0. Spatial Biology의 도래
우리가 생명현상을 탐색하고 질병을 이해하는 것은 오래 전부터 세포 및 분자수준에서 일어나는 변화를 탐색하기 시작하였으며 이는 구체적인 ‘신약’이란 action으로 만들어지는 long cycle을 만들어왔다.
그런데, 이 데이터의 크기가 기하급수적으로 커지기 시작한것은 spatial biology가 등장하기 시작하면서 더욱 가속화되었다. 2020년 spatial transcriptomics가, 2024년 spatial proteomics가 각각 nature methods의 ‘Method of the Year’를 장식하면서 이른바 biology는 공간에서 모든 분자적정보를 탐색하고 여러 layer의 정보가 통합될 수 있는 하나의 장이 마련되기 시작하였고, 질병에 대한 모든 분자 발현관련 정보를 데이터화하여 수집하면서 이제는 ‘가설중심의 연구’가 아닌 ‘데이터 중심의 연구’로 무한한 가설을 generation하고 데이터 위에서 검증 및 시뮬레이션을 할 수 있는 재료가 마련되는 계기가 되었다.
현재의 Spatial biology는 단 하나의 손톱만한 크기의 조직 slice에서 수백 GB를 넘나드는 정보를 만들어낼 수 있으며 이는 폭발적으로 성장 중인 AI와 결합하여 무한한 가능성을 만들어 낼 수 있는 시대에 접어들게 되었다.
1. Agent의 시대: 분석 도구에서 의사결정 시스템으로
Spatial biology tool의 역할 변화: 과거의 spatial biology 분석 툴은 “데이터를 잘 보는 것”이 목적이었다. 그리고 여기서 새로운 발견을 위한 하나의 툴들이 개발될 때 마다 화려한 논문을 장식하거나 신기술로서 여겨지거나, 한편으로는 나아가 하나의 산업 sector일부를 차지하는 스타트업이 되기도 하였다.
하지만 agent의 시대에는 분석 및 특정 발견을 돕는 '툴'은 더 이상 최종 목표가 아니다. 복잡한 데이터 위에서 무엇을해야 하는지(action)를 제안하고, 신약개발의 다음 의사결정으로 자연스럽게 이어지는 agentic system이 요구된다.
Spatial biology는 이제 탐색(exploration)의 도구가 아니라 의사결정의 엔진이자 신약개발에서 patient-centric한 데이터 중심의 Operating System으로 나아가야 한다.
2. Spatial biology의 무게 중심 이동
Cell state 이해에서 Drug action 예측으로
Cell type annotation, niche discovery, pathway enrichment는 더 이상 차별점이 아니다.
중요한 질문은 이제 다음과 같다.
이 타깃은 어디서 발현되고, 어떤 microenvironment에서 유효한 drug action이 가능한가?
toxicity와 efficacy는 spatial context에서 어떻게 분리되는가?
Spatial biology의 중심은 biology 설명 → 약물 작동 방식 예측으로 이동해간다. 이는 Spatial biology가 더이상 탐색이 아닌 AI와 만나 구체적인 신약개발 value를 창출할 수 있는 OS로 자리하는 과정이기 때문이다.
3. Drug은 더 이상 단순 분자가 아니다
Spatial context에서 정의되는 therapeutic entity
ADC, RPT, bispecific, cell therapy와 같은 최근 부상하고 이미 블록버스터를 달성하는 약물 모달리티에서는 drug은 단순한 분자가 아니라 공간적으로 작동하는 시스템이다.
payload는 어디까지 도달하는가
bystander effect는 어떤 조직에서 증폭되는가
target expression의 heterogeneity는 실제 efficacy에 어떤 영향을 주는가
도달된 약물은 주변 수많은 세포들과 어떤 상호작용을 통해 질병 차원에서 영향을 주고받게 되는가
이 질문들은 in vitro나 bulk 데이터로는 답할 수 없고, spatial biology 위에서만 정의될 수 있다.
4. 신약개발 Value Chain을 직접 건드리는 Spatial Intelligence
Target discovery에서 IND 전략까지
Spatial biology 기반 AI는 더 이상 upstream research에만 머물러서는 안 된다.
Target prioritization의 기준 재정의
Indication 확장의 논리적 근거
Patient stratification과 companion diagnostics
Preclinical-to-clinical translation의 불확실성 감소
즉, drug asset의 성공 확률을 바꾸는 위치에 들어가야 한다.
5. 인간 데이터의 근본적 한계
Spatial biology는 왜 항상 부족한가
인체 유래 spatial data는 본질적으로 희소하다.
환자는 모두 다르고
질병은 시간에 따라 변하며
치료 이력과 환경은 biology를 계속 바꾼다
아무리 많은 cohort를 모아도, 우리는 관측된 세계의 아주 일부만 보고 있을 뿐이다.
6. 데이터 보완이 아닌 세계 확장으로서의 AI
Interpolation을 넘어 extrapolation으로
기존 AI는 주어진 데이터 안에서의 예측(interpolation)에 머물렀다. 그러나 신약개발에서는 아직 관측되지 않은 biology가 더 중요하다.
관측되지 않은 patient
시도되지 않은 drug
존재하지만 아직 샘플링되지 않은 tissue state
AI는 데이터의 빈칸을 메우는 도구가 아니라, 가능한 biology의 공간을 확장하는 시스템이 되어야 한다.
7. Principle-constrained World Model
Physics와 Biology 위에 세워진 생성·예측 모델
필요한 것은 단순한 생성모델이 아니다. 생성모델의 기존 데이터만으로 새로운 관측되지 않은 Patient및 drug을 예측하면 불확실성만 늘어나게 된다. 또한 이러한 데이터는 앞서언급한 것과 같이 아무리 커도 ‘환자 유래 질병의 분자데이터’ 는 희소하다. 이러한 희소 데이터에서 예측과 생성이 가능토록 하는 것은 예측의 Constraint를 두는 것이고 이 constraint는 자연현상의 원리에 입각하여 만들어진다. 이것이 분자 수준에서 biology를 생성하고 예측할 수 있는 world model, 그러나 다음과 같은 제약을 갖는 모델이다.
물리 법칙(확산, 결합, 거리, 농도)
생물학적 원리(발현 조절, cell-cell interaction, tissue architecture)
약물 작동 원리(pharmacology, modality-specific constraints)
이 모델은 “그럴듯한 그림”이 아니라 실험과 개발 전략을 설계할 수 있는 가상 세계여야 한다.
8. Spatial Biology × Agent × World Model
신약개발을 재설계하는 새로운 스택
미래의 시스템은 다음을 동시에 수행한다.
Spatial data를 이해하고
Drug action을 예측하며
다음 실험과 개발 전략을 제안한다
이는 하나의 모델이 아니라, Agentic system + Spatial world model + Drug-aware AI의 결합이다.
9. 결론: 플랫폼을 넘어서, Drug creation system으로
Spatial biology의 미래는 분석 플랫폼이 아니다.
신약을 만들어내는 시스템이다. 이 시스템은
제한된 인간 데이터를 넘어서고
공간적 biology를 이해하며
drug development의 실제 성공 확률을 바꾼다
그리고 이 지점에서, AI는 더 이상 도구가 아니라 공동 창조자(co-creator)가 된다.
