3단계: 항체 엔지니어링, 세포/유전자 치료, 그리고 AI 신약 개발

이론적 기초 — "약이란 무엇인가"라는 질문의 진화

1단계에서 우리는 약물이 수용체에 결합하는 열역학적 에너지를 이야기했고, 2단계에서는 그 결합이 얼마나 강하게, 얼마나 오래 지속되느냐를 용량-반응 곡선으로 정량화했다. 그 두 단계를 통해 약이란 결국 "특정 분자와 특정 분자 사이의 화학적 대화" 임을 배웠다. 이제 3단계에서 우리가 마주칠 질문은 전혀 다른 차원이다. 만약 그 대화를 나누는 주체가 단순한 소분자(small molecule) 화합물이 아니라, 우리 몸 자체의 면역 단백질이라면? 혹은 살아 숨쉬는 세포 자체라면? 혹은 우리의 유전자 코드를 고쳐쓰는 분자 가위라면? 이것이 현대 바이오의약품의 세계이고, 지금부터 배울 내용의 출발점이다.

여기서 잠깐, 우리 몸의 면역계를 복습할 필요가 있다. 면역계는 크게 두 층위로 나뉜다. **선천 면역(innate immunity)**은 세균이나 바이러스가 들어왔을 때 즉각 반응하는 비특이적 방어선이고, **적응 면역(adaptive immunity)**은 침입자의 특징을 기억하고 맞춤 무기를 제작하는 정밀 방어 체계다. 적응 면역의 핵심 선수가 바로 **B세포(B lymphocyte)**이며, B세포가 만들어내는 맞춤 무기가 **항체(antibody, 면역글로불린, immunoglobulin)**다. 항체는 Y자 모양의 단백질로, 그 Y의 양쪽 팔 끝에서 적의 특정 부위—항원(antigen)—를 정밀하게 인식하고 붙잡는다. 이 놀라운 인식 능력을 치료제로 활용하려는 시도가 바로 항체 의약품이다.

한 가지 직관적인 비유를 먼저 심어두자. 1단계에서 배운 분자 도킹(docking)은 열쇠-자물쇠처럼 소분자가 단백질 활성 부위에 맞아 들어가는 그림이었다. 그렇다면 항체는? 소분자가 열쇠 하나라면, 항체는 아예 자물쇠의 손잡이를 통째로 감싸쥐는 집게발에 가깝다. 접촉 면적 자체가 비교할 수 없을 만큼 넓기 때문에 결합 특이성이 극도로 높고, 1단계에서 배운 해리상수 KD 값도 나노몰(nM)~~피코몰(pM) 수준으로 소분자보다 수백~~수천 배 강하다. 이 구조적 이해가 이후 엔지니어링 전략의 뼈대가 된다.

본 내용 1: 항체 의약품 엔지니어링 — 무기를 개조한다

항체의 해부학: 구조를 알아야 고칠 수 있다

항체(IgG 기준)는 **두 개의 중쇄(heavy chain)**와 **두 개의 경쇄(light chain)**가 이황화 결합(disulfide bond)으로 연결된 Y자 구조다. 구조를 기능 단위로 나누면 두 부분이다. 먼저 **Fab 영역(Fragment antigen-binding)**은 Y의 양쪽 팔 부분으로, 항원과 직접 결합한다. 그 안에서도 결합에 결정적인 역할을 하는 고리 구조를 **CDR(Complementarity Determining Region, 상보성 결정 영역)**이라 부르며, 각 가변 도메인마다 CDR1·2·3이 존재해 총 6개의 CDR이 항원 표면에 딱 달라붙는다. 그리고 **Fc 영역(Fragment crystallizable)**은 Y의 줄기 부분으로, 면역세포 표면의 **Fcγ 수용체(FcγR)**나 보체(complement) 단백질과 결합하여 항체를 인식한 세포들이 실제로 적을 공격하도록 신호를 전달한다. 또한 Fc는 **FcRn(신생아 Fc 수용체)**와 상호작용하여 항체를 리소좀(lysosome) 분해에서 구해내고 혈중 반감기를 약 3주로 유지시킨다—이것이 2단계에서 배운 약동학(PK)의 반감기 개념이 단백질 의약품에 그대로 적용되는 접점이다.

