겨야 하는지 생각하고, 다른 부분이 그 구조를 지지할 서열을 고른다. 구조를 조금 바꾸면 서열도 바꾸고, 다시 구조를 조정하는 과정을 반복한다.
   3. 자기일관성: 충분히 반복하면 서열과 구조가 서로 지지하는 일관된 해로 수렴한다. 진행자는 이를 EM(Expectation-Maximization) 알고리즘에 비유했고 Matt도 동의했다.

3. 50개 표적 도전

   1. 도전의 설계: Chai는 여러 표적에 일반적으로 작동하는지 보기 위해 항체 50개 표적을 고르기로 했다. 처음에는 흥미로운 표적을 임의로 골랐지만, 실험 준비와 CRO 검증 과정에서 표적 자체가 잘 작동하지 않는 경우가 있었다.
   2. 검증된 CRO 목록으로 수정: 이미 CRO가 실제로 다뤄 본 표적 목록을 바탕으로 흥미로운 대상 50개를 다시 제한했다.
   3. 결과: 50개 표적 중 절반가량에서 결합 hit을 얻었고, 논문에서 언급한 평균 결합 hit rate는 약 20%였다. 이 결과가 제약사에 “모델이 실제 프로그램에서 작동할 가능성이 있다”는 신호를 줬다.
   4. 일반성에 대한 베팅: 실패한 25개 표적의 공통 특성을 하나씩 분석하기보다, 모델을 더 크고 더 일반적으로 만드는 쪽에 베팅했다. Chai 3까지의 개선은 “특정 실패 사례를 맞춤 보정”하기보다 모델이 스스로 범위를 넓히도록 하는 방향이었다.

3.3. 설계 결과를 어떻게 믿을 것인가

1. 독립 구조 예측으로 자기일관성 측정

   1. 오라클과 샘플러의 분리: 설계한 서열을 완전히 독립적인 구조 예측 모델에 다시 넣는다.
   2. 일치 여부: 독립 모델이 설계 모델이 예측한 구조와 비슷한 구조로 접힌다고 판단하면, 단순한 무작위 후보보다 실제 가능성이 높다고 본다.
   3. 게임 가능성: 설계 모델과 검증 모델이 같은 편향을 공유하면, 구조가 모두 비슷한 후보만 내어 self-consistency를 높일 수 있다. 따라서 자기일관성 하나만으로는 충분하지 않다.

2. 신뢰도와 다양성

   1. 보정된 confidence: 구조 예측 모델은 전체 점수뿐 아니라 어느 부분을 확신하지 못하는지도 표시할 수 있다. 이를 집계해 단일 스칼라 점수로 후보를 비교한다.
   2. 생성 다양성: 같은 서열·같은 구조만 반복해 내는 모델은 점수가 높아도 새로운 문제를 풀지 못한다. 따라서 서로 다른 구조와 서열의 해를 충분히 생성하는지 확인한다.
   3. 실험 검증의 필요: 결국 실제 결합·안정성·기능은 실험으로 확인해야 한다. 구조 예측의 좋은 점은 정답 구조를 비교적 명확히 둘 수 있지만, 설계는 “새 표적에 실제로 붙는가”라는 ground truth를 실험하기 전에는 모른다는 것이다.

3. 검증 루프의 속도

   1. 기존의 느린 루프: cryo-EM으로 구조를 확인하려면 단백질을 얼리고 전자빔을 쏘아 산란 패턴을 재구성해야 하므로 몇 달이 걸릴 수 있다.
   2. 현재의 개선: 전문 wet lab 네트워크와 결합·결정화 등의 assay를 통해 과거의 수년 단위가 수주 단위로 내려왔다. LLM 평가처럼 컴퓨트만 늘려 몇 시간 만에 결과를 얻는 수준은 아니지만, 수주라면 재귀적인 모델 개선이 가능하다.
   3. 0.33Å 사례: Chai 2가 예측한 항체 구조를 cryo-EM으로 검증했을 때 오차가 0.33Å, 즉 원자 폭의 약 3분의 1에 불과했다. 예측 구조를 실험의 전자 밀도 점군 위에 겹쳤는데 차이가 보이지 않아, 팀은 오히려 “실험 결과를 잘못 보낸 것 아닌가”라고 의심했다. 데이터 누출을 확인했지만 해당 표적에는 알려진 항체 결합체가 없었기 때문에, 최초의 결합체를 설계한 결과로 해석했다.

3.4. Chai 2.5와 Chai 3의 목표

1. 치료제 수준의 품질

   1. 결합 강도: 약하게 붙는 것만으로는 도구가 되지 않는다. 치료제에 가까운 강한 binding affinity가 필요하다.
   2. 개발 가능성(developability): 안전한가, 안정적인가, 제조하기 쉬운가, 스스로 응집하지 않는가를 함께 봐야 한다.
   3. 항체 골격의 이점: 일정한 framework에서 출발하므로 이런 개발 가능성의 일부를 기본값으로 얻을 수 있다.

