Longevity Korea유튜브 채널
WEEK 18 · 2026.06.14

억만장자들이 롱제비티에 베팅하는 진짜 이유

June. 14 Live

첨부 파일

중국의 줄기세포 항노화 임상

https://longevity.technology/news/china-launches-first-large-scale-stem-cell-antiaging-trial/

중국 301병원이 50세 이상 2,000명 대상 줄기세포 항노화 임상시험을 시작. 사용되는 물질은 인간 탯줄 유래 중간엽 줄기세포 MSCs 기반 치료제인 아미메스트로셀이고, 중국에서는 이미 2025년 1월 급성 이식편대숙주병 치료제로 조건부 승인된 약물.

중요한 포인트

  1. “항노화”를 대규모 RCT로 테스트한다는 점

    단순 웰니스 클리닉식 줄기세포 주사가 아니라, 다기관 무작위 대조 연구로 2,000명을 모집한다는 게 의미 있음. 중국 신화망도 등록번호 ChiCTR2600125012와 함께 모집 시작을 보도했어.

  2. 질병 치료에서 노화 개입으로 확장

    원래 승인 적응증은 이식 후 합병증인 급성 GVHD였는데, 이제 염증 조절·조직 회복 같은 MSC의 특성을 “노화로 인한 기능 저하”에 적용해보겠다는 것.

  3. 중국식 장수의학 전략

    미국/서구 쪽이 규제와 회의론 때문에 노화 치료 임상이 느린 반면, 중국은 고령화 압박이 크고 국가 병원·바이오 기업·규제가 결합돼 이런 대형 실험을 밀어붙이는 느낌이 강함.

중국이 줄기세포를 ‘질병 치료제’에서 ‘노화 기능 저하 개입’으로 확장하려는 첫 대형 임상에 들어간 사건.

의료 특화 AI보다 범용 LLM이 더 뛰어나다?

https://www.nature.com/articles/s41591-026-04431-5

2026년 6월 12일 Nature Medicine에 공개된 Brief Communication입니다. 연구진은 임상 특화 AI 도구인 OpenEvidence, UpToDate Expert AI를 범용 LLM인 GPT-5.2, Gemini 3.1 Pro, Claude Opus 4.6와 비교했습니다. 평가셋은 세 가지였습니다: MedQA 500문항, HealthBench 500문항, 그리고 실제 의사들이 임상 환경에서 LLM에 물어본 비식별 질의 100개입니다. 실제 질의는 미국 임상의 12명이 모델명을 모른 채 평가했습니다.

결과

범용 LLM들이 세 평가 모두에서 임상 특화 도구보다 높게 나왔습니다.

  • MedQA 정확도: Gemini 97.4%, GPT-5.2 94.2%, Claude 90.2%, OpenEvidence 89.6%, UpToDate 88.4%
  • HealthBench: GPT-5.2가 88.0점으로 최고, OpenEvidence와 UpToDate는 약 62점대
  • 실제 임상 질의 평가: Gemini, GPT, Claude가 1티어였고, OpenEvidence, UpToDate, Google AI Overview는 그 아래 티어였습니다.

흥미로운 건 Google AI Overview도 OpenEvidence/UpToDate와 비슷한 수준으로 나왔다는 점입니다. 전용 의료 AI라는 브랜드나 구독형 제품이라고 해서 반드시 더 좋은 답을 주는 건 아니라는 메시지죠.

https://t.co/CVLhh4h2Zy

https://erictopol.substack.com/p/the-paradox-of-medical-ai-implementation

의료 AI 적용의 역설

이미 검증된 의료 영상 AI는 현장에 거의 안 깔리고 있는데, 정작 근거가 훨씬 부족한 LLM 의료 챗봇은 대중과 의사들이 빠르게 쓰고 있다.

  1. 영상 AI는 근거가 많다

    유방촬영, 대장내시경, 망막 사진, CT, 병리 슬라이드, 심전도 같은 영역에서는 AI가 꽤 오래전부터 검증돼 왔어. 예를 들어 대장내시경 AI 보조는 선종성 용종 발견률을 높인다는 무작위 연구가 여럿 있고, 망막 사진만으로 심혈관·신장·파킨슨·알츠하이머 위험 등을 예측하는 연구도 많이 쌓였음.

