후보기업으로 올라온 프로티나를 공부해봤다.
주로는 내가 잘 몰랐던 BM의 유용성에 공부가 집중되었다.
BM을 어렴풋이 나마 알고 나니 시장이 어떤 요소에 열광했는지 짐작은 갔다.
하지만 그럼에도 멀티플이 너무 과도하다는 생각을 지울 수 없었다.
단백질-단백질 상호작용(PPI)이란?
단백질-단백질 상호작용(PPI)은 몸속 단백질들이 서로 결합하여 상호 작용하는 것을 뜻한다.
생명 현상에서 단백질들은 혼자 일하지 않고 다른 단백질들과 붙었다 떨어지면서 신호 전달, 유전자 발현 조절, 대사 조절 등 중요한 역할을 수행한다.
유전자가 설계도라면, PPI는 그 설계도를 바탕으로 우리 몸에서 현재 일어나는 작용들이다.
사람의 몸에는 약 2만여 개의 단백질이 있고 이들 사이에 수십만 가지 PPI 네트워크가 존재하는데, 이 복잡한 네트워크를 이해하면 질병의 원리를 파악하거나 신약 표적을 찾을 수 있다.
제약업계 활용과 대체 기술 및 PPI의 장점
제약사들은 PPI 분석을 신약 개발과 진단에 폭넓게 활용한다.
신약 후보 물질이 질병 관련 단백질과 제대로 결합하여 효과를 낼지 “표적 결합”(target engagement)을 확인하거나,
특정 단백질 상호작용이 질병의 바이오마커(질병 상태나 약물 반응을 보여주는 지표)로 쓰일 수 있는지 연구한다.
Proteina의 PPI 플랫폼은 환자 임상 샘플에서 약물이 표적 단백질 간 상호작용에 어떤 영향을 주는지 정량적으로 분석해 주어,
약물이 제대로 듣고 있는지 직접 확인하는 데 활용된다.
또한 PPI 데이터를 많이 확보하면 AI를 통해 신규 표적 발굴이나 신약 후보 디자인에도 활용할 수 있어, 정밀 의학과 신약 개발의 새로운 길을 열어준다.
대체 기술과 프로티나의 기술적 강점
기존에도 PPI나 단백질 상태를 파악하기 위한 다양한 실험기술이 있다.
ELISA와 웨스턴 블롯 같은 면역분석법은 특정 단백질의 존재량이나 상호작용을 항체로 검출하는 전통적 방법이다.
면역침강(co-IP) 후 질량분석(Mass Spec)을 하면 한 단백질에 붙은 다른 단백질들을 동정하여 상호작용 파트너를 찾을 수도 있다.
SPR(Biacore) 같은 장비로 정제된 단백질 쌍의 결합 강도를 측정하기도 하고,
세포 내에서는 FRET 등의 방법으로 두 단백질의 근접 여부를 알아내기도 한다.
그러나 ELISA는 감도가 한정적이고 한 번에 한두 개 상호작용만 볼 수 있으며,
질량분석은 많은 시료와 시간이 필요하고 약한 결합이나 극미량 단백질은 놓치기 쉽다.
웨스턴 블롯은 숙련된 연구자가 하루 종일 해도 샘플 10개 정도 분석하는 데 그친다.
이렇게 기존 기술로도 PPI를 볼 순 있지만 속도, 민감도, 처리량 면에서 제약이 있었던 반면 Proteina의 SPID(단분자 PPI 분석) 칩으로는 동일 시간에 수백 개 시료도 분석할 수 있다.
첫째, 민감도가 압도적이다. Proteina의 SPID 플랫폼은 기존 ELISA 같은 방법보다 100배 이상 민감하게 단백질 결합을 포착할 수 있다고 알려져 있다. 이를 통해 이전에는 검출 못 하던 극소량의 상호작용도 잡아낼 수 있다.
둘째, 속도와 대량처리 능력이 뛰어나다.