2. Chai 3로의 진전

   1. 버전의 연속적 개선: Chai 2 이후에도 내부적으로 2.5, 2.7 같은 중간 버전을 거치며 성능을 끌어올렸고, 그 연속선상에서 Chai 3에 도달했다.
   2. 모델 규모와 데이터: Chai 3의 핵심 방향은 더 큰 모델과 더 많은 학습·실험 데이터를 통해 결합 친화도와 개발 가능성을 동시에 높이는 것이다.
   3. 구조 예측과 설계의 차이: 구조 예측은 새 서열을 hold-out하고 모양을 확인할 수 있지만, 설계는 실제 wet-lab 측정이 필요하다. 따라서 Chai는 모델 정확도보다 “실제로 개발 가능한 분자를 얼마나 자주 내는가”를 더 중요한 제품 기준으로 본다.

4. 모델을 제품으로 바꾸기

Chai 2가 유용성의 문턱을 넘자, 문제는 모델 공개에서 제약사 과학자가 안전하고 직관적으로 반복 설계할 수 있는 제품을 만드는 것으로 이동했다.

4.1. 보안·IP와 파트너별 배포

1. 제약사의 민감성

   1. 제약사는 새로운 약물 후보와 실험 데이터를 플랫폼에 넣어야 하므로 IP와 데이터 격리에 매우 민감하다.
   2. 초기에는 “제약사가 새 의약품을 생성하는 데이터를 플랫폼에 넣지 않을 것”이라는 회의론이 컸다.

2. 싱글 테넌시(single tenancy)

   1. 고객별로 거의 별도의 계정·배포본을 제공하고, 데이터 경계를 강하게 분리한다.
   2. Neil의 보안 제품 경험은 이 문제를 “불가능한 문화적 저항”이 아니라 “세그먼테이션과 배포 설계의 문제”로 다루는 데 도움이 됐다.
   3. 2025년 여름 무렵 Eli Lilly와 긴밀히 협력해 파트너가 실제 분자를 설계할 수 있는 첫 버전의 design suite를 만들었다.

4.2. ChatGPT가 아니라 Autodesk·Figma에 가까운 인터페이스

1. 시각적 설계의 이유

   1. 모델을 챗봇으로 감싸면 “GPCR에 결합하되 세포막과 충돌하지 않고 특정 에피토프를 겨냥하라” 같은 복잡한 공간 제약을 텍스트로만 전달해야 한다.
   2. 분자는 3D 대상이므로 사용자가 구조를 직접 보고 선택·수정·검증하는 CAD형 인터페이스가 더 자연스럽다.

2. 디자인 스위트의 비유

   1. Autodesk·SolidWorks·Figma: 사용자가 분자를 불러와 보고 조작하는 작업 공간이다.
   2. Photoshop의 paint tool: 표적 단백질에서 원하는 에피토프를 칠하듯 지정한다.
   3. Content-aware fill: 지정한 공간과 제약 조건을 바탕으로 Chai가 결합체를 생성한다.
   4. 분석 도구: 생성 결과의 과학적 지표와 플롯을 보고 결합 위치, 구조, 품질을 확인한다.

3. 제품이 필요한 복잡성

   1. 모델에 충분한 능력이 있어도 잘못된 입력·제약·결합 조건을 주면 사용자가 스스로 발을 쏠 수 있다. 제품은 이 실수를 방지하는 가드레일과 시각적 피드백을 제공해야 한다.
   2. 단순히 모델 호출 버튼을 만드는 것이 아니라 구조를 로드하고, 특정 영역을 선택하고, 결합·회피 조건을 조합하고, 결과를 비교하고, 실험으로 보낼 후보를 추리는 워크플로 전체를 구현해야 한다.

4.3. 과학자와의 협업이 제품을 검증하는 방식

1. 모델 증거가 먼저다

   1. Chai 2와 2.5 결과가 제약사의 관심을 끌었고, 회사들은 과거에 어려움을 겪었던 표적을 시험 삼아 제공했다.
   2. Chai가 좋은 결과를 보여 주면 과학자들은 자기 IP를 처음부터 모두 공개하지 않고도 모델을 시험할 수 있다. 증거가 쌓이면 제품에 직접 들어온다.
   3. Neil은 제약 과학자들이 의외로 매우 실용적이라고 평가했다. 새 AI를 무조건 믿지는 않지만, 틀렸다는 증거와 맞는 증거를 모두 볼 준비가 되어 있다.

2. 10년 걸린 표적의 사례

   1. 한 파트너와 함께 결과를 보여 주던 자리에서 과학자가 울기 시작했다.
   2. 그 과학자는 특정 표적의 초기 binder 하나를 얻으려고 10년을 보냈는데, Chai가 그 문제에 결합체를 제시했기 때문이다.
   3. 이 일화는 모델 성능을 단순한 benchmark 숫자가 아니라 오랫동안 막혀 있던 연구자의 실제 병목을 푸는 가치로 보여 준다.