[노트 기록] 항체 IgG 기본 구조 그리기: 중쇄(HC) 2개 + 경쇄(LC) 2개, Fab / Fc 구분, CDR 위치(VH·VL의 CDR1,2,3), Fcγ수용체·FcRn 결합 부위 표시.

엔지니어링 전략 1: 인간화 — 면역 거부를 없애다

초기 치료용 항체는 마우스(쥐)에서 만들었다. 쥐 항체를 인간에게 투여하면 인간의 면역계가 "이건 외부 단백질이다!"라고 인식해 HAMA(Human Anti-Mouse Antibody, 인간 항마우스 항체) 반응을 일으켜 오히려 항체를 중화시켜 버렸다. 해결 방법은 단계적으로 발전했다. 키메릭(chimeric) 항체는 쥐의 가변 영역(CDR 포함 Fab)을 인간의 불변 영역(Fc)과 접합한 것이고(약 65% 인간화), 인간화(humanized) 항체는 CDR만 남기고 나머지 틀(framework)까지 인간 서열로 교체한 것이며(~95% 인간화), 완전 인간(fully human) 항체는 CDR조차 처음부터 인간 서열로 만든다. 파지 디스플레이(phage display) 기술이나 트랜스제닉(transgenic) 마우스 방법이 완전 인간 항체 제작에 사용된다—파지 디스플레이를 개발한 George Smith와 Gregory Winter는 2018년 노벨화학상을 수상했다는 점도 기억해 두자.

엔지니어링 전략 2: 친화력 성숙 — 더 강하게 붙잡다

자연 면역계는 반복 항원 노출을 통해 CDR 서열을 무작위로 변이시키고, 더 강하게 결합하는 B세포 클론을 선택적으로 증폭한다—이를 **친화력 성숙(affinity maturation)**이라 한다. 엔지니어는 이 과정을 시험관에서 인위적으로 재현한다. CDR 루프에 무작위 돌연변이를 도입하고(예: error-prone PCR, site-saturation mutagenesis), 파지 디스플레이나 **효모 디스플레이(yeast display)**로 수억 개의 변이체를 스크리닝하여 KD가 가장 낮은(=결합이 가장 강한) 변이체를 선택한다. 1단계에서 배운 KD의 의미—낮을수록 좋다—가 이 맥락에서 다시 살아난다.

엔지니어링 전략 3: Fc 엔지니어링 — 면역 효과 기능을 튜닝하다

Fc가 FcγR에 결합하면 자연살해세포(NK cell)나 대식세포(macrophage)가 활성화되어 항체가 결합한 표적 세포를 죽인다—이를 **ADCC(Antibody-Dependent Cellular Cytotoxicity, 항체 의존성 세포 독성)**라 한다. 보체 단백질 C1q를 통해 보체계가 활성화되어 표적 세포막에 구멍을 내는 것은 **CDC(Complement-Dependent Cytotoxicity)**다. Fc 아미노산 서열을 특정 위치에서 점돌연변이(point mutation)로 교체하면 이 효과 기능을 강화 또는 약화시킬 수 있다. 예를 들어 S239D/I332E 돌연변이는 FcγRIIIa 결합을 강화하여 ADCC를 수십 배 높인다. 반대로 반감기를 늘리고 싶다면 M252Y/S254T/T256E(YTE) 변이로 FcRn 결합을 pH 6.0에서 선택적으로 강화하여 혈중 반감기를 3주→수 개월로 연장할 수 있다—이것은 2단계에서 배운 PK 모델의 배제(elimination) 파라미터를 직접 조작하는 셈이다.

엔지니어링 전략 4: 이중특이항체(Bispecific Antibody)와 ADC

한 항체가 두 가지 항원을 동시에 인식하도록 만든 것이 **이중특이항체(bispecific antibody)**다. 가장 임상적으로 성공한 형식이 **BiTE(Bispecific T-cell Engager)**로, 한쪽 팔은 종양 항원을(예: CD19), 다른 팔은 T세포의 CD3를 잡아당긴다. 결과적으로 T세포와 종양세포를 물리적으로 붙여 T세포가 종양을 직접 파괴하게 만든다—자기 몸의 군대를 징집하는 전략이다. 이 원리로 만들어진 **블리나투모맙(blinatumomab)**은 CD3×CD19 BiTE로 급성 림프구성 백혈병(ALL) 치료에 사용된다.