전통적 방법으로는 하루에 10개 분석할 걸 한꺼번에 384개 시료를 100분 내 처리하는 식이므로, 신약 후보들을 대량으로 스크리닝하거나 수많은 환자 샘플을 짧은 기간에 분석할 수 있다.
셋째, 시료 요구량이 적고 전처리가 간편하다.
기존엔 상호작용을 보려면 시료를 많이 확보한 뒤 단백질을 정제하는 등 번거로운 준비가 필요했지만,
SPID 플랫폼은 정제 없이 아주 적은 검체로 직접 측정이 가능해 임상 현장의 실제 샘플도 바로 분석한다.
마지막으로 이러한 정밀한 정량 데이터를 제공한다는 점도 장점이다.
과거에는 염색된 밴드나 신호 세기를 대략 보는 수준이었지만,
이제는 단백질들이 얼마나 결합했는지 숫자로 계량화하여 보여주니 신뢰도가 높다.
항원-항체 빅데이터 활용
Proteina가 말하는 “항원-항체 빅데이터”란 수많은 항체들이 특정 표적항원에 얼마나 잘 붙는지 정보를 대량으로 모은 데이터 집합이다.
빅 데이터은 AI를 활용한 항체 신약 설계에 쓸 수 있다.
항체의 아미노산 서열(특히 항원결합부위인 CDR)의 미세한 변화가 결합력에 어떤 영향을 주는지를 빅데이터로 학습하면,
AI가 “슈퍼 항체”(결합력이 뛰어나고 안정적인 항체)를 디자인하도록 도와줄 수 있다.
실제로 Proteina는 축적한 PPI 빅데이터와 AI를 결합해 새로운 치료용 항체를 효과적으로 만들어내는 것을 목표로 하고 있다.
또한 이 항원-항체 결합 빅데이터는 제약사가 보유한 기존 항체를 개량(최적화)하는 데도 쓰인다.
Proteina의 PPI Landscape 솔루션은 의뢰기업이 갖고 있는 항체 후보의 서열을 살짝씩 바꿔가며 대량으로 실험한 결합 데이터를 제공한다.
그중 결합력은 높이고 안정성이나 생산성도 좋은 변이를 찾아내면,
해당 기업은 그 정보를 활용해 기존 항체를 더 효과 좋고 만들기 쉬운 약으로 개선할 수 있다.
빅데이터는 노하우와 특허 자산이 되기도 한다.
한번 만들어진 데이터는 항체 개발 과정에서 두고두고 유용하게 참고할 수 있고,
남들이 갖지 못한 방대한 결합 데이터는 Proteina만의 자산이 된다.
AI 신약 개발이 결국 데이터 싸움이라는 말이 나올 정도로 데이터가 중요한데, Proteina는 남들이 얻기 어려운 PPI 데이터를 대량 생산하여 앞서나갈 발판을 마련했다.
대체 기술 대비 장점
항체 신약을 발굴하거나 최적화하는 전통적인 방법으로는 파지 디스플레이나 하이브리도마 기술처럼 무작위로 수만~수억 개 항체를 만들어놓고 선택하는 접근이 활용된다.
하지만 여러 번의 선별 과정을 거쳐야 하고, 최종 얻은 항체도 추가로 개량하려면 또 실험을 반복해야 한다.
컴퓨터 모델링으로 항체를 설계하는 시도도 있지만,
실제 생물학적 복잡성을 완전히 예측하기 어려워 여전히 시험실 검증이 필요하다.
그런데 Proteina의 항원-항체 빅데이터 접근은 실험과 데이터를 중심에 둔 방법론이다.
실험 장비인 SPID 플랫폼을 활용하면 아주 소량의 시료만으로도 수많은 항체 변이를 빠르게 시험해볼 수 있고,
그때그때 정확한 결합력 수치를 얻어낼 수 있다.
특히 DNA 증폭이나 단백질 정제 과정 없이 곧바로 crude 샘플을 테스트할 수 있어 개발 시간을 크게 단축시킨다.