3. 내부 과학팀의 역할

   1. Chai는 엔지니어와 ML 연구자뿐 아니라 실제 단백질 설계·치료제 개발 경험이 있는 과학자를 고용했다.
   2. 예를 들어 Baker 연구실에서 어린 나이에 연구를 시작해 박사학위를 받은 Nathan Rollins는 처음에는 Chai에 매우 회의적이었다. 결과가 나오자 가능성을 인정했지만, Chai 2 결과가 나온 뒤에도 “아직 축하하지 말고 이 결과를 철저히 검증하자”고 했다.
   3. 내부 팀은 약을 자체 개발하려는 것이 아니라, 알려진 치료 표적과 스스로 정한 어려운 표적에 계속 실험을 보내 모델의 한계를 확인하고 개선한다.

5. 폭포수식 신약 개발에서 과학의 외부 루프로

Chai가 궁극적으로 바꾸려는 것은 특정 단계 하나의 자동화가 아니라, 단계 사이의 긴 대기와 비싼 실패를 줄이는 연구 운영 방식이다.

5.1. Hit discovery에서 drug-like molecule까지

1. 현재의 폭포수 모델

   1. 순차적 게이트: 표적 발견, hit 발견, lead optimization이 각각 수개월에서 수년 걸린다.
   2. 늦은 실패의 비용: 다음 단계로 넘어갈 때마다 이전 단계의 결과를 기다려야 하고, 초기에 잘못된 가설을 버리는 비용도 크다.

2. Chai의 두 북극성

   1. 연구의 목표: 처음부터 가능한 한 치료제에 가까운 후보를 de novo로 one-shot 생성한다. 모델이 실제 약물 같은 분자를 직접 제안할수록 단계 구분이 희미해진다.
   2. 제품의 목표: 실험실에서 binder 결과를 받은 뒤 그 결과를 다음 모델 실행의 조건으로 넣고 반복하는 iterative workflow를 지원한다.
   3. 둘은 모순이 아니다: 쉬운 모달리티·기능(예: 단순 차단제)은 one-shot으로 가까워지고, 더 어려운 작용제나 이중특이항체는 제품의 반복 루프가 필요하다.

3. 소프트웨어 개발과의 비유

   1. 모델이 괜찮은 후보를 주면 연구는 문을 통과할 때마다 멈추는 waterfall이 아니라 가설을 빠르게 만들고 실험하고 수정하는 agile loop가 된다.
   2. 생물학의 “외부 루프(outer loop)”는 후보를 생성하는 내부 모델을 넘어, 어떤 가설을 시험할지 정하고 여러 표적·에피토프·기능 조합을 운영하는 과학 전체의 오케스트레이션이다.

5.2. 제품 추상화 수준의 상승

1. 현재: 분자 CAD·Cursor 단계

   1. 사용자는 결합이 실제로 형성되는지, 원자와 결합의 관계가 맞는지 직접 확인해야 한다.
   2. 이는 코드를 한 줄씩 읽고 검증하는 Cursor와 비슷하다. 모델이 아직 완전히 신뢰할 수 없으므로 내부 구조를 봐야 한다.

2. 다음: 가설 캠페인 오케스트레이션

   1. 한 표적에 여러 에피토프 후보를 제시하고, 각 후보에 대한 설계를 동시에 운영한다.
   2. 실험 결과를 조건으로 넣어 다음 생성·검증을 자동화한다.

3. 그다음: 경로·포트폴리오 수준

   1. 개별 표적을 넘어 하나의 생물학적 pathway 안의 여러 표적을 대상으로 캠페인을 설계한다.
   2. 좋은 구조 예측·결합·설계 primitive를 조합하면, 제품은 분자 하나의 CAD 도구에서 과학적 가설 공간 전체를 탐색하는 시스템으로 성장할 수 있다.
   3. 이 과정에서 제품 수명은 전통적인 소프트웨어의 20년이 아니라, 더 좋은 모델이 나올 때까지 약 1년짜리 “가치 전달 다리”가 될 수도 있다. Neil은 Chai 4가 나오면 현재 제품을 다시 써야 할지 모른다고 농담했지만, 그것이 빠르게 발전하는 AI 제품의 현실이라고 설명했다.

5.3. 에피토프 예측이라는 더 어려운 문제

1. 에피토프의 의미

   1. 넓게는 “어떤 질병에 어떤 단백질을 표적으로 삼을 것인가”라는 생물학적 표적 발견 문제다.
   2. 표적이 정해진 뒤에는 단백질 간 상호작용에서 어떤 접촉면을 차단해야 하는지, 어느 위치에 결합해야 원하는 기능이 나오는지 정하는 구조생물학 문제다.

2. 왜 결합체 생성보다 어려운가

   1. 결합체를 만들려면 목표 위치와 조건을 어느 정도 알려 줘야 하지만, 에피토프 예측은 질병의 전체 맥락과 여러 단백질 상호작용을 이해해야 한다.
   2. 단일 구조 예측 모델이 높은 confidence를 보이는 경우에는 후보 부위를 제안할 수 있지만, 새 표적의 일반적인 에피토프 발견은 여전히 어렵다.

