냐옹

$ABCL 🧬 ABCL — “우리의 데이터는 우리가 직접 만든다” 🎯 Prescott가 인용한 문장은 AbCellera가 SEC 문서에서 오랫동안 설명해 온 Celium/Data Science 구조입니다. 핵심 문장은 이것입니다. “Because we do not rely on third-party data…” 즉, AbCellera는 항체 discovery 과정에서 생성되는 데이터를 자체 실험 플랫폼에서 직접 수집하고 표준화해 중앙 데이터베이스에 축적합니다. 회사는 이것이 데이터 품질관리와 표준화에서 중요한 이점이라고 설명합니다. 첨부된 자료를 보면 하나의 discovery program에서도 terabyte 규모의 데이터가 만들어질 수 있고, 과거 회사가 제시한 예에는 microscopy images, single-cell DNA sequences, RepSeq sequences, antibody secretion measurements, antibody characterization measurements 등이 포함됩니다. 따라서 여기서 말하는 데이터는 인터넷에서 긁어온 논문 텍스트나 공개 단백질 서열 데이터만을 뜻하는 것이 아닙니다. 실제로 항체를 만들고 → 실험하고 → 측정해서 얻은 biological/functional data라는 것이 핵심입니다. 1️⃣ 왜 이것이 AI 시대에 중요할까? AI 모델은 데이터가 많다고 무조건 좋아지는 것이 아닙니다. 신약개발에서는 특히 이 sequence가 무엇인지 뿐 아니라 실제로 잘 발현되는지 target에 얼마나 잘 결합하는지 기능이 있는지 aggregation은 어떤지 stability는 어떤지 developability는 어떤지 같은 실험 결과가 붙어 있어야 가치가 커집니다. AbCellera의 구조에서는 이 관계가 중앙 데이터베이스 안에서 연결됩니다. 회사는 측정값, sample, protocol, metadata, antibody 사이의 관계를 유지하도록 데이터를 저장한다고 설명합니다. 쉽게 말하면, “항체 A의 서열을 안다.” 에서 끝나는 것이 아니라, “항체 A의 서열 + 기능 + 물성 + 실험조건 + 이미지 + 관련 antibody family” 를 연결하려는 구조입니다. 이 차이가 큽니다. 2️⃣ 다른 AI 신약기업과 무엇이 다른가? 여기서는 조심스럽게 구분해야 합니다. 모든 AI biotech가 공개 데이터만 쓰는 것도 아니고, AbCellera만 proprietary wet-lab data를 보유하는 것도 아닙니다. 예를 들어 대형 제약사나 일부 AI-native biotech도 자체 실험 데이터를 만들고 AI와 연결합니다. 따라서 “ABCL만 proprietary data를 가지고 있다” 라고 하면 과장입니다. AbCellera의 차별화 가능성은 다�� 곳에 있습니다. DATA GENERATION + BIOLOGY + COMPUTATION이 처음부터 하나의 시스템으로 설계돼 있다는 것 입니다. 회사는 현재 플랫폼을 아예 biology, computation and engineering을 통합해 target에서 clinic까지 가는 시스템으로 설명합니다. 3️⃣ 특히 Single-cell이 중요합니다 AbCellera의 시작점은 단순한 AI가 아닙니다. 실제 면역세포를 대규모로 검색하는 single-cell screening입니다. 회사는 자연 면역반응에서 만들어지는 방대한 antibody repertoire를 microfluidics 기반 high-throughput single-cell screening으로 검색합니다. 그리고 RepSeq 등을 결합해 antibody diversity를 넓힙니다. 여기에서 Celium이 등장합니다. Celium은 이 복잡한 데이터들을 통합하고 시각화하여 연구자가 antibody sequence, 기능, developability 등의 관계를 탐색할 수 있게 합니다. 따라서 구조를 단순화하면, IMMUNE CELLS ↓ SINGLE-CELL SCREENING ↓ FUNCTIONAL DATA ↓ SEQUENCE + PROPERTIES ↓ CELIUM ↓ AI / ML ↓ BETTER CANDIDATE SELECTION 입니다. 이것은 AI부터 시작해서 후보물질을 예측하는 구조와 약간 다릅니다. AbCellera는 상당 부분 실험에서 시작해 데이터를 만들고, 그 데이터를 computation으로 다시 이용하는 구조입니다. 4️⃣ 그리고 여기에 아주 중요한 ‘Flywheel’이 생길 수 있습니다. 이 부분이 제가 Prescott의 글에서 가장 관심을 갖는 지점입니다. AbCellera의 2025년 10-K를 보면 파트너 계약에서도 회사가 생성한 데이터를 자신의 discovery/development capability 개선과 machine-learning algorithm에 사용할 권리를 확보한다고 명시합니다. 