**항체-약물 접합체(ADC, Antibody-Drug Conjugate)**는 항체의 정밀 표적 능력에 세포독성 화학약물(payload)을 결합한 개념이다. 구조는 세 파트: 항체(HER2, EGFR 등 종양 항원 표적) + 링커(linker) + 강력한 세포독성 페이로드(payload). 링커는 혈중에서는 안정적이고 종양 세포 내부에서만 절단되도록 설계된다(절단형/비절단형). 대표 약물인 **T-DM1(trastuzumab emtansine)**은 HER2 양성 유방암에서 혁신적 효과를 보였으며, 여기서 **DAR(Drug-to-Antibody Ratio, 약물-항체 비율)**이 핵심 파라미터가 된다—DAR이 너무 낮으면 효과가 약하고, 너무 높으면 소수성 증가로 약동학이 나빠진다. 최적 DAR은 보통 3~4 수준이다.

[노트 기록] 5가지 엔지니어링 전략 정리: ① 인간화(HAMA 해결) ② 친화력 성숙(KD 최소화) ③ Fc 엔지니어링(ADCC/CDC/반감기) ④ 이중특이항체(BiTE 메커니즘) ⑤ ADC(항체+링커+페이로드, DAR 개념). 각각 어떤 문제를 해결하는지 한 문장씩 적을 것.

본 내용 2: 세포/유전자 치료제 — 살아있는 것 자체가 약이 된다

패러다임 전환: 분자에서 세포로

앞서 배운 항체는 단백질이다. 아무리 크고 복잡해도 결국 무생물 분자다. 이제 우리가 다룰 것은 살아 있고, 스스로 판단하며, 체내에서 증식하는 세포(cell) 자체를 치료제로 만드는 이야기다. 이것은 약학의 범주를 완전히 넘어선다—이건 사실 생명공학과 의학이 교차하는 최전선이다.

CAR-T 세포 치료제: 면역 병사를 프로그래밍하다

CAR-T(Chimeric Antigen Receptor T-cell) 치료는 환자의 T세포를 꺼내어 유전공학적으로 개조한 뒤 다시 주입하는 방식이다. 핵심은 **CAR(키메릭 항원 수용체)**라는 인공 단백질 구조체인데, 이것은 네 가지 기능 도메인으로 구성된다. 가장 바깥쪽에 항체의 Fab 단편처럼 생긴 **scFv(single-chain variable fragment)**가 있어 종양 항원을 인식하고, 그 아래 **힌지 + 막관통 도메인(transmembrane domain)**이 세포막에 고정시키며, 세포 안쪽으로 공자극 도메인(co-stimulatory domain)—주로 CD28이나 4-1BB—과 CD3ζ 신호 도메인이 있어 T세포를 활성화한다. 이것을 1세대·2세대·3세대·4세대로 발전시키는 역사적 흐름이 있는데, 1세대는 CD3ζ만 있었고, 2세대부터 CD28 혹은 4-1BB를 추가해 지속적 활성과 생존을 확보했다(현재 임상에서 가장 많이 쓰는 형식이 2세대다).

제조 공정 역시 이 치료제의 핵심이다. 환자 혈액에서 **성분채혈(leukapheresis)**로 T세포를 모으고 → 렌티바이러스(lentiviral vector)로 CAR 유전자를 T세포 게놈에 삽입하고 → CAR-T 세포를 수천만~~수억 개 수준으로 체외 배양하여 증폭시키고 → 엄격한 품질관리(QC)를 통과하면 → 환자에게 재주입한다. 전체 과정이 2~~4주 소요되며, 자가유래(autologous) 방식이기 때문에 모든 환자에게 개인 맞춤 제조가 필요하다는 것이 가장 큰 비용·시간적 장벽이다. 이를 극복하기 위한 동종유래(allogeneic, "off-the-shelf") CAR-T 연구가 활발한데, 건강한 공여자의 T세포를 대량으로 만들어두고 모든 환자에게 쓸 수 있게 하는 것이 목표다—이때는 HLA(Human Leukocyte Antigen) 불일치로 인한 면역 거부와 이식편대숙주병(GvHD)을 막아야 하기 때문에 추가적인 유전자 편집이 필요하다.