  2. 그런데 병원 시스템에는 잘 안 들어간다

    토폴은 이걸 “놓치고 있는 기회”라고 봐. 이미 촬영된 망막 사진, CT, 유방촬영 이미지 안에 더 많은 정보가 있는데, 병원은 그걸 AI로 추가 분석하지 않고 그냥 버리고 있다는 것. 특히 중국에서는 PANDA 같은 췌장암 CT 탐지 AI가 routine하게 쓰이기 시작했다는 점도 언급함.

  3. 반대로 LLM은 근거가 부족한데 빨리 퍼지고 있다

    ChatGPT류 의료 상담, 진단 보조, 치료 계획 제안은 사람들이 이미 많이 쓰고 있음. 의사들도 행정 업무, 차트 요약, 문헌 검색, 환자 설명 등에 쓰기 시작했고. 그런데 진단이나 치료 결정처럼 중요한 영역에서는 아직 실제 임상 결과를 개선한다는 강한 근거가 부족하다는 게 토폴의 지적이야.

  4. LLM 의료 AI는 아직 “실전 임상” 데이터가 약하다

    지금까지 많은 연구가 증례 시뮬레이션, 가상 환자, 시험 문제, vignette 중심이라는 것. 실제 병원 현장의 지저분한 상황, 환자가 증상을 부정확하게 말하는 상황, 비용·안전·워크플로우까지 포함한 연구가 부족함.

  5. 결론은 두 갈래

    토폴의 처방은 명확해.

    • 이미 검증된 영상 AI는 빨리 임상에 적용하자.
    • LLM 기반 진단·치료 의사결정은 대규모 전향 연구와 임상시험으로 제대로 검증하자.

스티브 호바스, 느리게 늙는 사람들의 비결

https://www.youtube.com/watch?v=3pRiY2zHt8c

노화는 하나의 숫자로 환원할 수 없지만, DNA methylation clock은 생활습관·질병위험·사망위험이 몸에 남긴 장기 흔적을 꽤 잘 읽어낸다.

  1. 생물학적 나이는 실제 나이와 다르다

    같은 60세라도 어떤 사람은 몸이 더 빨리 늙고, 어떤 사람은 느리게 늙음. 후성유전학적 시계는 DNA 염기서열 자체가 아니라, DNA 위에 붙는 methylation 패턴을 보고 몸의 노화 상태를 추정함.

  2. 노화 시계마다 보는 것이 다르다

    Horvath clock, PhenoAge, GrimAge, DunedinPACE 등이 다 같은 걸 재는 게 아님.

    • GrimAge: 사망위험 예측에 강함
    • PhenoAge: 임상 지표와 생리적 노화 반영
    • DunedinPACE: 현재 노화 “속도”를 보는 쪽그래서 “내 생물학적 나이가 몇 살 줄었다”는 말을 너무 단순하게 받아들이면 안 됨.
  3. 노화를 늦추는 건 대단한 해킹보다 기본 습관 쪽에 가깝다

    제목의 7 habits를 뽑으면 대략 이런 방향이야.

    • 운동을 루틴화하기: 가장 확실한 축. 근력·심폐·대사 건강을 모두 건드림.
    • 채소와 양질의 식단: 특정 슈퍼푸드보다 전체 식단 패턴이 중요.
    • 결핍을 막기: 멀티비타민, 비타민 D, 오메가3 같은 얘기가 나오지만 핵심은 “결핍 보정”에 가까움.
    • 수면 관리: 수면 교란은 노화 시계에 신호로 나타날 수 있음.
    • 과도한 만성 스트레스 줄이기: 단기 스트레스보다 장기적·심한 심리적 스트레스가 문제.
    • 사회적 연결 유지: 고립과 관계의 질도 생물학적 노화와 연결됨.
    • 비만·염증·대사질환을 줄이기: GLP-1, 체중감량, 칼로리 제한 이야기도 이 축에 들어감.

재밌는 부분은 호바스가 “5년 젊어졌다” 같은 주장에 꽤 신중하다는 점.

비만, 당뇨, 염증이 심한 사람이 생활을 크게 바꾸면 생물학적 나이 지표가 꽤 좋아질 수는 있지만, 건강한 사람이 뭔가 하나 추가한다고 극적으로 회춘하는 식은 아니라는 것.

또 하나 중요한 포인트는 후성유전학적 나이가 낮아졌다고 곧바로 수명이 그만큼 늘었다는 뜻은 아니다는 점. 이 시계들은 유용한 바이오마커지만, 아직 “수명 연장 확정 지표”는 아님.