물론 partner-specific target data를 다른 파트너 프로그램에 사용하는 것은 firewall로 제한합니다. 이것은 상당히 중요합니다. 프로그램을 많이 할수록 더 많은 실험 → 더 많은 proprietary data → 더 좋은 분석/ML → 더 좋은 candidate selection → 더 많은 프로그램 이라는 구조가 이론적으로 가능합니다. 이것이 ABCL Data Flywheel입니다. 5️⃣ 그런데 지금까지 이 Flywheel에는 결정적인 문제가 하나 있었습니다 정말 더 좋은 약을 만드는가? 였습니다. 데이터가 petabyte든 terabyte든, AI가 아무리 좋아도, 결국 신약회사에서는 사람이 먹거나 맞았을 때 좋은 약이 나와야 합니다. 그래서 ��는 최근의 ABCL635를 이 데이터 이야기와 연결해서 보는 것이 중요하다고 생각합니다. ABCL635가 의미 있는 이유는 단순히 635라는 asset의 rNPV 때문만은 아닙니다. 처음으로 Platform → Data → Computation → Candidate → Clinical development → Human efficacy 라는 연결의 끝부분에 실제 임상 데이터가 붙기 시작했기 때문입니다. 이것이 우리가 앞선 아티클에서 이야기했던 “635 하나가 아니라 반복성”과 정확히 연결됩니다. 6️⃣ 그래서 575 → 688 → 386이 더욱 중요해집니다. 635 하나만 성공한다면 이렇게 반박할 수 있습니다. “좋은 molecule 하나를 우연히 골랐을 수도 있다.” 그런데 575에서도 예상한 human PK/PD가 나오고, 688과 386도 임상에 진입하고, 그 뒤의 stealth pipeline에서도 지속적으로 좋은 candidate가 나온다면 이야기가 달라집니다. 그때부터 우��는 처음으로 ABCL의 데이터가 실제로 Candidate Quality를 높이고 있는가? 를 검증할 수 있습니다. 그래서 저는 635 → 575 → 688/386을 각각 독립된 바이오 이벤트로만 보지 않습니다. AbCellera의 Drug-Creation Engine에 대한 연속된 시험이라고 봅니다. 7️⃣ 그리고 AI 관점에서는 앞으로 훨씬 재미있어질 수 있습니다 AbCellera는 이미 AI/ML을 antibody sequencing, protein engineering, chain-pairing, image processing 등에 사용해 왔다고 설명했습니다. 그리고 회사는 데이터가 증가할수록 이런 접근법이 더 predictive해질 수 있다고 오래전부터 주장해 왔습니다. 중요한 것은 요즘 유행하는 Generative AI라는 이름을 붙이는 것이 아닙니다. 오히려 AI predicts ↓ Lab tests ↓ Experiment generates new proprietary data ↓ Model learns ↓ Next experiment improves 라는 closed loop가 만들어지는지가 중요합니다. 바로 얼마 전 우리가 살펴본 BioSpace의 AI 신약개발 논의와도 이 부분이 연결됩니다. AI가 wet lab을 대체하는 것이 아니라 AI와 wet lab이 서로를 계속 개선시키는 구조입니다. 8️⃣ 다른 기업과 비교하면 ABCL의 장단점도 선명합니다. 대형 AI 모델 회사는 훨씬 큰 computational resources와 foundation model을 가질 수 있습니다. 대형 Pharma는 AbCellera보다 훨씬 많은 임상��환자·상업 데이터를 가지고 있습니다. 일부 AI-biotech는 protein structure prediction이나 generative design에서 더 전문화되어 있을 수도 있습니다. 그래서 ABCL이 모든 AI 신약기업보다 기술적으로 우위라고 말할 근거는 없습니다. 하지만 ABCL에는 다른 조합이 있습니다. 자체 single-cell screening proprietary functional biological data Celium AI/ML protein engineering preclinical development manufacturing clinical development 이 한 회사 안에서 연결되고 있습니다. 현재 회사도 자신의 플랫폼을 target selection부터 clinical studies까지 연결된 구조로 설명합니다. 이 조합이 경쟁력입니다. 9️⃣ 장기적으로 가장 기대되는 것은 ‘데이터의 복리’입니다 이것은 재무제표에는 잘 나타나지 않습니다. 