국내 바이오산업이 인공지능(AI) 시대 동력으로 도약하기 위해서는 방대한 의료·유전체 데이터를 실제 연구에 활용할 수 있도록 국가 차원 통합시스템을 구축해야 한다는 제언이 나왔다.

우리나라는 세계적 수준 의료인프라와 건강보험 데이터, 우수한 연구인력을 확보하고 있지만 정작 데이터와 연구개발 예산이 부처·기관별로 분산돼 있어 산업 발전을 막고 있다는 지적이다.

특히 정부가 AI와 첨단기술에 대한 투자를 확대하는 상황에서 바이오 분야와 연계한 투자 전략이 뒷받침되지 않으면 장기적인 성장동력 확보에 한계가 있을 것이라는 우려도 제기됐다.

이현숙 서울대학교 생명과학부 교수는 최근 서울 코리아나호텔에서 열린 ‘대한민국 넥스트 엔진: 바이오 대혁신, 국가미래성장을 잇다’ 공동포럼에서 ‘AI·데이터 기반 차세대 바이오 혁신전략’을 주제로 발표하며 이같이 지적했다.

그는 “2001년 미국에서 한국에 돌아왔을 때부터 바이오를 차세대 성장동력이라고 주장하곤 했는데, 25년이 지난 지금도 여전히 차세대 성장동력이라고 얘기를 한다”면서 “이제는 정말로 반도체 다음을 이끌 산업으로 바이오를 본격적으로 육성해야 한다”고 강조했다.

이어 “우리나라는 세계적인 연구인력과 제조 역량, ICT·AI 인프라, 전(全) 국민 건강보험 데이터를 보유하고 있다”면서 “이 모든 역량이 모이는 분야가 바이오인데도 산업 발전을 위한 연결 구조가 제대로 만들어지지 않았다”고 지적했다.

데이터는 있지만 쓸 수 없는 상황…‘AI 레디(AI-ready) 체계’ 필요

이 교수가 가장 심각한 문제로 꼽은 것은 국내 바이오 데이터 활용성과 기관 간 연계 부족이다.

국내에는 건강보험과 유전체, 병원 임상정보 등 다양한 데이터가 축적돼 있지만 기관별 관리체계와 법적 제약 등으로 인해 연구자들이 데이터를 통합적으로 활용하기 어렵다는 설명이다.

그는 “우리나라는 데이터 보고가 맞다. 하지만 쓸 수 있는 형태가 아니”라며 “각 부처와 병원에서 많은 데이터를 모으고 있지만 서로 연결되지 않고 AI가 바로 활용할 수 있는 수준도 아니다”라고 작심 비판했다.

이어 “정부가 좋은 사업을 많이 만들고 GPU 등 인프라를 확보했지만 AI가 학습할 바이오 데이터와 연구시설을 하나로 묶지 못하고 있다”면서 “패키지가 없는 것이 문제”라고 덧붙였다.

이에 따라 향후 정부 지원을 통해 생산되는 바이오 데이터를 처음부터 AI 학습에 활용할 수 있는 형태로 표준화하는 ‘AI 레디(AI-ready)’ 체계가 필요하다고 제안했다.

이미 구축된 데이터 양을 늘리는 데 집중하기보다 연구 과정에서 생산되는 새로운 데이터 품질과 활용 가능성을 확보하는 방향으로 정책을 전환해야 한다는 취지다.

이 교수는 또한 “논문 대부분 성공한 연구 결과만 공개되지만 실제 연구 현장에는 훨씬 많은 실패 데이터가 존재한다”며 “성공 데이터만 학습한 AI로는 경쟁력을 확보하기 어렵다”고 설명했다.

“AI 투자 확대에도 바이오는 소외…국가 차원 통합 전략 절실”

2027년도 정부 R&D 예산안은 39조5000억원으로, AI 분야 투자는 4조1000억원으로 전년 대비 69.1% 확대됐으나 첨단바이오 분야는 2조2000억원으로 증가율이 15.2%에 그쳤다.

이 교수는 “AI와 피지컬 AI에 대한 투자가 늘어나는 것은 좋지만 이 기술을 활용해 지속적인 산업 성장을 만들어낼 바이오 분야가 함께 성장하지 못하면 불균형이 발생한다”고 우려했다.

그러면서 “단순히 바이오 예산을 더 달라는 이야기가 아니라 AI와 바이오가 함께 연구되고 발전할 수 있도록 투자 구조를 설계해야 한다”고 강조했다.

미국과 중국의 바이오 투자 전략도 비교 사례로 제시했다. 미국은 에너지부 산하 17개 국립연구소의 슈퍼컴퓨터와 실험시설, 과학 데이터를 통합하는 ‘제네시스 미션’을 추진하고 있으며, 국립보건원(NIH) 역시 AI 기반 바이오 연구 혁신을 위한 ‘바이오 제네시스 미션’을 출범시켰다.

중국의 경우 2020년 5% 수준이었던 글로벌 바이오 기술수출 거래 비중이 2025년 상반기 32%까지 확대됐다는 점을 거론하며 장기적인 기초과학 및 데이터 투자 필요성을 역설했다.

이 교수는 해외 사례의 공통점으로 기초연구부터 데이터 생산, AI 분석, 임상시험, 사업화에 이르는 연구개발 전 과정이 유기적으로 연결된다는 점을 꼽았다.

반면 국내에서는 기초연구와 중개연구, 전임상, 임상, 사업화가 서로 다른 부처와 사업으로 구분되고 평가체계마저 분리돼 연구 성과가 산업으로 이어지는 데 상당한 시간이 소요된다는 것이다.

그는 “데이터도, 예산도 분절돼 있으며 평가 역시 분절돼 있다”면서 “부처별 릴레이 방식이 아니라 데이터와 예산, 성과가 하나의 흐름에서 끊임없이 연결되는 시스템이 필요하다”고 말했다.