AI가 새로운 분자 구조를 제안하는 일과 그 분자를 실제로 만드는 방법을 찾는 일은 다릅니다. Microsoft Research와 협력 연구진이 공개한 RetroChimera는 이 두 번째 문제, 즉 목표 분자에서 출발해 합성 경로를 거꾸로 찾는 retrosynthesis를 겨냥합니다. 2026년 9월 21일 Nature에 연구가 발표됐고, 같은 시점에 구현·가중치가 GitHub와 Microsoft Foundry에 공개됐습니다. 이는 해당 연구와 공개 자료의 현재 버전을 말하며, 과거에 retrosynthesis 연구가 없었다는 뜻은 아닙니다.
분자 설계 다음에 합성 계획이 있습니다
신약 후보를 설계해도 실험실에서 어떤 반응을 어떤 순서로 적용할지 알 수 없다면 연구는 멈춥니다. RetroChimera는 목표 분자를 입력받아 가능한 반응 후보를 여러 개 만들고, 그중 더 그럴듯한 후보를 순위화합니다. 여러 단계의 합성 경로를 구성하려면 이 후보 생성·순위화 결과를 별도의 탐색 절차와 결합해야 합니다. 하나의 모델이 모든 반응을 기억한다고 가정하는 대신 서로 다른 강점을 가진 모델을 결합한 앙상블 구조를 사용합니다.
이 방식은 체스처럼 다음 수를 한 번 고르는 문제가 아니라, 합성 단계가 늘어날수록 가능한 가지가 폭발하는 탐색 문제입니다. 따라서 첫 번째 결과가 정답이라는 뜻이 아니라, 화학자가 검토할 후보를 더 넓고 빠르게 만들 수 있다는 뜻입니다.
공개 가중치는 연구를 앞당기지만 책임도 남깁니다
Microsoft는 공개 데이터뿐 아니라 GSK·Novartis의 자료에 적응하는 실험과 화학자의 선호도 평가를 소개했습니다. GitHub 저장소는 MIT 라이선스로 코드를 제공하지만, 동시에 모델을 연구·실험용으로 보며 실제 사용 전 화학 전문가의 위험 평가와 독립 검증이 필요하다고 경고합니다.
이 경고는 중요합니다. AI가 추천한 반응은 실험실의 시약 순도, 온도, 용매, 장비와 작업자의 경험을 자동으로 보장하지 않습니다. 훈련 데이터에 드문 반응이 부족하거나 입력 분자가 분포 밖에 있으면 그럴듯하지만 틀린 경로가 나올 수 있습니다.
신약 개발 비용을 바로 낮춘다는 뜻은 아닙니다
합성 계획이 빨라지면 탐색할 후보가 늘어날 수 있지만, 실제 비용과 기간은 합성 성공률, 반복 실험, 정제와 독성 평가까지 포함해 결정됩니다. RetroChimera는 연구자와 자동화 실험 시스템을 연결할 가능성을 보여 주지만, 임상 후보를 만드는 폐쇄 루프가 완성됐다는 발표는 아닙니다.
다음 확인 지점은 공개 체크포인트가 새로운 분자와 실험실 조건에서 재현되는지, 낮은 순위의 경로에서 오류가 얼마나 늘어나는지, 실제 합성 성공률로 연결되는지입니다.
참고자료
- Improving synthesis prediction of small molecules at scale with RetroChimera (Microsoft Research, 2026년 9월 21일)
- Chemist-aligned retrosynthesis by ensembling diverse inductive bias models (Nature, 2026년 9월 21일)
- microsoft/retrochimera (GitHub)