예컨대 과거엔 특정 항체를 개선하려면 유전자 돌연변이를 내고 세포에서 발현시켜 정제한 다음 하나씩 결합시험을 하는 식으로 수개월이 걸렸다면, Proteina는 한 번에 여러 변이를 만들어 고속 스크리닝함으로써 몇 주 내에 최적의 후보를 찾을 수 있다.
또한 모든 변이에 대해 정량화된 데이터를 축적하기 때문에, 나중에 AI가 특정 성질을 가진 항체가 낳는 결과를 학습해 예측 정확도를 높일 수 있다.
결국 항원-항체 빅데이터 접근은 시행착오를 최소화하고 체계적으로 최상의 항체를 찾아낼 수 있게 해준다는 점에서,
기존 방법들 대비 효율과 성공률 면에서 큰 장점을 갖는다.
바이오마커의 임상시험 활용
바이오마커(Biomarker)는 질병의 진행 상태나 약물에 대한 반응을 객관적으로 보여주는 지표다.
혈액검사 수치나 특정 유전자 돌연변이, 혹은 단백질의 발현량 등이 그런 지표가 될 수 있다.
의사나 연구자는 바이오마커를 통해 병이 얼마나 진행됐는지 또는 어떤 환자가 특정 약에 반응할지 등을 예측한다.
최근 신약 개발시 바이오마커에 따라 치료제의 효과를 높일 수 있는 환자군을 선정하거나, 조기에 치료 반응을 판단해 개발 성공률을 높일 수 있기 때문에 임상 시험 성패를 좌우하는 필수 요소가 될 정도로 중요하다.
Proteina가 개발한 것은 기존과 차별화된 PPI 바이오마커다.
이는 특정 질병이나 약물 효과를 단백질 복합체의 상호작용 수준에서 파악하는 지표다.
Proteina의 기술력이 인정받으면서 암 등 난치병 신약 개발에 PPI 분석을 활용한 글로벌 대형 제약사 4곳이 이 PPI 기반 바이오마커 분석 솔루션을 도입하여 검증했다.
Proteina는 ’24년 총 4곳의 빅파마와 계약을 맺어 PPI 분석 서비스를 제공하고 있으며, Proteina가 제공한 임상 검체 내 단백질 상호작용 데이터를 통해 기존에는 알기 어려웠던 약물 작용 정보를 얻었고, 그 결과 Proteina의 바이오마커 기술이 실효성이 있음이 현장에서 입증되었다.
Proteina는 SPID 기술로 기존 면역검사보다 100배 민감하게 항암제 처리 전후의 단백질 복합체(BCL2 복합체) 수준을 재서, 약물이 표적 단백질을 얼마나 점유하고 있는지 직접 보여줄 수 있었다.
그 결과 특정 환자에서 BCL2-BAK 같은 복합체 변화가 크면 약에 내성이 있다는 등, 이전 방법으로는 알기 어려웠던 기전까지 규명해냈다.
임상시험에서 PPI 바이오마커는 새로운 치료의 약효 예측과 최적 환자 선정에 활용되고 있다.
Proteina의 PPI PathFinder 진단 플랫폼은 환자별로 BCL2-BIM, BCL2-BAX 등의 단백질 복합체 수치를 측정해 “약물 반응 점수”를 산출하고, 이를 통해 어떤 환자가 해당 약에 반응할지 미리 가늠한다.
이런 방식으로 임상 성공률을 높일 수 있기 때문에, 글로벌 제약사들이 PPI 바이오마커를 적극 도입하는 추세다.
신약 후보물질 스크리닝
신약 후보물질을 찾기 위한 스크리닝(선별)에는 여러 가지 접근법이 있다.
화합물 신약의 경우 전통적으로 수십만~수백만 개의 화합물을 자동화 장비로 고속대량스크리닝(HTS)하여 활성을 보이는 물질을 선별한다.
항체 신약의 경우 파지 디스플레이나 동물 실험으로 다양한 항체를 만든 후 선별한다.