3. 항체와 MSA의 난점

   1. AlphaFold 2는 특정 종류의 단량체 단백질 구조 예측에는 큰 진전을 만들었지만, 항체-항원 복합체 예측에서는 언급된 평가 기준상 약 11%만 맞았고 약 90%는 틀렸다.
   2. MSA는 보존된 진화 템플릿을 제공하지만, 항체는 새로운 병원체에 맞추기 위해 다양하게 재조합되는 것이 목적이다. 따라서 항체의 결합 부위에는 일반 단백질처럼 안정적인 진화 템플릿이 없는 경우가 많다.
   3. 가상 세포(virtual cell)가 언젠가 더 넓은 생물학적 맥락을 제공할 수 있지만, 인터뷰 시점에는 아직 멀었다.

6. 생물학을 공학으로 만드는 인프라

모델의 아이디어만으로는 생물학을 소프트웨어처럼 만들 수 없다. 데이터를 파싱하고, 대규모 GPU 작업을 견디고, 실패를 복구하고, 복잡성을 통제하는 공학 primitive가 필요하다.

6.1. 생물학 데이터와 파일 포맷

1. 구조 파일의 현실

   1. 표준 파일 포맷이 있어도 모든 상황을 깔끔하게 표현하지 못한다.
   2. 하나의 구조에 누가 어떤 방법으로 해결했는지, 원자 좌표가 여러 개일 때 어떤 복사본을 쓸지, 일부가 해상되지 않았을 때 여러 가능성을 어떻게 저장할지 같은 메타데이터가 함께 들어간다.
   3. 실제 모델에 넣기 위한 파싱 과정에서 이런 예외가 누적되며, 단순한 언어 모델 호출로는 모든 edge case를 책임지기 어렵다.

2. 단순성과 원칙성

   1. LLM은 예외 처리를 제안하는 데 유용하지만, 함수를 20개의 특수 케이스로 덧대는 것이 항상 옳지는 않다.
   2. 사람이 코드를 읽고 어떤 일이 일어나는지 이해할 수 있는, 의견이 분명하고(opinionated) 원칙적인 데이터 전략이 필요하다.
   3. 좋은 데이터 인프라는 모델 성능을 직접 올리는 것뿐 아니라 연구자가 결과의 원인을 추적하고 반복할 수 있게 한다.

6.2. 컴퓨트 확보와 구조 모델의 하드웨어 부적합

1. 공급의 양극화

   1. 2025년 9월 무렵부터 Chai는 spot·on-demand 시장의 GPU 용량 부족을 체감했다.
   2. 예로 10,000대의 B300이 출하돼도 하이퍼스케일러와 가장 큰 AI 연구소가 95% 이상을 가져가고 스타트업이 남은 물량을 놓고 경쟁하는 power law가 있다.
   3. Vera Rubin과 B300 같은 최신 시스템은 대규모 LLM을 전제로 설계되어, 72개의 GPU가 서로 긴밀히 통신하고 큰 KV cache를 유지하는 유형이다. 구조 모델의 계산 패턴과 항상 잘 맞는 것은 아니다.

2. 구조 모델의 계산 특성

   1. Chai 1 계열은 AlphaFold 2·3과 비슷하게 일반적인 길이 L 시퀀스가 아니라 pair representation에 attention을 적용한다.
   2. 이 표현을 배치하면 계산량이 대략 L³로 커지고, 연산량뿐 아니라 SRAM과 다른 메모리 사이 데이터 이동이 병목이 된다.
   3. layer normalization처럼 단순해 보이는 연산도 전체 시간의 큰 부분을 차지할 수 있다. 최신 칩이 학습과 추론에서 각각 어떻게 동작하는지까지 별도로 최적화해야 한다.

3. 컴퓨트 스택의 공백

   1. AI 컴퓨트 시장과 소프트웨어 스택이 LLM 중심으로 “LLM화”되어 있다.
   2. 단백질·구조 모델이 LLM만큼 크고 영향력 있는 분야가 될 수 있지만, 이를 위한 inference 최적화와 하드웨어 공급은 아직 그 수요를 충분히 반영하지 않는다.
   3. Chai는 모델에 맞는 기본적인 GPU 최적화부터 직접 수행하고, 더 큰 학습·추론 클러스터를 운영하기 위한 기반에 투자한다.

6.3. Durable execution과 대규모 실패 처리

1. 분산 작업의 실패 양상

   1. 하나의 분자 설계는 단일 모델 호출이 아니라 여러 GPU와 많은 작업의 조합이다.
   2. 데이터 버킷, 데이터베이스, GPU 중 일부가 잠깐 실패할 수 있다.
   3. 직접 큐와 retry를 덧대면 계산 자체보다 큐잉·재시도·상태 추적 코드에 95% 이상의 시간을 쓰게 되는 “retry hell”이 생긴다.