임상적으로 주의할 독성도 있다. **CRS(Cytokine Release Syndrome, 사이토카인 방출 증후군)**는 CAR-T가 종양세포를 공격하면서 면역 신호물질(사이토카인)이 폭풍처럼 분비되어 고열·저혈압·장기 부전을 유발하는 것으로, 2단계에서 배운 약물 상호작용 및 독성 관리와 맥락이 닿아 있다. 또한 **ICANS(면역세포 관련 신경독성 증후군)**도 감시해야 한다. 이 두 독성의 등급을 실시간으로 모니터링하고 토실리주맙(IL-6 차단제) 등으로 관리하는 것이 임상 CAR-T 운영의 핵심이다.

유전자 치료: 코드 자체를 수정한다

유전자 치료는 결함이 있는 유전자를 교정하거나, 새 기능을 가진 유전자를 도입하는 방식이다. 전달 방법에 따라 크게 두 가지 접근법이 있다. 체외(ex vivo) 방식은 세포를 몸 밖으로 꺼내어 유전자를 편집한 후 재주입하는 것(CAR-T도 이 범주)이고, 체내(in vivo) 방식은 벡터를 직접 인체에 주사하여 목표 조직에서 유전자가 발현되도록 하는 것이다.

가장 많이 쓰이는 바이러스 벡터는 **AAV(Adeno-Associated Virus, 아데노 연관 바이러스)**다. AAV의 장점은 낮은 면역원성, 비통합성(숙주 게놈에 삽입되지 않아 삽입 돌연변이 위험이 낮음), 그리고 **혈청형(serotype)**에 따라 간·근육·뇌·망막 등 서로 다른 조직을 선택적으로 감염시키는 **조직 향성(tropism)**이다. 반면 단점은 탑재 용량이 약 4.7kb로 제한적이라는 점이다—대형 유전자는 넣을 수 없다. **렌티바이러스(lentivirus)**는 게놈에 안정적으로 통합되어 장기 발현이 가능하지만, 통합 삽입 위치에 따른 발암 가능성이 이론상 존재한다. 최근에는 바이러스를 전혀 쓰지 않는 지질 나노입자(LNP, Lipid Nanoparticle) 기반 mRNA 전달이 부상하고 있다—코로나19 mRNA 백신(화이자/모더나)이 바로 이 기술의 집대성이다.

유전자 편집 도구로는 현재 CRISPR-Cas9이 독보적이다. Cas9 단백질이 가이드 RNA(gRNA)와 함께 특정 DNA 서열을 찾아가 **이중가닥 절단(DSB, Double-Strand Break)**을 만들고, 세포의 자체 복구 기전인 **NHEJ(비상동 말단 결합, 오류 유발 → 기능 차단에 사용)**나 **HDR(상동 지정 복구, 정확한 교정에 사용)**을 통해 원하는 방향으로 유전체를 수정한다. 더 발전된 형태로 **염기 편집(base editing)**은 DSB 없이 단일 염기를 직접 화학적으로 전환하고(예: C→T, A→G), **프라임 편집(prime editing)**은 "검색-치환" 방식으로 최대 수십 개 염기까지 정밀하게 수정 가능하다—DSB도, 주형 DNA도 필요 없는 차세대 편집 도구다.

[노트 기록] 유전자 치료 핵심 비교 표: AAV(특성·한계) vs 렌티바이러스(특성·한계) vs LNP(특성·적용 사례). CRISPR-Cas9 DSB → NHEJ(기능 차단) / HDR(정밀 교정) 메커니즘 도식. CAR 구조 4개 도메인 순서대로 그리기(scFv → 힌지 → TM → 공자극 → CD3ζ).

본 내용 3: AI 신약 개발과 임상시험 설계 — 데이터가 새로운 실험실이다

왜 AI가 신약 개발에 필요한가

전통적인 신약 개발은 평균 12~15년, 비용 **약 2~~3조 원(약 $2.6 billion)**이 들며, 임상 진입 후 FDA 승인까지 성공률이 **약 10~~12%**에 불과하다(Paul et al., Nature Reviews Drug Discovery, 2010). 실패의 가장 큰 이유는 임상 전 단계에서 발굴한 후보물질이 인체에서 예상과 다르게 행동한다는 것이다—즉 1·2단계에서 배운 ADMET(흡수·분포·대사·배설·독성)와 PK/PD 예측의 불확실성이 핵심이다. AI는 이 불확실성을 데이터 기반으로 줄이는 도구다.