최근에는 컴퓨터 시뮬레이션(AI 가상 스크리닝)으로 유망 물질을 예측하는 접근도 각광받고 있다.
방법마다 장단점이 있는데, 예컨대 HTS는 매우 많은 후보를 시험할 수 있지만 시간과 비용이 많이 들고 적중률이 낮다는 문제가 있다.
AI 기반 예측은 속도는 빠르나 어디까지나 예측이므로 실제 실험으로 검증이 필요하다.
최근 PPI 플랫폼을 활용한 스크리닝이 새로운 대안으로 떠오르고 있다.
PPI 기반 스크리닝의 핵심 장점은 현실에 기반한 정확한 데이터를 바탕으로 후보를 걸러낸다는 데 있다.
Proteina는 SPID 장비로 단일 분자 수준에서 후보 물질의 작용을 직접 관찰한다.
AI가 수백 개 설계한 항체 후보들이 있을 때 Proteina 플랫폼으로 동시에 그 후보들이 표적에 얼마나 잘 붙는지 실험을 해볼 수 있다.
이렇게 하면 단 몇 번의 실험 사이클 안에 최상의 항체를 가려낼 수 있다.
실제 사례로 Proteina는 자사의 PPI 데이터로 휴미라(세계적 자가면역질환 치료용 항체)의 개량형을 만들어냈다.
단 3개월 만에 열안정성은 유지하면서 결합력이 7~10배 강한 변종 9개를 찾아냈고,
세포 실험에서 원조 휴미라보다 적은 투여량으로도 동일 효과를 낼 수 있음을 확인했다.
반면 전통적 항체 발굴법인 파지 디스플레이는 무작위 돌연변이로 방대한 라이브러리를 만든 후 여러 차례 구조적으로 선별해야 하기 때문에 시간이 걸리고,
선별 압력이 작용하면서 우연히 탈락한 좋은 후보를 놓칠 수도 있다.
AI 설계의 장점은 완전히 새로운 아이디어를 제시해줄 수 있다는 것이지만,
AI가 제안한 항체라도 결국 실험실에서 일일이 만들어 시험해야 하는데 여기서 많은 노력이 든다.
이러한 측면에서 PPI 플랫폼은 실험과 자동화의 강점을 살린 방법이다.
384개 웰이 있는 특수 칩에서 수백 개 샘플을 동시 다발적으로 시험하고,
AI 분석 소프트웨어가 그 데이터를 자동으로 처리해주니,
연구자는 빠른 피드백 루프로 후보물질을 최적화할 수 있다.
전통 HTS는 자동화는 잘 되어 있어도 표적과 직접 상호작용을 보는 것이 아니라 대개 간접적인 활성 측정(예: 효소 활성 변화)을 하기 때문에 오류가 발생할 가능성이 높다.
PPI 정보를 줄 수 있는 대체 방법론
SPID 플랫폼은 Proteina가 자체 개발한 단분자 단백질 상호작용 분석 장비다.
신약을 개발하는 글로벌 제약사들이 새로운 후보물질을 평가하거나 임상 시료를 분석하고자 이 플랫폼을 활용한다.
또한 대형 병원이나 전문 검사실(예: 미국의 CLIA 인증 랩)도 이 장비를 들여놓고 환자 검체의 정밀 진단에 사용할 수 있다.
Proteina는 이러한 기관들을 대상으로 SPID 장비와 소모품(예: 특수 칩)을 판매하고, 분석 서비스나 데이터 소프트웨어도 함께 제공하는 플랫폼 비즈니스 모델을 취한다.
쉽게 말해 현미경+시약+분석 소프트웨어 세트를 판다고 볼 수 있는데, 시스템을 도입한 고객은 꾸준히 시약과 서비스를 공급받게 되므로 Proteina 입장에선 안정적 매출원이 된다.
SPID 플랫폼은 고객에게 “정확하고 빠른 단백질 상호작용 정보”를 제공한다.