2. Temporal의 선택

   1. Chai는 장시간 실행되는 작업을 위해 queue, 실패 시 재삽입하는 retry, 여러 큐를 묶는 orchestration을 제공하는 Temporal을 사용한다.
   2. DB side effect, 모델 호출, 긴 데이터 파이프라인을 Temporal 위에 올리면 각 팀이 별도의 큐 로직을 다시 만들 필요가 없다.
   3. 이 선택은 겉으로는 생물학과 관계없는 깊은 백엔드 결정처럼 보이지만, 4억 달러 규모의 추가 자금으로 더 큰 학습·추론을 돌리려면 과학적 아이디어만큼 중요하다.

6.4. 연구에서도 “Bitter Lesson”과 단순성

1. 복잡성의 덫

   1. AlphaFold 3처럼 수십 개의 서브모듈을 가진 시스템은 어느 한 모듈을 바꿨을 때 전체 성능이 왜 변했는지 추적하기 어렵다.
   2. 계속 모듈을 추가하는 대신 무엇을 삭제해 복잡성을 낮출지 묻는 문화가 필요하다.
   3. 사무실에 SpaceX Raptor 1과 Raptor 2의 배관 비교 사진을 걸어 두고 “delete, delete, delete”의 가치로 삼는다.

2. 데이터 효율과 귀납적 편향

   1. AlphaFold 2·3은 상대적으로 작은 모델이지만 계산 집약적이고, 인간의 도메인 직관으로 설계한 inductive bias를 많이 담아 데이터 효율을 얻었다.
   2. 구조 데이터는 서열 데이터보다 훨씬 적다. 서열은 ESM처럼 Transformer에 넣기 쉽지만, 실험 구조 데이터를 단순히 같은 방식으로 처리하기는 어렵다.
   3. 구조 모델의 triangle layer 같은 설계는 3차원 관계에 맞는 편향을 주지만 계산 비용이 크고 현대 GPU의 폭넓은 행렬 처리와 잘 맞지 않는다.
   4. 이를 “파라미터와 계산량의 교환”으로 보면, 일부 파라미터를 더 쓰기보다 필요한 계산을 늘려 큰 pair representation을 저장하지 않는 식의 설계가 가능하다.

3. 범용 ML 문제로 보는 태도

   1. Chai 팀은 생물학의 특수 용어에 겁먹기보다 각 문제를 핵심 ML 문제로 번역한다. 이미지 패치, 언어 모델 토큰, 확산 모델 등 다른 분야의 대응물을 찾는다.
   2. 생물학을 전공하지 않은 엔지니어도 구조·확산·시퀀스 생성이라는 ML 문제에 기여할 수 있다는 것이 팀의 채용·연구 철학이다.
   3. 이론 컴퓨터과학 시절의 “다항시간의 힘을 과소평가하지 말라”는 조언을 따라 첫 논문에서 n²⁰ 알고리즘을 만든 일화가 나왔다. 지도교수가 “그런 의미가 아니었다”고 답했다는 농담은, 먼저 가능한 해를 만들고 나중에 단순화하는 Chai의 태도와 연결된다.

7. 산업 구조, 데이터, 경쟁과 방어력

단백질 설계의 일부는 상품화될 수 있지만, 모델·데이터·제품·파트너 통합의 결합은 계속 차별화될 수 있다는 것이 Chai의 시각이다.

7.1. 오픈소스와 프런티어 모델의 공존

1. 상품화될 층

   1. 특정 모달리티나 쉬운 결합 문제에는 공용 모델·오픈소스가 충분해지는 commodity layer가 생길 수 있다.
   2. 이는 LLM의 오픈소스 모델과 유사하다. 일반적인 작업에는 공개 모델을 쓰지만, 더 어려운 문제에는 프런티어 모델을 구매한다.

2. 가치가 계속 커지는 이유

   1. 지능이 높아질수록 더 어려운 생물학적 문제와 더 복잡한 치료 모달리티를 시도할 수 있다.
   2. 모델 자체뿐 아니라 시각화·검증·보안·캠페인 관리 같은 제품 층이 사용자가 실제 결과를 얻는 데 큰 영향을 준다.
   3. 오픈 모델이 성장해도 전체 생물학적 가치 시장이 더 빠르게 커지면, 폐쇄형 프런티어 모델은 여전히 큰 가치를 포착할 수 있다.

7.2. 데이터 모트에 대한 입장

1. 생물학 데이터의 제약

   1. 공개 서열 정보는 기반 모델을 만들 수 있게 하지만, 실제 결합·안정성·기능의 측정값은 얻는 데 시간이 오래 걸린다.
   2. “거의 임상 단계인 후보를 zero-shot으로 만들기”에는 더 많은 라벨과 더 빠른 실험 루프가 필요하다. AGI만으로 바로 해결되지 않을 수 있다.

2. 파트너 데이터의 활용

   1. 고객 데이터로 일반 모델을 무단 학습한다는 단순한 모트가 아니라, 고객별 모델·fine-tuning·분리된 배포를 통해 활용할 수 있다.
   2. 파트너가 특정 클래스의 후보에 대해 쌓은 실험 데이터는 해당 문제에서 모델을 개선할 수 있다.
   3. 고객마다 선호하는 설계 방식이나 추가 속성 조건이 있다. “우리 후보는 반드시 속성 X를 가져야 한다”는 요구를 제품과 모델에 반영하는 것만으로도 큰 가치가 된다.