느리게 늙는 사람들의 비결은 신비한 항노화 기술보다 운동, 식단, 수면, 결핍 보정, 스트레스 관리, 사회적 연결, 대사건강 같은 기본값을 오래 유지하는 데 가깝다.

다리오 아모데이, 생물학 위험 발언

https://darioamodei.com/post/policy-on-the-ai-exponential

인공지능의 긍정적 영향 가속화

바로 느린 속도의 혁신에 맞춰 설계된 규제 시스템이 인공지능이 가져올 새로운 제품과 기술 발전의 홍수를 감당할 준비가 되어 있지 않다는 점입니다. 인공지능은 이러한 후속 기술들을 더욱 안전하고 예측 가능하게 만들어 미국 식품의약국(FDA)과 같은 규제 기관의 회의적인 가정을 무너뜨릴 수도 있습니다.

→ 바이오 이넘들..!!!

현재의 규제 시스템은 신약 후보 물질이 효과가 없거나, 효과가 있더라도 심각한 안전성 문제를 가지고 있을 가능성이 높다는 가정 하에 높은 수준의 심사와 여러 단계의 시험을 적용하도록 설계되어 있습니다. 미국 식품의약국(FDA)과 유럽의약품청(EMA) 모두에서 신약 후보 물질이 규제 절차를 거치는 데 일반적으로 7~8년이 걸리는데 , 이는 부분적으로 이러한 비관적인 가정 때문입니다. 개혁이 없다면 인공지능(AI)은 이러한 시스템을 마비시키거나 과부하를 초래할 것입니다.

→ 기존 로직 완전히 붕괴될 것임.

인공지능에 대한 제 예측이 맞다면, 머지않아 예상치 못한 순간에 놀라운 효과를 발휘하는 사례들이 많이 발생할 것이며, 규제 시스템은 이러한 사례들을 진지하게 받아들이고 지나친 회의적인 태도를 취해서는 안 됩니다.

우리 모두 같이 공부하시죠. 여기 무조건 혁신 반드시 일어납니다. 반드시 필연코 기필코

생물학은 자연어와 다르다?

https://www.nature.com/articles/s41592-026-03120-y

핵심 결론

저자들은 2,220만 개 단일세포 데이터를 가지고 400개 모델을 사전학습시키고, 총 6,400개 실험으로 평가했습니다. 결과는 꽤 찬물입니다. 단일세포 foundation model은 LLM처럼 “데이터와 모델을 계속 키우면 성능이 예측 가능하게 오른다”는 스케일링 법칙이 뚜렷하지 않았고, 현재 방식에서는 비교적 작은 데이터 비율만 써도 성능이 금방 plateau에 도달했습니다.

즉 메시지는: 세포 AI는 아직 ‘무조건 1억 세포, 10억 세포 넣으면 된다’가 아니다.

무엇을 봤나

GitHub 설명 기준으로는 scVI, SSL, Geneformer 같은 단일세포 모델 아키텍처를 대상으로 했고, scTab corpus에서 여러 방식으로 데이터를 downsample했습니다. 평가 태스크는 주로:

  • cell type classification
  • batch integration
  • zero-shot 평가
  • fine-tuning 후 평가
  • 일부 perturbation response prediction

입니다. 코드도 공개돼 있습니다: microsoft/scFM-dataselection

왜 중요하냐

최근 바이오 AI 쪽은 “virtual cell”, “AI cell atlas”, “100M cells foundation model” 같은 말이 엄청 뜨고 있잖아요. 이 논문은 거기에 브레이크를 겁니다. 단일세포 데이터는 자연어와 달라서, 그냥 토큰을 더 많이 넣는다고 일반화 능력이 계속 좋아지는 구조가 아닐 수 있다는 겁니다.

특히 생물학 데이터는 batch effect, 조직/질환/실험 프로토콜 편향, cell type imbalance가 커서 데이터 양보다 데이터 구성과 평가 설계가 더 중요할 수 있습니다.

롱제비티 관점

이건 꽤 중요합니다. 노화 연구에서 single-cell AI는 앞으로 핵심 도구가 될 가능성이 큽니다. 예를 들면:

  • 노화된 세포 상태 분류
  • senescent cell subtype 탐지
  • 조직별 aging trajectory 모델링
  • 약물/유전자 perturbation이 세포를 젊은 상태로 되돌리는지 예측
  • 세포 재프로그래밍 안전성 평가

그런데 이 논문은 “그 도구가 아직 생각보다 성숙하지 않다”고 말하는 쪽입니다. 특히 노화처럼 미묘하고 조직별로 다른 현상을 다룰 때는 거대한 foundation model 하나에 맡기는 것보다, 잘 큐레이션된 데이터와 태스크별 검증이 더 중요해 보입니다.