그 결과 신약 개발 사이클을 단축하고 성공 확률을 높여주며, 임상 현장에서는 보다 신뢰성 있는 진단을 가능케한다.
추가로, SPID 플랫폼은 하드웨어-소프트웨어-데이터 일체형이라 사용 편의성도 비교우위다.
복잡한 프로토콜 없이 소량 샘플을 장비에 넣으면 자동으로 단백질 상호작용이 이미징되고,
곧바로 소프트웨어가 결과를 분석해주기 때문에, 고객 입장에서는 전문 인력과 시간을 아낄 수 있다.
대체 방법으로 기존의 분석 기법들을 조합해 비슷한 가치를 얻으려 시도할 수 있다.
환자 샘플에서 약물 작용을 보려 한다면 면역조직화학염색(IHC)이나 ELISA로 관련 단백질들의 발현 변화를 볼 수 있다.
혹은 공동 면역침강(co-IP) 후 질량분석을 통해 약물 처리 전후의 단백질 결합 상대를 비교할 수도 있다.
그러나 이런 방법들은 절차가 번거롭고 민감도가 낮아 작은 변화나 복잡한 상호작용을 잡아내기 어렵다.
IHC로는 환자 조직에서 특정 단백질이 염색되는 정도를 눈으로 평가하는데, 전처리 과정의 오차도 크고 정량화가 어렵다.
반면 SPID 플랫폼은 단일 분자 형광 이미징으로 신호를 직접 세므로 정량적이고 정확하다.
질량분석 기반 프로테오믹스도 있는데, 스웨덴의 Olink 같은 업체들은 한 번에 수백~수천 개 단백질을 소량 혈액으로 측정하는 멀티플렉스 분석 기술을 제공한다.
이런 기술로 질병 관련 단백질 패턴을 파악해 바이오마커를 찾을 수도 있지만,
이는 각 단백질의 개별 농도를 보는 것이지 단백질 간 결합여부를 직접 보는 것은 아니다.
결국 SPID가 주는 “단백질 간 결합 상태” 정보는 대체로 기존엔 간접 지표로 추정하던 것을 직접 측정한다는 데 의의가 있다.
다른 기기로 완전히 불가능한 건 아니어도, 현재 상용 수준에서 이 정도 성능을 낼 수 있는 통합 플랫폼은 SPID가 독보적이라서 Proteina가 사실상 해당 분야를 독점하고 있다는 평가를 받는다.
기존 상업적 방법 대비 “100배~1000배 민감하고 빠르며 비용 효율적”이라는 외부 평가도 있을 정도라서 따라서 SPID 플랫폼의 가치(고객이 얻는 정확한 PPI 데이터)는 전통 기술로는 얻기 어려운 새로운 가치이며, 당장은 그 뚜렷한 대안이 없다.
향후 파괴적인 대체 기술이 나올 가능성을 배제할 순 없지만, Proteina는 방대한 데이터 특허와 레퍼런스로 기술적 해자를 구축해 두었기 때문에 당분간 PPI 분석 표준으로서 입지를 지켜나갈 것으로 보인다.
임상 검체 분석
Proteina의 PPI 임상검체 분석 서비스는 쉽게 말해 임상시험에서 나온 환자 시료를 받아 그 속의 단백질 상호작용 상태를 정밀 측정해주는 서비스다.
임상시험을 진행하는 제약사 입장에서는 새로운 약을 투여한 환자들의 체내에서 어떤 분자 변화가 일어나는지 알아야 하는데, Proteina는 그중에서도 단백질-단백질 상호작용 변화라는 특별한 관점의 결과를 숫자로 보여주는 것이다.
이러한 데이터는 해당 약물이 환자 개개인에게 얼마나 효과적으로 작용했는지를 객관적으로 나타내주므로, 임상시험 결과 해석에 매우 유용하다.