3. 컨설팅과 플랫폼의 경계

   1. 제약사는 새 약을 만드는 일이 본질적으로 커스텀 작업이므로, 모든 AI-바이오 기업이 사실상 컨설팅 회사가 되는 것 아니냐는 질문이 나왔다.
   2. Chai는 모델과 제품을 범용으로 유지하지만 고객별 통합·보안·워크플로 연결은 필요하다고 인정한다.
   3. 첫해에 신뢰를 쌓고 실제 캠페인을 성공시키면, 파트너가 더 야심찬 후속 약물에서도 Chai를 계속 선택할 가능성이 방어력이 된다.

7.3. 분자 토큰의 downstream 가치와 제약의 VC 성격

1. 토큰 하나의 가치

   1. 제약에서 모델이 개선한 작은 설계 단위는 궁극적으로 수십억 달러짜리 약물 자산으로 이어질 수 있다.
   2. GLP-1 약물 두 개의 합산 자산 가치는 약 1조 달러 수준으로 언급됐고, 한때 GLP-1의 총매출이 모든 AI 연구소를 합친 매출보다 컸다는 비교가 나왔다.

2. 제약은 포트폴리오 투자다

   1. 제약사는 성공 여부를 알 수 없는 표적들에 자본을 나누어 투자하고, 실패를 포함한 포트폴리오 전체를 최적화한다.
   2. 1980년대의 Genentech가 실리콘밸리의 초기 대형 벤처 성공 사례였다는 점처럼, 제약은 소프트웨어와 다른 형태의 VC 비즈니스다.
   3. Chai 연구팀도 약 10명 규모의 작은 팀으로 아이디어를 컴퓨트에 투자하는 자본 배분자처럼 일한다. 회사 전체 약 30명이 연구·제품·엔지니어링에서 자신의 시간과 GPU를 어디에 쓸지 결정한다.

3. Aram의 법칙과 S-커브

   1. Moore의 법칙이 컴퓨트 비용·능력의 개선을 말한다면, “Aram’s law”는 약물 하나를 개발하는 데 드는 비용이 반대로 기하급수적으로 늘어난다는 농담 섞인 표현이다.
   2. 이 추세가 계속되면 한계 수익이 음수가 될 수 있다. 더 많은 자본을 넣어도 새 약물 하나의 성공 확률과 가치가 그 비용을 따라가지 못하는 지점이 온다.
   3. 단백질 설계 모델과 정밀 엔지니어링이 이 S-커브를 휘게(bend) 만들어, 더 적은 비용으로 더 많은 표적과 더 복잡한 약물을 시험할 수 있다는 기대가 있다.

8. 병목 제거, 인재, 그리고 영상의 결론

마지막 질문은 “무엇을 법칙으로 제거할 수 있다면 무엇을 없애겠는가?”였다. 답은 기술적 검증 루프와 사람의 흐름이라는 두 층위로 나뉜다.

8.1. Matt의 답: 단백질 설계 검증 루프

1. 가장 큰 연구 병목
   1. 어떤 후보가 작동하고 어떤 후보가 실패하는지 즉시 알려 주는 검증 장치가 필요하다.
   2. 현재도 여러 지표와 실험이 있지만, 연구자는 여전히 어둠 속에서 일부를 추측하며 걷는다.
   3. 검증이 즉각적이면 모델·가설·실험을 훨씬 빠르게 반복하고, 설계의 외부 루프를 과학적 사실에 맞춰 업데이트할 수 있다.

8.2. Neil의 답: 인재 부족과 접근성

1. 인재가 생물학으로 흐르지 않는 이유

   1. 소프트웨어는 컴퓨터를 집어 들고 바로 앱을 만들 수 있지만, 생물학은 학교에서 전문 지식을 오래 공부하고 박사과정을 거쳐야 한다는 인식이 있다.
   2. 분야가 추상적이고 시각화하기 어려워, 큰 단어와 긴 교육 경로가 진입 장벽이 된다.

2. 범용 인재를 끌어오는 제품

   1. Chai는 웹사이트와 제품에서 분자와 실험을 시각적으로 보여 줘서, 전문 생물학자가 아닌 사람도 구조를 이해하도록 만들려 한다.
   2. 소프트웨어 엔지니어와 ML 연구자는 모든 생물학을 다시 전공하지 않아도 계산·생성·시각화 문제에 기여할 수 있다.
   3. 1990년대 인터넷, 2000년대 빅테크, 최근 LLM으로 인재가 이동해 온 것처럼 앞으로는 생물학, 제조, 물리적 세계의 문제로 더 많은 인재가 이동해야 한다.