분자 생성 AI: 새로운 화합물을 직접 만들다

1단계에서 배운 분자 도킹은 이미 존재하는 화합물을 평가하는 방식이었다. AI의 진가는 한 번도 합성된 적 없는 새로운 분자를 직접 설계하는 데 있다.

**VAE(Variational Autoencoder, 변분 자동 인코더)**는 분자를 저차원의 연속적 수치 공간(잠재 공간, latent space)으로 압축하는 법을 학습한다. 수만~수십만 개의 기존 약물 분자 데이터를 학습한 VAE는 분자를 벡터로 표현할 수 있게 되고, 그 잠재 공간 내에서 새로운 지점을 샘플링하여 디코딩하면 전혀 새로운 분자가 생성된다. 생성된 분자가 원하는 특성(예: 높은 결합 친화도, 낮은 독성)을 갖도록 잠재 공간에서 그라디언트 최적화를 수행하는 것이 핵심 아이디어다. **GAN(Generative Adversarial Network, 생성적 적대 신경망)**은 생성자(generator)가 가짜 분자를 만들고 판별자(discriminator)가 진짜/가짜를 구분하는 경쟁을 통해 점점 실제 약물 같은 분자를 만들도록 훈련된다. 분자를 이미지처럼 처리하거나(pixel-based), 그래프로 처리하는(atom=노드, bond=엣지) 그래프 GAN 방식이 더 화학적으로 타당한 분자를 생성한다.

분자를 그래프 형태로 다루는 **GNN(Graph Neural Network, 그래프 신경망)**은 현대 AI 신약 개발에서 가장 강력한 기반 아키텍처다. GNN은 원자 간 결합 패턴을 직접 처리하기 때문에 SMILES 문자열이나 fingerprint보다 분자의 위상적 정보를 훨씬 풍부하게 활용할 수 있다. Schnet, DimeNet, SchNet 계열 모델들이 결합 에너지 및 반응성 예측에, MPNN(Message Passing Neural Network) 계열이 ADMET 예측에 폭넓게 사용된다. 한편 2021년 DeepMind가 공개한 AlphaFold2는 단백질 아미노산 서열만으로 3D 구조를 거의 완벽하게 예측함으로써, 그동안 구조를 알 수 없어 도킹 자체가 불가능했던 수만 개의 단백질 타겟을 갑자기 접근 가능하게 만들었다—이것은 1단계에서 배운 도킹의 적용 범위를 지구상 전체 단백질체(proteome)로 확장한 사건이다.

강화학습(reinforcement learning) 관점에서 분자 최적화를 바라보는 접근도 있다. 분자 생성을 순차적 의사결정 문제로 정의하여, 원자를 하나씩 추가하거나 결합을 변형하는 각 행동(action)에 대해 ADMET 예측 점수를 보상(reward)으로 주면, 에이전트는 점점 더 약물 같은 분자를 만드는 정책(policy)을 학습한다. Olivecrona et al. (2017, Journal of Cheminformatics)가 이 접근의 초기 성공 사례 중 하나다.

임상시험 설계: 데이터를 인간에게서 얻는 방법

아무리 강력한 AI가 후보물질을 발굴해도, 인체에서의 안전성과 효능은 반드시 **임상시험(clinical trial)**을 통해 증명해야 한다. 전통적 설계는 3단계로 나뉜다. Phase I는 건강한 지원자 또는 말기 환자 소수에서 안전성·용량·PK(1단계에서 배운 그것!)를 탐색하고, Phase II는 표적 환자 집단에서 초기 효능과 추가 안전성을 확인하며, Phase III는 수백~수천 명의 대규모 무작위 대조시험(RCT)으로 기존 표준치료 대비 우월성(혹은 비열등성)을 통계적으로 증명한다.

**적응적 임상시험(adaptive trial design)**은 중간 데이터 분석 결과에 따라 프로토콜을 사전 정의된 규칙 내에서 수정하는 방식이다. 예를 들어 두 용량 그룹 중 효과가 떨어지는 그룹을 중간에 드롭하거나, 효과가 좋은 그룹에 더 많은 환자를 배정하는 **반응 적응적 무작위 배정(response-adaptive randomization)**이 있다. 이 방식은 전통 RCT보다 더 적은 환자로 같은 통계적 결론에 도달할 수 있다는 점에서 윤리적이고 효율적이다—2단계에서 바이오마커로 환자를 계층화하는 아이디어가 여기에 자연스럽게 연결된다.