롱제비티 AI 업계에는 약간 불편하지만 좋은 논문입니다. “세포용 GPT 만들면 aging biology가 풀린다”는 식의 과장에 제동을 걸고, 더 현실적인 방향을 제시합니다.

결론은 이거예요: 단일세포 foundation model은 롱제비티 연구에 매우 유용할 수 있지만, 지금 단계에서는 데이터 규모 경쟁보다 데이터 다양성, 모델 용량, 계산자원, 평가 태스크의 균형이 더 중요합니다.

큰 그림 ChatGPT 같은 AI는 **"데이터를 많이 먹일수록 똑똑해진다"**는 게 잘 통했어요. 그래서 사람들이 생각했죠. "세포 데이터도 엄청 많이 먹이면 생물학을 다 풀어주는 AI가 나오겠지!"

이 논문은 말합니다. "안 통하더라. 어느 순간부터 데이터를 더 줘도 안 똑똑해지더라."

왜 그럴까요? 글(언어)이라는 재료와 세포 데이터라는 재료가 완전히 다른 물건이기 때문이에요. 다섯 가지로 풀어볼게요.

  1. 글자는 깨끗하고, 세포 데이터는 지저분하다 책을 보면 글자가 또렷하잖아요. 'ㄱ'은 'ㄱ'이에요. AI가 헷갈릴 게 없습니다.

세포 데이터는 흔들리고 번진 사진 같아요. 카메라가 자꾸 초점을 놓치고, 어떤 부분은 까맣게 안 찍혀요. AI는 "이게 진짜 없는 건지, 카메라가 못 찍은 건지" 구분을 못 합니다. 지저분한 사진을 100만 장 더 줘도, 지저분한 건 지저분한 거예요.

  1. 측정할 때마다 결과가 달라진다 글은 누가 써도 'ㄱ'은 'ㄱ'입니다. 그런데 세포는 실험실마다, 기계마다 결과가 다르게 나와요. 똑같은 세포인데도요.

마치 같은 사람을 찍었는데 카메라마다 키도 다르고 얼굴색도 다르게 나오는 거예요. 게다가 그 "카메라 차이"가 정작 우리가 알고 싶은 진짜 차이보다 더 크게 나와버립니다. AI가 진짜 신호를 찾기 전에 카메라 탓 차이에 휘둘려요.

  1. 더 모아도 "새로운 것"이 아니라 "똑같은 것"의 반복 글은 새 책을 읽으면 새로운 이야기, 새로운 단어가 계속 나와요. 그래서 많이 읽을수록 진짜 똑똑해집니다.

세포 데이터 2,200만 개는 많아 보이지만, 그 안에 거의 똑같이 생긴 세포가 수백만 개 들어 있어요. 새 책을 읽는 게 아니라 같은 페이지를 복사해서 또 보는 것에 가까워요. 양은 늘어도 배울 게 안 늘어납니다. 그래서 어느 순간 딱 멈춰버려요(plateau).

  1. 시험 문제가 너무 쉬워서 깊이 공부를 안 한다 ChatGPT는 "다음 단어 맞히기"로 공부하는데, 이게 의외로 엄청 어려운 문제라 문법·상식·논리까지 다 배워야 풀 수 있어요. 좋은 시험이죠.

세포 AI의 공부 방식은 "가린 유전자 맞히기"인데, 이게 너무 쉬운 시험이에요. 유전자들끼리 워낙 세트로 움직여서, 깊이 이해 안 해도 대충 답이 맞아요. 쉬운 문제만 풀면 진짜 실력은 안 늘죠.

  1. 가장 중요한 질문엔 답할 정보가 아예 없다 우리가 진짜 궁금한 건 이런 거예요:

"이 약을 넣으면 / 이 유전자를 건드리면 세포가 어떻게 바뀔까?"

그런데 AI가 가진 데이터는 세포를 그냥 가만히 구경한 기록뿐이에요. 건드려본 적이 없어요.