예를 들어 ABCL이 올해 discovery program 20개를 수행했다고 해서 그 데이터 가치가 바로 매출로 잡히지는 않습니다. 하지만 그 과정에서 축적된 Sequence ↔ Function Structure ↔ Property Target ↔ Antibody behavior Preclinical ↔ Clinical outcome 관계가 계속 데이터베이스에 쌓인다면, 10년 차 플랫폼은 3년 차 플랫폼과 같지 않을 수 있습니다. 특히 앞으로 자체 파이프라인이 늘어나면 더욱 중요합니다. 왜냐하면 이제 데이터의 마지막에 Human Clinical Outcome 이 붙기 시작하기 때문입니다. 이것은 단순 screening data보다 훨씬 가치 있는 feedback이 될 가능성이 있습니다. 다만 현재 공개자료만으로 ABCL이 임상결과까지 어떤 형태로 ML training loop에 넣고 있는지까지 확인되지는 않습니다. 이 부분은 기대와 사실을 구분해야 합니다. 🔟 그렇다면 기대치는 어디까지 둘 것인가? 저는 아직 ABCL을 “AI 데이터 독점기업”이라고 부르지는 않겠습니다. 너무 앞서가는 표현입니다. 현재 확인된 것은 ① 대규모 proprietary experimental data를 직접 생성한다. ② 데이터를 표준화해 중앙화한다. ③ 파트너 프로그램에서 생성한 데이터 일부도 플랫폼 개선과 ML에 활용할 계약상 권리를 확보한다. ④ AI/ML을 이미 discovery workflow에 사용한다. ⑤ 이제 자체 후보들이 사람에게 들어가면서 clinical feedback을 만들기 시작��다. 여기까지는 상당히 강한 사실입니다. 그 다음은 아직 검증해야 합니다. 그 데이터가 정말 다른 회사보다 더 좋은 약을 더 자주 만들어내는가? 이것이 마지막 관문입니다. 🎯 제가 보는 방향성 앞서 우리가 만든 ABCL 장기 투자논리에 오늘 Prescott의 자료를 하나 더 붙이면 상당히 재미있는 그림이 됩니다. 1단계 — DATA Single-cell에서 proprietary biological data를 직접 만든다. ↓ 2단계 — LEARNING Celium + AI/ML로 sequence·function·developability 관계를 학습한다. ↓ 3단계 — DRUG 그 결과로 더 좋은 clinical candidate를 선택한다. ↓ 4단계 — HUMAN VALIDATION 635 → 575 → 688 → 386. ↓ 5단계 — FEEDBACK 임상에서 얻은 새로운 지식을 다시 다음 discovery에 반영한다. ↓ 6단계 — REPEAT 더 좋은 다음 후보를 만든다. 이것이 제대로 돌아간다면 AbCellera의 진짜 자산은 Celium이라는 소프트웨어 하나도, 635라는 신약 하나도 아닐 수 있습니다. ‘실험 → 데이터 → 계산 → 신약 → 임상 → 다시 학습’이라는 반복 시스템 자체가 자산이 됩니다. 그리고 이것이 성공했는지를 확인하는 가장 좋은 방법은 AI 발표자료나 데이터 규모를 보는 것이 아닙니다. 635 다음에 좋은 약이 또 나오는지를 보는 것입니다. ��래서 지금 우리가 기다리고 있는 635 12주 → 575 → 688·386 → stealth pipeline 은 단순한 파이프라인 일정이 아닙니다. AbCellera의 데이터와 AI가 정말 복리처럼 작동하는지를 검증하는 시간표 라고 보는 편이 훨씬 흥미롭습니다. 이 관점에서는 Jack Prescott가 이번에 과거 SEC 문서의 이 문장을 다시 끄집어낸 이유도 이해가 됩니다. AI 시대가 깊어질수록 모델 자체보다 ‘남들이 갖지 못한 깨끗하고 실험적으로 검증된 데이터’를 누가 계속 만들어낼 수 있느냐가 중요해질 수 있기 때문입니다. ABCL은 적어도 그 경쟁을 위해 상당히 독특한 구조를 오래전부터 만들어왔습니다. 이제 남은 것은 그 데이터 우위가 반복적인 임상 성공률이라는 숫자로 나타나는지 확인하는 것입니다. 🔗 참고자료 / PRIMARY SOURCES AbCellera — 2025 Form 10-K / Data Rights·AI/ML·Proprietary Data https://t.co/alzT7H2eqt AbCellera — Platform / Target to Clinic https://t.co/C4mj8eqzgX AbCellera — Celium / Discovery on Target https://t.co/O3eVM4fOmp AbCellera — SEC 2021 Form 10-K / Celium·Data Architecture·AI/ML https://t.co/5ncIRuIyn9 AbCellera — Current Pipeline https://t.co/LCbVSNcFdv Jack Prescott — 사용자가 공유한 원 게시물 https://t.co/H26rS2nbqU