전통적으로 임상시험에서는 환자의 생존율, 종양 크기 변화 등의 임상 지표나 혈액학적 수치 등을 결과로 삼았지만,
Proteina의 서비스는 한 단계 더 들어가 분자 수준 기전 데이터를 서비스 형태로 제공하는 것이다.
Proteina가 제공하는 것은 단순한 실험 결과가 아니라 분석 리포트 형태로 바이오마커 수치와 해석을 포함한다.
이를테면 Proteina의 PPI PathFinder 서비스는 각 환자 샘플을 분석한 뒤 “Drug Response Score(약물 반응 점수)”를 산출하여 제시합니다. 이 점수는 환자의 단백질 상호작용 바이오마커들을 정량 측정해 알고리즘으로 계산한 것으로, 임상시험 담당자들은 이를 보고 어느 환자가 약에 반응했는지 한눈에 파악할 수 있다.
이렇게 정량적인 임상 결과 분석 서비스를 제공함으로써, 제약사들은 자신들의 신약이 정말 분자 타겟에 hit 하는지, 어떤 환자군에서 특히 잘 듣는지 과학적으로 뒷받침된 결정을 내릴 수 있다.
예를 들면, 기존 임상 데이터가 “환자에게서 종양 크기가 줄었나?” 같은 겉모습을 보는 거였다면,
Proteina가 제공하는 데이터는 “이 환자의 암세포 내 단백질 X와 Y의 결합이 80% 줄었다”처럼 속 내용을 보여주는 것이다.
이런 데이터를 정량적으로 확보하면 임상시험의 해석 정확도가 올라가고, 나아가 개인별 치료 최적화에도 활용될 수 있다.
바이오베터 개발사업
바이오베터(Biobetter)는 기존의 바이오의약품(예: 단백질 치료제)을 개량하여 더 나은 효능이나 편의성을 갖도록 만든 의약품이다.
오리지널 바이오의약품의 특허가 만료되면 동일한 물질로 만든 바이오시밀러(바이오의약품 복제약)를 출시할 수 있는데,
바이오베터는 여기서 한 걸음 더 나아가 약간의 변형을 줘서 더 우수하게 개선한 신약이다.
예컨대 투여 횟수를 줄이기 위해 반감기를 늘린다든지, 약효를 높이거나 부작용을 줄이도록 분자구조를 조정한 것이 바이오베터에 해당된다.
바이오베터는 기존 약을 더 좋게 만드는 신약이고,
Proteina는 자사의 PPI 기술로 이를 단기간에 만들어낼 수 있어 높은 부가가치를 창출할 수 있다.
성공 시 제품 판매를 통한 직접 수익, 라이선싱 수익, 파트너십 강화 및 기술력 입증 등의 이익이 따르며,
이를 통해 Proteina는 안정적인 현금흐름과 기업 가치 상승을 기대할 수 있다.
회사가 말하는 매출 전망치
현재 시총이 9,113억원이라는 점, 28년 매출 589억원에 이익률 30%, 성장률 82.9%에 따라 PEG 1수준인 멀티플 82.9를 주게 되면 1.46조원으로, 2.5년간 연 수익률로 환산하게 되면 20%의 수익률을 의미한다.
회사가 예상한대로 사업이 확장된다는 낙관적 시나리오,
다소 높은 수준의 이익률과 멀티플 등을 감안했을 때 달성될 확률은 아주 높지 않다고 생각했다.
하지만 그럼에도 기대 수익률은 20%에 그친다는 점에서 내러티브에 미치지 못하는 밸류에이션의 매력도라고 평가되었다.
가치투자 커뮤니티를 성장시켜나가고 있습니다.
운영 계획과 방향성을 한 번 읽어보시고,
텔레그램과 유튜브 채널을 통해 소통하고 있으니 공감이 가신다면 참여해주세요!
쌍방향 소통을 원하는 분들은 카카오톡 채널로 와 주시면 좋을 거 같습니다.
자료실을 통해 리포트, 뉴스도 공유하고 있으니 참고하시면 도움이 될 거 같습니다.