8.3. 시청자가 가져갈 메시지

1. 생물학의 불투명성이 낮아지고 있다

   1. 과거 생물학은 무엇을 보고 있는지도 모른 채 비결정론적 실험과 긴 trial-and-error를 반복하는 분야였다.
   2. 구조 모델이 원자 수준에 가까운 예측을 하고, 설계 모델이 96-well plate에 넣을 수십 개의 흥미로운 binder를 한 번에 내기 시작하면, 원하는 결과를 선언하고 후보를 생성하는 일이 가능해진다.

2. 공학 분야들과의 평행

   1. 소프트웨어는 코드를 쓰면 결정적인 실행 결과를 얻는다.
   2. 전기공학은 Cadence 같은 설계 시스템에서 회로를 그리고 제조로 넘긴다.
   3. 기계공학은 CAD에서 부품을 정밀하게 설계하고 출력·제조한다.
   4. 단백질 설계도 같은 방향으로 가고 있다. 자연을 관찰하는 단계에서, 원하는 기능을 선언하고 모델이 구조·서열을 채우는 정밀 공학 단계로 이동하는 것이다.

3. 최종적인 연구 기회

   1. Matt는 이 분야가 이미 상업적 traction을 얻었고 모델이 실제 가치를 제공한다고 강조했다. “가능성이 보인다”는 단계가 아니라 “모델이 작동한다”는 단계에 들어섰다는 주장이다.
   2. 아직 3D geometry, diffusion, LLM형 trunk, 데이터·실험·컴퓨트 등 풀어야 할 핵심 ML 문제가 많다.
   3. 연구자에게는 인류에 미칠 영향이 큰 동시에, 다른 분야보다 해결되지 않은 재미있는 문제가 많이 남은 영역이다.

주요 발언 모음

“우리는 스스로를 약을 만드는 회사라기보다, 의약품을 만드는 중립적인 소프트웨어 공장으로 본다.”

“항체 설계에서 중요한 것은 붙는다는 사실만이 아니라, 정확히 어디에 붙는지, 무엇은 피하는지다.”

“Chai 2는 구조와 서열을 함께 만들며, 모델이 구조와 서열을 앞뒤로 반복해 조정하면서 자기일관적인 해로 수렴한다.”

“단백질 설계의 가장 큰 경쟁자는 생쥐, 또는 어떤 의미에서는 자연이다.”

“폭포수식의 표적 발견·hit 발견·최적화를, 모델이 좋은 후보를 주는 순환 루프로 바꾸고 싶다.”

“제품은 이제 20년 동안 유지되는 소프트웨어라기보다, 더 나은 연구 모델이 나올 때까지 가치를 전달하는 다리일 수 있다.”

“생물학을 과학적 실험에서 공학 분야로 바꾸려면, 원하는 것을 선언적으로 정의하고 모델이 빈칸을 채우게 해야 한다.”

“이 분야는 이제 실제로 작동한다. 상업적 traction도 있고, 여전히 풀 수 있는 재미있는 연구 문제가 많다.”

핵심 데이터 & 수치

• 약 2년 반: 인터뷰 당시 Chai의 설립 후 경과 기간이다.
• 약 8년: Matt가 AI·생물학 및 단백질 구조 예측 분야를 연구해 온 기간이다.
• 5명: 초기 Chai 팀이 AlphaFold 3 전후 오픈소스 모델과 인프라를 만들던 규모다.
• 48시간: Chai 1 출시 직전 논문, 웹 서버, 기술 보고서를 마무리하기 위해 팀이 거의 잠들지 않고 작업한 시간이다.
• 50개 표적: Chai 2의 항체 설계 도전에서 다룬 표적 수다.
• 절반가량: 50개 표적 중 결합 hit을 얻은 표적의 비율로 언급됐다.
• 약 20%: 50개 표적 실험에서 보고된 평균 결합 hit rate다.
• 0.33Å: cryo-EM으로 검증한 한 설계의 구조 예측 오차다. 원자 폭의 약 3분의 1이다.
• 수개월~수년: 전통적인 표적 발견·hit 발견·최적화 각 단계에 걸리는 시간이다.
• 수주: wet lab 네트워크를 활용한 현재의 설계 검증 주기다.
• 약 11%: 대화에서 언급된 AlphaFold 2의 항체-항원 복합체 예측 정답률이며, 약 90%가 틀렸다는 맥락으로 제시됐다.
• 95% 이상: 10,000대 수준으로 출하되는 최신 GPU 물량 중 하이퍼스케일러·대형 AI 연구소가 차지하는 비중의 예시다.
• L³: pair representation 기반 구조 모델에서 길이 L에 따라 커지는 계산량의 직관적 표현이다.
• 약 10명 / 약 30명: Chai 연구팀 규모와 회사 전체 규모로 각각 언급됐다.
• 약 1조 달러: 두 GLP-1 약물의 합산 자산 가치에 대한 대략적인 비교다.