2단계 환자 계층화와 더 깊이 연계된 혁신적 설계가 **마스터 프로토콜(master protocol)**이다. **바스켓 시험(basket trial)**은 암 종류(organ)는 달라도 동일한 유전자 돌연변이를 가진 환자를 하나의 프로토콜로 묶어 같은 표적 치료제를 테스트한다. 반대로 **우산 시험(umbrella trial)**은 같은 암종이지만 서로 다른 유전자 변이를 가진 환자들을 각각 다른 팔(arm)에 배정한다. **플랫폼 시험(platform trial)**은 여러 치료제를 하나의 살아있는 프로토콜 안에서 동시에 테스트하고, 성과에 따라 팔을 추가하거나 제거하는 가장 유연한 설계다. 이 모든 설계는 임상시험을 낭비 없이 가속화하기 위한 통계적·윤리적 창의성의 산물이다.

[노트 기록] AI 신약 개발 흐름도: ① 표적 단백질 구조 예측(AlphaFold2) → ② 분자 생성(VAE/GAN/GNN) → ③ ADMET 예측 및 필터링 → ④ 도킹 기반 결합 친화도 평가 → ⑤ 최적 후보 선정. 임상시험 Phase I/II/III 각 목적 한 줄씩, 적응적 설계의 핵심 아이디어 한 문장으로 적기.

프로젝트 — 생각하고, 설계하고, 비판하라

아래 세 프로젝트는 예제 중심이다. 정답을 주지 않는다. 각 문제를 읽고 스스로 이론적 근거를 찾아 논리를 구성하라. 막히면 위로 돌아가서 개념을 다시 읽어라. 그것이 학습이다.

프로젝트 A — 항체 의약품 설계 (배점 40점 기준)

배경 시나리오: 특정 고형암에서 과발현되는 수용체 단백질 "TumorX"가 있다. TumorX는 종양세포 표면에 매우 높은 밀도로 발현되며, 정상 세포에는 극히 낮은 수준으로 존재한다. TumorX의 세포 외 도메인(extracellular domain)에 결합하는 마우스 유래 단클론 항체 "mAb-TX"가 이미 확보되어 있고, KD는 50nM이다. 이 항체를 치료제로 최적화하는 과제가 주어졌다.

문제 1 (12점): mAb-TX를 그대로 임상에 투여했을 때 예상되는 면역학적 문제를 설명하고, 이를 해결하기 위한 엔지니어링 전략 두 가지를 제시하라. 각 전략이 어떤 분자적 변화를 가져오며, 그 변화가 최종 치료 효과에 어떻게 연결되는지 논리적으로 서술하라.

문제 2 (15점): mAb-TX의 KD를 50nM에서 0.5nM로 개선하고자 한다. 사용할 기술을 구체적으로 설명하고, 이 과정에서 어떤 부위(CDR1~3 중 어느 것이 중요한지, 왜인지)를 집중적으로 변이시킬 것인지 이유와 함께 서술하라. KD 값이 낮아지는 것이 치료 맥락에서 실제로 어떤 의미를 갖는지도 연결하라.

문제 3 (13점): mAb-TX를 ADC로 설계하기로 했다. TumorX는 항체 결합 시 세포 내로 내재화(internalization)되는 것으로 확인됐다. 링커 선택(절단형 vs 비절단형) 및 이상적인 DAR 범위를 결정하고, 그 근거를 서술하라. 또한 ADC의 독성(on-target, off-tumor toxicity)이 발생할 수 있는 시나리오를 하나 구성하고, 이를 설계 단계에서 어떻게 완화할 수 있는지 논하라.

프로젝트 B — CAR-T 및 유전자 치료 파이프라인 설계 (배점 40점 기준)

배경 시나리오: 혈액암의 일종인 B세포 급성 림프구성 백혈병(B-ALL) 환자를 위한 치료제를 설계하고 있다. B-ALL 세포는 표면에 CD19와 CD22 두 항원을 동시에 발현하나, 단일 항원만 표적으로 할 경우 항원 소실(antigen escape)에 의한 재발이 흔하다. 또한 이 환자는 소아(8세)이기 때문에 치료 독성 최소화가 필수다.