요리 사진을 100만 장 봐도, "소금을 더 넣으면 맛이 어떻게 변할까?"는 알 수 없는 것과 같아요. 직접 소금을 넣어보고 맛본 기록이 있어야 하잖아요. 노화 연구의 핵심 질문("이걸 하면 세포가 젊어질까?")이 바로 이 "건드려보기" 영역이라 더 어렵습니다.

한마디로 ChatGPT가 똑똑해진 건 깨끗하고, 다양하고, 어려운 문제로 공부한 덕분인데, 세포 데이터는 지저분하고, 반복되고, 쉬운 문제라서 같은 방법이 안 먹힌다.

그래서 논문의 결론은 이거예요: "데이터를 무작정 많이 모으는 경쟁 말고, 깨끗하고 다양한 데이터를 잘 골라서, 좋은 시험 문제를 만드는 게 더 중요하다."

특히 노화 연구는 신호가 미묘하고 "건드려보기" 질문이라 가장 까다로운 분야라서, 거대한 AI 하나에 다 맡기기보다 잘 준비된 데이터와 검증이 먼저라는 거죠.

세포 안의 움직임을 더 가깝게 볼 수 있게 되었습니다.

https://biohub.org/blog/laser-phase-plate-cryo-em-making-invisible-visible/

2026년 6월 11일 공개된 laser phase plate cryo-EM 소식이에요.

Biohub와 UC Berkeley가 cryo-EM 현미경에 초강력 레이저 위상판을 넣어서, 원래 너무 흐릿해서 보기 어려웠던 작은 단백질과 세포 내부 구조를 훨씬 높은 대비로 볼 수 있게 했습니다. 기존 cryo-EM은 정제된 큰 단백질에는 강하지만, 온전한 세포 안에서 작은 단백질이 실제로 어떻게 움직이고 상호작용하는지 보는 데 한계가 컸습니다.

지금까지 구조생물학은 단백질을 세포에서 뽑아내 정제해서 봤어요. 이건 마치 자동차를 이해하려고 엔진을 분해해서 부품을 책상 위에 올려놓고 사진 찍는 것과 같아요. 부품 모양은 알지만, 그게 차 안에서 어떻게 돌아가는지는 모르죠.

이 기술이 향하는 최종 목표(cryo-ET)는 엔진을 차 안에서, 돌아가는 채로 들여다보는 것입니다. 단백질을 native 환경, 즉 다른 분자들과 실제로 붙어서 일하는 자연 상태로 보는 거예요.

요약하신 숫자가 이 의미를 압축합니다:

  • 지금: 세포 안 native 상태로 제대로 보는 단백질이 1% 미만
  • 목표: 50% 이상

이건 "조금 좋아진다"가 아니라 관측 가능 영역이 50배 넓어진다는 얘기예요. 망원경 비유로 치면, 더 잘 보이는 망원경이 아니라 갑자기 밤하늘의 별 절반이 새로 보이기 시작하는 사건입니다.

논문(단일세포 AI): "데이터가 흐릿하고 지저분해서 AI가 더 안 똑똑해진다." → 문제 진단

소식(레이저 위상판): "세포 안을 고해상도로 깨끗하게 찍는 장비가 나왔다." → 그 문제의 처방 중 하나

왜 중요하냐면, 이건 “이미징 기술” 뉴스지만 롱제비티/바이오 AI 쪽에 꽤 직접적으로 중요합니다. 노화 연구에서 진짜 보고 싶은 건 미토콘드리아, 리소좀, 핵공, 단백질 복합체, DNA repair machinery, proteostasis 같은 것들이 세포 안에서 실제로 어떻게 망가지고 회복되는가잖아요. 이 기술은 그걸 더 가까이서, 더 자연스러운 맥락에서 볼 수 있게 해주는 방향입니다.

특히 글에서 중요한 포인트는:

  • 기존 cryo-EM으로는 정제 단백질 기준 인간 proteome의 약 10%, 세포 안 native 환경 기준 1% 미만 정도만 제대로 보기 어렵다고 설명합니다.
  • laser phase plate가 잘 자리 잡으면 세포 기능을 수행하는 단백질의 50% 이상을 볼 가능성을 언급합니다.
  • 단일 레이저 방식은 Science, 이중 레이저/xLPP 이론은 Nature Communications, Biohub 구현은 bioRxiv 프리프린트로 나왔습니다.
  • 테스트에서 hemoglobin 같은 작은 단백질 이미지 해상도가 최대 44% 개선됐고, apoferritin은 1.8Å 수준까지 이미징했다고 합니다.
  • 최종 목표는 cryo-ET, 즉 온전한 세포 내부를 3D로 보는 구조생물학입니다.

