아발로네 바이오 vs 앙스트롬 AI

아발로네 바이오 장단점

• 세포 설계를 통해 1억 개 이상의 항체를 동시에 약리학적 활성 기준으로 스크리닝할 수 있어 기존 방식 대비 100배 이상 처리량 향상을 기대할 수 있습니다. 구조나 결합 친화도가 아닌 실제 약리 효과를 1차 선별 기준으로 삼기 때문에, 임상에서 실패할 가능성이 높은 후보물질을 조기에 걸러낼 수 있는 잠재력이 있습니다. GLP-1 약물의 위장관 부작용 문제를 해결하려는 명확한 타겟 질환 접근은 비만/대사 질환 분야에서 차별화된 포지셔닝을 가능하게 합니다.

• 현재까지 임상 시험에 진입한 후보물질이나 상용화된 파이프라인이 없어 기술 검증이 초기 단계에 머물러 있습니다. 일반 연구자가 접근할 수 있는 공개 플랫폼이나 SaaS 형태 서비스가 아니어서 제한된 파트너십 통해서만 이용 가능하며, 가격 정책이나 이용 조건도 공개되지 않았습니다. 관련 기술에 대한 독립적인 제3자 검증이나 동료평가 논문, 실사용자 피드백이 거의 없어 기술적 우수성을 객관적으로 판단하기 어렵습니다.

앙스트롬 AI 장단점

• MACE 모델의 핵심 개발자인 케임브리지대 교수진이 직접 설립하여 기술적 신뢰도가 매우 높으며, 단순한 데이터 학습이 아닌 물리 법칙을 AI 모델 자체에 내장(Equivariance)하여 AI의 고질적인 문제인 비물리적 구조 생성(환각)을 방지했습니다. 기존에 8장의 A100 GPU로 일주일이 걸리던 계산을 혁신적으로 단축함으로써 연구 개발 주기를 획기적으로 줄일 수 있다는 점이 가장 큰 장점으로 꼽힙니다.

• 2024년 설립된 초기 스타트업 특성상, 기성 상용 소프트웨어처럼 다양한 워크플로우와 매끄럽게 통합되는 API나 직관적인 GUI 인터페이스의 완결성이 부족할 수 있습니다. 또한 MACE 모델이 학습 데이터에 포함되지 않은 매우 희귀한 원소나 복잡한 금속 유기 화합물 구조에서도 동일한 양자 수준의 정확도를 일관되게 보여줄 수 있는지에 대해서는 더 넓은 범위의 실증 데이터가 요구됩니다.

아발로네 바이오 주요 기능

• FAST™ 플랫폼 — 1억 개 규모의 기능적 항체 스크리닝
• 단백질 LLM을 활용한 항체 서열-활성 관계 예측 및 생성 설계
• GPCR·이온 채널 등 난치성 표적의 희귀 작용제(Agonist) 발굴
• 기존 대비 100배 이상의 처리량 달성
• 대규모 독점 활성 데이터셋 기반 ML 최적화

앙스트롬 AI 주요 기능

• MACE 물리 모델 기반 양자역학 수준 분자 시뮬레이션
• 습식 실험(Wet Lab) 대비 100배 이상 속도 향상
• 신약 후보 물질의 수화 자유 에너지(Hydration-Free Energy) 예측
• 약물 생체이용률 관련 용해도(Solubility) 예측
• 전임상 단계 약물 효능·안전성 검증 자동화