아발로네 바이오 vs 스트라텀AI

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.

스트라텀AI 장단점

• 기존 방식 대비 폐석 혼입률을 20~40%까지 줄여 연간 약 1,000만 달러(약 130억 원) 이상의 경제적 가치를 창출할 수 있다는 점이 입증되었습니다. 대규모 광산 기업(Vale, Teck 등)과의 협업을 통해 기술력을 검증받았으며, 별도의 하드웨어 설치 없이 기존 시추 데이터만으로도 3D 모델링 정확도를 8~12% 향상시킬 수 있어 도입 효율이 높습니다. 또한 NI 43-101 등 국제 매장량 보고 기준과 호환되도록 AI 와이어프레임을 내보낼 수 있어 실무 적용성이 뛰어납니다.

• 딥러닝 모델의 성능이 초기 학습 데이터의 질에 크게 의존하므로, 시추 데이터가 부족한 신규 광산(Greenfield)보다는 데이터가 축적된 기존 광산에서 효과가 더 뚜렷하다는 한계가 있습니다. 또한 보수적인 광산업계 특성상 전통적인 지질 통계 방식 대신 AI의 판단을 수용하는 과정에서 기술적 신뢰도에 대한 심리적 장벽이 존재할 수 있습니다. 독자적인 설계 도구라기보다는 예측 엔진에 가깝기 때문에 전체 광산 운영을 위해서는 Deswik이나 Vulcan 같은 기성 소프트웨어와 병행하여 사용해야 하는 번거로움이 있을 수 있습니다.

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

스트라텀AI 주요 기능

• 딥러닝 기반 광물 분포 예측 모델
• 시추 데이터 분석으로 광석·폐석 구분 정확도 향상
• 전통 통계 보간법 대비 실시간 광석 추적
• 금·구리 등 다양한 금속 광종 지원
• 광산 계획 및 등급 관리(Grade Control) 최적화
• 파일럿 기준 광산당 연간 ~1,000만 달러 가치 창출