롱제비티 관점에서 제 해석은: 이건 “수명 연장 치료” 뉴스는 아니지만, 노화 생물학의 관측 장비가 한 단계 좋아진 사건입니다. AI 모델이 아무리 좋아도 훈련 데이터가 흐릿하면 한계가 있는데, 이런 기술은 세포 내부의 고해상도 구조 데이터를 늘려서 virtual cell, 질병 모델링, 약물 타깃 발굴에 큰 재료가 될 수 있어요.

짧게 말하면: 세포 안 단백질 기계들을 더 자연상태에 가깝게 볼 수 있게 만드는 현미경 혁신이고, 장기적으로는 노화·퇴행성질환·AI 생물학에 인프라급으로 중요한 소식입니다.

국가별 롱제비티

아부다비의 롱제비티

https://www.ft.com/content/8eb374aa-1777-4940-a383-36de8dac7fd7

UAE는 "장수 신약을 직접 만드는 회사"가 되려는 게 아니라, 모든 장수 연구가 거쳐 가야 하는 "땅이자 플랫폼"이 되려고 합니다.

장수 바이오텍에서 가장 구하기 어려운 4가지가 있는데, 보통 한 나라가 이걸 다 가지긴 힘들어요. UAE는 그걸 한 곳에 몰아넣으려는 겁니다.

재료왜 귀한가보통 어디서 막히나
노화 연구는 길고 비싸다대부분 자본이 부족
데이터유전체 + 장기 건강 추적이 신약의 원료흩어져 있고 모으기 어려움
규제새 치료·클리닉을 빨리 허가해줘야 함선진국은 느리고 까다로움
병원망실제 환자에게 적용·검증접근이 분절돼 있음

왜 하필 UAE가 이걸 잘할 수 있나

작아서, 그리고 위에서 아래로 빠르게 움직일 수 있어서예요.

  • 인구가 작고 중앙집중형이라 → 전 국민 유전체 프로그램(Emirati Genome) 같은 걸 밀어붙일 수 있음. 이미 80만 개 이상 시퀀싱.
  • 자본이 거대함 → Mubadala(국부펀드) + G42(AI) → M42라는 헬스케어 플랫폼으로 묶임. Diaverum(투석 네트워크) 인수처럼 병원·환자망을 사 모으는 중.
  • 규제를 직접 설계 → 세계 최초급으로 "허가받은 장수 클리닉" 표준을 만듦. 즉 규칙을 따라가는 게 아니라 규칙을 만드는 쪽.
  • 세금·인재 유인 → 개인소득세 없음 + free zone → 창업자·고급 인재·기업 유치.

쉽게 말해, "빠르게 결정하고, 돈으로 밀고, 데이터를 모으고, 환자를 연결할 수 있는" 드문 조합이에요. Insilico 같은 AI 신약 회사가 R&D 허브를 트는 것도 이 매력 때문입니다.

싱가포르의 롱제비티

UAE가 "장수 산업의 땅·플랫폼"을 사려는 거라면, 싱가포르는 "장수 의학의 대학병원·연구실"이 되려는 겁니다.

같은 목표(장수 허브)인데 이기는 방식이 정반대예요. UAE는 자본·데이터·속도로 밀고, 싱가포르는 신뢰·연구·임상 번역으로 갑니다.

싱가포르의 진짜 베팅: "실험실에서 환자 침대까지" 연결

싱가포르가 노리는 건 번역(translation)이에요. 무슨 뜻이냐면:

좋은 노화 연구 아이디어 → 진짜 임상시험 → 효과 있으면 → 공공의료 시스템에 실제 적용

이 전체 고리를 한 나라 안에서 돌릴 수 있다는 게 싱가포르의 무기입니다. Brian Kennedy가 NUS/NUHS에서 이끄는 Centre for Healthy Longevity가 정확히 이걸 해요 — Alexandra Hospital에서 연구와 실제 환자 케어를 붙여놨습니다.

대부분의 나라에서는 이 고리가 끊겨 있어요. 논문은 대학에서, 신약은 회사에서, 임상은 또 다른 데서… 따로 놉니다. 싱가포르는 작고 통합돼 있어서 이걸 한 줄로 꿸 수 있어요.