핵심 요약 (20줄)

1. Chai Discovery는 자체 신약 파이프라인보다 여러 제약사를 위한 중립적인 단백질 설계 소프트웨어 계층을 만든다.
2. Matt McPartland는 이론 컴퓨터과학에서 AI·생물학으로 옮겨 AlphaFold 1·2 시대의 구조 예측 발전을 경험했다.
3. Neil Patel은 앱·로보틱스·자율주행·보안 제품을 거쳐 Chai의 모델 인프라와 제품화를 맡고 있다.
4. 항체는 안정적인 framework와 설계 가능한 CDR 루프를 함께 가져 생성 모델의 유망한 표적이 된다.
5. 기존 항체 발견은 생쥐 면역화나 수십억 후보의 디스플레이 스크리닝에 의존했다.
6. 기존 방법은 결합 여부는 알려 줘도 정확한 결합 위치, 선택성, 개발 가능성을 즉시 설명하지 못했다.
7. Chai 1은 아미노산·원자 토큰, Transformer, 3D diffusion을 결합한 구조 예측 모델이다.
8. Chai는 초기 다섯 명의 팀으로 MSA와 생산용 인프라를 오픈소스 구축하며 모델 개발을 가속했다.
9. MSA는 보존성과 공변이를 통해 서열에서 3D 구조를 추론하는 진화적 신호를 제공한다.
10. Chai 2는 표적 구조에 맞는 서열과 구조를 all-atom diffusion으로 함께 생성한다.
11. Chai 2의 50개 표적 도전에서는 절반가량의 표적에서 hit을 얻었고 평균 결합 hit rate는 약 20%였다.
12. 설계 결과는 독립 구조 예측의 자기일관성, confidence, 생성 다양성, wet-lab 실험으로 검증한다.
13. 한 cryo-EM 검증에서는 예측 구조와 실제 구조의 오차가 0.33Å에 불과했다.
14. Chai 2.5와 Chai 3의 핵심 목표는 강한 결합뿐 아니라 안정성, 안전성, 제조성, 비응집성까지 맞추는 것이다.
15. Chai의 제품은 챗봇보다 Autodesk·SolidWorks·Figma·Photoshop에 가까운 3D 분자 설계 스위트다.
16. 표적의 에피토프를 칠하고 결합·회피 조건을 지정하면 모델이 후보를 생성하고 분석 결과를 보여 준다.
17. 신약 개발의 폭포수식 단계는 실험 결과를 다음 모델 실행에 넣는 빠른 가설 검증 루프로 바뀔 수 있다.
18. 에피토프 예측과 작용제·이중특이항체 설계는 단순 binder 생성보다 훨씬 어려운 다음 단계다.
19. GPU 공급, L³ 계산, 데이터 파싱, Temporal 기반 durable execution, 단순성 중심의 연구 문화가 핵심 인프라다.
20. 구조 모델이 생물학을 자연 관찰에서 CAD·소프트웨어 같은 정밀 공학으로 바꾸며, 이 분야에는 아직 큰 영향력과 많은 연구 기회가 남아 있다.

결론 및 시사점

1. 모델 성능보다 시스템 전체가 중요하다: 결합체를 잘 생성하는 모델만으로는 치료제가 되지 않는다. 에피토프 지정, 선택성·교차반응성 조건, 개발 가능성, 실험 검증, 보안과 데이터 격리, 재시도 가능한 인프라가 모두 제품의 일부다.
2. 항체는 중간 단계이자 시험대다: 항체의 framework와 CDR 구조는 설계에 유리하지만, 작용제·이중특이항체·ADC로 갈수록 기능·공간 제약이 복잡해진다. Chai가 모델과 제품의 추상화 수준을 계속 높여야 하는 이유다.
3. 검증 속도가 과학의 throughput을 결정한다: 수주로 줄어든 wet-lab 루프는 의미 있는 진전이지만, 즉각적인 구조·기능 판정이 가능해지면 설계 공간 탐색은 훨씬 빨라진다. 가장 중요한 장기 투자는 더 좋은 예측 점수뿐 아니라 더 빠르고 신뢰할 수 있는 측정이다.
4. 제품은 과학의 외부 루프를 운영해야 한다: 미래의 인터페이스는 분자 하나를 편집하는 CAD를 넘어 여러 표적과 에피토프에 대한 가설 캠페인을 계획하고 실험 결과를 자동으로 다음 설계에 반영하는 오케스트레이터가 된다.
5. 생물학의 진입 장벽이 낮아진다: 단백질을 시각적으로 다루는 제품과 범용 ML 추상화가 결합하면, 전문 생물학자뿐 아니라 ML 연구자·소프트웨어 엔지니어도 생명과학의 문제를 풀 수 있다.
6. 비즈니스의 핵심은 파트너 성공이다: 자체 신약 파이프라인을 보유하지 않는 대신 여러 제약사의 실제 캠페인에서 배우고, 그 피드백을 범용 모델과 제품에 반영하는 것이 Chai의 방어력과 성장 루프다.
7. 최종 전망: 생물학은 아직 비결정론적이고 느리지만, 구조 예측과 생성 모델이 이미 실제 결합체와 사업적 가치를 만들어 내기 시작했다. 목표는 자연을 완전히 대체하는 것이 아니라, 자연의 탐색 공간을 공학적으로 조작할 수 있는 수준으로 바꾸는 것이다.