20n vs 딜리네이트

20n 장단점

• AI Planning 기법을 통해 수개월이 걸리던 대사 경로 설계를 단시간에 해결함으로써 연구 개발 비용을 획기적으로 절감합니다. 수조 개의 방대한 라이브러리를 컴퓨터 상에서 미리 걸러내는 고처리량 스크리닝(HTS) 능력 덕분에 실제 실험실(Wet-lab)에서의 시행착오를 최소화할 수 있습니다. DARPA의 지원을 받을 만큼 기술적 신뢰도가 높으며, 화학 구조에서 DNA 서열로 이어지는 복잡한 생화학적 예측을 데이터 중심의 학습 문제로 치환하여 인간이 발견하기 어려운 비직관적인 경로를 찾아내는 데 뛰어난 성능을 보입니다.

• 일반 개인 연구자나 소규모 기업이 쉽게 구독할 수 있는 SaaS 형태가 아니며, 주로 대형 바이오 기업과의 파트너십을 통해 운영되는 엔터프라이즈 전용 솔루션입니다. 2017년 Ginkgo Bioworks에 인수된 이후 독립적인 도구로서의 업데이트가 제한적이며, 일반적인 사용자가 접근하여 직접 기능을 테스트하기 어렵다는 폐쇄성이 존재합니다. 또한 AI의 예측 결과가 실제 생물체 내에서 항상 동일하게 재현되지 않기에, 결국 대규모 자동화 시설을 통한 물리적 검증 단계가 반드시 병행되어야 한다는 한계가 있습니다.

딜리네이트 장단점

• 가장 큰 장점은 수작업으로 수개월이 걸리던 임상 데이터 수집 및 구조화 작업을 약 15배 이상 빠르게 처리할 수 있다는 점입니다. 특히 논문 속 그래프(Plots)에 숨겨진 수치를 정확하게 복원하는 능력이 뛰어나, 데이터가 소실된 과거 연구 결과도 다시 활용할 수 있게 해줍니다. 글로벌 Top 10 제약사들과 협업하며 검증된 높은 데이터 품질과 품질 관리(QC) 프로세스를 제공하며, 이를 통해 임상 설계 단계에서 하루만 앞당겨도 발생하는 수백만 달러의 기회비용을 절감하는 데 실질적인 도움을 줍니다.

• 제약 및 바이오 전문 엔터프라이즈 솔루션 특성상 일반 사용자가 접근하기 어려운 폐쇄적인 가격 정책을 가지고 있으며, 도입 비용이 상당히 높을 것으로 예상됩니다. AI가 추출한 데이터라 할지라도 임상 시험이라는 특수성 때문에 최종 단계에서는 반드시 전문가의 검토가 필요하다는 인적 리소스 부담이 여전히 존재합니다. 또한 현재는 영어권 기반의 연구 자료 처리에 최적화되어 있어, 한국어 등으로 작성된 국내 특허나 로컬 임상 자료에 대한 처리 정확도는 상대적으로 낮을 수 있다는 한계가 있습니다.

20n 주요 기능

• AI 기반 대사 경로 자동 설계
• 기계 학습을 통한 효소 성능 예측
• 프로그램 합성 기술 기반 DNA 서열 최적화
• 조 단위 규모의 펩타이드 라이브러리 스크리닝

딜리네이트 주요 기능

• AI 에이전트 기반 체계적 문헌 고찰 자동화
• 컴퓨터 비전을 활용한 그래프·도표 수치 추출(plot digitization)
• 100% 감사 가능한 데이터 출처 추적
• 특정 약물 계급에 특화된 대규모 데이터셋 구축
• 비구조화 문서(PDF·특허)의 구조화 변환
• 멀티소스 파라미터 추출 및 생물학적 메커니즘 탐색