왜 싱가포르가 이걸 잘하나

  • 고령화가 진짜 발등의 불 → 장수가 "부자들의 사치 상품"이 아니라 국가 생존 과제예요. 그래서 정치적 의지가 강합니다.
  • 세계적 수준의 학술의학(NUS/NUHS) → 정부 연구비로 Kennedy, Andrea Maier 같은 스타 과학자를 끌어옴.
  • 신뢰받는 공공의료 + 엄격한 규제 → 임상시험 데이터가 믿을 만하고, 효과 입증되면 전 국민에게 빠르게 확산 가능.
  • SGInnovate 같은 deep tech 투자 플랫폼 → 연구를 회사·제품으로 잇는 다리.

UAE vs 싱가포르 — 한눈에

UAE / Abu Dhabi싱가포르
무기자본 + 유전체 데이터 + 속도학술의학 + 임상 번역 + 신뢰
비유광산·마을을 소유한 지주검증을 책임지는 대학병원
강점규모, 빠른 인프라 구축과학적 신뢰성, 환자까지 연결
약점"지위 상품" 이미지, 검증 의문규모·자본은 상대적으로 작음
동기산업화·국부 다각화고령화라는 실제 위기

→ 둘은 경쟁자라기보다 역할이 다른 보완재에 가까워요. UAE는 "데이터·자본 공장", 싱가포르는 "신뢰받는 검증소".

  • 아무리 제도권이어도, 임상적으로 입증된 수명 연장 치료는 아직 거의 없습니다. 싱가포르의 강점은 "검증을 제대로 할 인프라"이지, "이미 검증됐다"가 아니에요.
  • 정부 grant 의존 → 스타 과학자 유치가 연구비에 묶여 있어, 예산이 식으면 흐름이 끊길 수 있음.
  • 작은 인구 → UAE와 똑같이 데이터 다양성·일반화 한계가 있습니다.

한국의 롱제비티 위치

UAE가 자본/데이터/속도, 싱가포르가 임상 번역/인재 유치라면, 한국은 병원 밀도 + 건강보험 데이터 + CDMO/바이오제조 + 빠른 고령화 수요가 강점입니다.

한국은 한마디로 **“롱제비티 국가전략의 이름표는 약하지만, 임상·제조·의료데이터 인프라는 강한 잠재 허브”**입니다.

한국은 **“롱제비티 치료제의 본사 국가”보다는 “임상·데이터·제조 실험장”**에 더 가깝습니다.

강점은 꽤 뚜렷합니다.

한국 위치
의료데이터전국민 건강보험, 병원 EMR, 건강검진 데이터가 매우 강함
임상 인프라대형병원 밀도, 환자 접근성, 의사·연구자 수준 우수
제조삼성바이오로직스, 셀트리온, 롯데바이오, SK바이오 등 CDMO/바이오 생산 강국
고령화 수요세계에서 가장 빠르게 늙는 국가 중 하나. 롱제비티 실증 수요가 큼
디지털헬스의료 AI, 진단, 병원 IT, 웨어러블/검진 문화에 강점

약점도 분명합니다.

약점의미
국가 브랜드 부재UAE·싱가포르처럼 “우리는 롱제비티 허브”라는 선명한 선언이 약함
규제 속도미국보다 싸고 병원 접근은 좋지만, UAE식 초고속 규제 실험장은 아님
의료파업/인력 갈등임상시험·병원 기반 혁신에는 구조적 리스크
글로벌 창업자 유치싱가포르나 UAE보다 세금·비자·영어 환경·국제자본 접근성이 약함
데이터 활용 규제데이터는 많지만, 연결·상업화·국제 공동연구 활용은 아직 마찰이 큼

투자자 관점에서 보면

한국은 앞으로 이런 회사들이 다음을 하러 올 수 있는 나라입니다.

  • 아시아 임상시험
  • 바이오마커 검증
  • 노화 관련 대규모 관찰연구
  • 건강검진 기반 biological age 모델 검증
  • 세포/유전자치료제 CDMO
  • 항체, ADC, 바이오시밀러, 재생의학 제조
  • 고령층 대상 디지털헬스 실증

즉 한국의 경쟁력은 “장수 국가전략”이 아니라 “장수 산업의 백엔드 인프라”에 있습니다.