문제 1 (15점): 항원 소실 문제를 극복하기 위한 CAR 구조 설계 전략을 제안하라. 단일 CAR 방식과 이중 타겟 방식(예: bispecific CAR 또는 두 개의 CAR를 함께 사용) 각각의 구조적 특징, 장단점, 그리고 각 방식이 CD19 소실이 일어났을 때 어떻게 대응하는지를 비교하라. 공자극 도메인으로 CD28과 4-1BB 중 어느 것을 선택할지, 그 근거도 함께 제시하라.

문제 2 (12점): CAR-T 세포 주입 후 3일째 환자에서 고열(39.8°C), 저혈압, SpO2 저하가 발생했다. 가장 가능성 높은 독성이 무엇인지 진단하고, 그 분자적 메커니즘을 설명하라. 1차 치료로 사용할 약물과 그 약물의 작용 기전을 연결하여 서술하라.

문제 3 (13점): 이 치료를 향후 모든 B-ALL 환자에게 신속히 공급하기 위해 allogeneic(동종유래) CAR-T 전략으로 전환하려 한다. 이때 극복해야 할 면역학적 장벽 두 가지를 설명하고, 각각을 해결하기 위해 어떤 유전자 편집 전략(CRISPR-Cas9 기반)이 필요한지 구체적으로 설계하라. NHEJ와 HDR 중 각 편집 목적에 맞는 기전도 명시하라.

프로젝트 C — AI 기반 신약 후보 발굴 및 임상 설계 (배점 40점 기준)

배경 시나리오: AlphaFold2로 예측된 새로운 단백질 타겟 "ProX"의 3D 구조가 공개됐다. ProX는 특정 암종의 전이(metastasis)에 관여하는 키나아제(kinase)이며, 활성 부위에 뚜렷한 소수성 포켓(hydrophobic pocket)이 있다. 기존 키나아제 억제제 데이터베이스에는 ProX에 대한 데이터가 전무하다.

문제 1 (15점): ProX를 타겟으로 하는 신규 소분자 억제제를 AI로 발굴하는 파이프라인을 설계하라. VAE 혹은 GAN 중 어떤 아키텍처를 선택할지 결정하고, 학습 데이터는 어디서 어떻게 구성할지(전이학습 여부 포함), 분자 생성 후 후처리 단계에서 어떤 필터(ADMET, Lipinski's Rule of Five 등)를 적용할지, 그리고 최종 후보를 도킹으로 검증할 때의 점수 해석 방법까지 단계별로 서술하라.

문제 2 (12점): ProX 억제제는 특정 유전자 돌연변이(ProX V600E)를 가진 환자에게만 효과가 있을 것으로 예측된다. 이 상황에서 가장 적합한 임상시험 설계 방식을 전통적 RCT, 바스켓 시험, 적응적 설계 중에서 선택하고, 왜 나머지 두 방식보다 더 적절한지 2단계에서 배운 바이오마커 계층화 개념과 연결하여 논거를 구성하라. 또한 Phase I에서 확인해야 할 최우선 항목들을 PK 관점에서 열거하라.

문제 3 (13점): 임상 Phase II 결과에서 전체 반응률(ORR)이 위약군 대비 유의미하게 높았으나, 3개월 후 60%의 환자에서 내성이 발생했다. 내성의 가능성 있는 분자 메커니즘 두 가지를 가설로 제시하고, 각 가설을 검증하기 위한 실험 전략을 설계하라. 내성을 극복하기 위한 병용 요법 전략을 제안하고, 그 병용 시 2단계에서 배운 CYP450 기반 약물 상호작용이 문제가 될 수 있는 시나리오도 포함하여 서술하라.

지금까지 이론 기초부터 본 내용을 거쳐 프로젝트까지, 항체 엔지니어링의 구조적 논리, 세포·유전자 치료의 생물학적 패러다임 전환, 그리고 AI가 신약 개발의 시공간을 압축하는 방식을 하나의 연속된 이야기로 엮었다. 1단계의 KD와 도킹, 2단계의 CYP450과 바이오마커가 이 단계 곳곳에 다시 등장했다는 것을 느꼈을 것이다—그것이 커리큘럼이 계단식으로 설계된 이유다. 프로젝트 세 개는 각각 독립적으로 보이지만, 실제로는 하나의 신약 개발 파이프라인을 분자 설계(A) → 세포 치료(B) → AI·임상(C) 순으로 횡단하는 구조다. 막히면 돌아와서 다시 읽어라. 전문가도 같은 개념을 수백 번 다시 읽는다.

생화학 및 약리 공학