Junction Bioscience: AI Hypothesis Engine for Molecular Discovery

대부분의 AI 신약 개발 도구는 사람이 이미 세운 질문에 대한 답을 빠르게 만든다. Junction은 모델을 그 앞 단계에 둔다. 엔진이 기전을 제안하고, 문헌과 사내 데이터에 비추고, 견디지 못하는 안을 버린다. 프로젝트 책임자에게는 긴 분자 목록 대신 이유가 붙은 짧은 후보 목록이 남는다.

핵심 방법은 원자가 움직이는 물리적 세계를 화학 코드로 번역하고, 그것을 실험실에서 써서 세포 행동을 바꾸는 것이라고 회사는 설명한다. 쉽게 말하면 분자의 모양과 전하가 세포 안 표적과 어떻게 맞물리는지 모델링하고, 그 모델로 합성할 가치가 있는 화합물을 고른다. 생물물리학과 경로 생물학은 보통 다른 팀에 있다. 여기서는 같은 순환에 들어간다.

Junction은 살아 있는 세포에서 분자 상호작용을 측정할 때 신호 대 잡음비를 1000배 개선했다고 밝힌다. 이 숫자가 중요한 이유는 세포 기반 분석에서 실제 결합이 배경 잡음에 묻히기 쉽기 때문이다. 신호가 깨끗하면 모델의 학습 데이터가 좋아지고, 화합물이 예측대로 작동했는지 화학자가 더 분명히 본다. 수치는 회사 발표이며 독립 검증은 아직 없다.

예측은 누군가 시험해야 의미가 있다. 엔진의 출력은 회사가 직접 수행하는 실험으로 들어가고, 결과는 다시 모델로 돌아온다. 한 바퀴마다 다음 제안 목록이 좁아진다. 예측만 팔고 검증은 고객에게 맡기는 소프트웨어 기업과의 구조적 차이가 이 지점이다.

치료 표적 선정은 단순한 조건을 따른다. 의료 수요가 크고 충족되지 않은 생물학을 고르고, 그중 자사 분석이 AI에 쓸 만한 데이터를 내는 범위로 좁힌다. 이 조합 덕분에 자금력이 큰 스크리닝 기관과 정면으로 부딪치지 않는다. 파이프라인이 자가면역과 염증 질환에 집중되는 이유이기도 하다.

Junction은 대학 연구진, 제약사와 공동 연구를 운영하고 신약 개발 플랫폼을 둘러싼 제휴 제안도 받는다. 초기 학술 사례 연구가 대형 제약사와의 공동 프로젝트로 이어졌다. 파트너가 얻는 것은 추론 엔진과 그 뒤의 실험 역량이며, 단일 도구 라이선스가 아니다.