억만장자들은 롱제비티 바이오텍에 투자하고 있습니다.

https://www.forbes.com/sites/dariashunina/2026/06/11/the-new-billionaire-bet-isnt-ai---its-longevity-biotech/

1. 롱제비티가 웰니스에서 임상 바이오텍으로 이동

기사도 “예전 롱제비티는 보충제, 바이오해킹, 웰니스 이미지가 강했지만 지금은 약물 개발과 임상 검증으로 이동 중”이라고 봅니다. 이건 우리가 이번 주 뉴스에서 본 Life Biosciences 첫 인간 투여, NewLimit 대형 투자 흐름과 딱 맞아요.

2. 투자금이 실제로 커지고 있음

Forbes가 인용한 Longevity.Technology/PitchBook 기반 데이터에 따르면, 2026년 1분기 롱제비티 바이오텍은 49건의 파이낸싱 이벤트에서 약 37.4억 달러를 조달했고, 2025년 1분기 대비 56% 증가했습니다. 2026년 전체로는 현실적 범위를 80억-90억 달러 정도로 전망합니다.

3. AI는 경쟁자가 아니라 촉매

제목은 “AI가 아니라 롱제비티”지만, 실제 내용은 “AI가 biology discovery를 빠르게 만들면서 롱제비티가 투자 가능한 카테고리가 됐다”에 가깝습니다. NewLimit CEO Jacob Kimmel은 AI 시스템으로 재프로그래밍 후보를 우선순위화해서 실험 속도를 높인다고 설명합니다. NewLimit 자체도 노화된 세포 기능을 되돌리는 epigenetic reprogramming을 전면에 내세우고 있습니다.

자본시장 신호. 중요한 변화는 “영원히 산다”는 허황된 피치가 아니라, 투자자들이 이제 다음 조건을 보는 쪽으로 바뀌었다는 점이에요.

  • 질병 적응증이 있는가
  • FDA/임상 경로가 있는가
  • 바이오마커로 효과를 측정할 수 있는가
  • AI/자동화 실험으로 후보 발굴 속도를 높일 수 있는가
  • 대형 제약사의 파이프라인 공백을 채울 수 있는가

즉 롱제비티가 “철학적 꿈”에서 “제약/바이오텍 투자 테마”로 넘어가는 중입니다. 다만 이 섹터는 실패율이 매우 높고, “노화를 치료한다”는 말은 여전히 규제·임상적으로 까다롭습니다. 진짜 승자는 “노화 전체”를 외치는 회사보다, 간·면역·시신경·혈관·줄기세포 같은 구체적 시스템에서 임상 데이터를 내는 회사일 가능성이 큽니다.

NewLimit 스토리

기: 암호화폐 창업자의 다음 베팅

NewLimit은 Coinbase 창업자 Brian Armstrong, 전 GV 파트너 Blake Byers, 과학자 Jacob Kimmel이 만든 롱제비티 바이오텍입니다. 출발점은 아주 실리콘밸리적입니다. “노화가 인류 최대의 미해결 문제라면, 소프트웨어식 속도와 자본으로 바이오를 다시 만들어보자.” 2021년 공동창업자들이 약 $105M을 넣고 시작했고, 2023년 Series A로 $40M을 추가 조달했습니다. 이때까지만 해도 시장의 시선은 “대담하지만 거의 SF 같은 문샷”에 가까웠습니다.

승: 문제를 좁힌다

처음부터 “인간 수명 연장제”를 만들겠다고 하면 규제도, 임상도, 과학도 너무 막막합니다. NewLimit은 그래서 노화 전체를 외치되, 실제 개발은 세포별 epigenetic reprogramming으로 좁혔습니다. 노화가 진행되면 세포의 유전자 사용 패턴, 즉 후성유전 상태가 흐트러지고, 특정 전사인자 조합으로 이를 더 젊은 상태로 되돌릴 수 있다는 가설입니다. 회사는 이 전사인자 조합을 “payload”로 보고, AI 시스템 Ambrosia가 후보를 설계하고, RESTORE-seq로 수천 개 조합을 병렬 실험한 뒤, single-cell genomics로 결과를 읽는 구조를 만들었습니다. 한마디로 AI + 대량 실험 + 단일세포 측정으로 세포 회춘 조합을 찾는 공장을 세운 겁니다.

전: 롱제비티에서 제약회사로 변신

중요한 전환은 타깃을 “aging”이 아니라 질병 적응증으로 잡은 점입니다. FDA는 노화를 질병으로 인정하지 않기 때문에, NewLimit은 먼저 간, 혈관, 면역 같은 구체적 시스템을 겨냥합니다. 특히 첫 임상 후보는 알코올 관련 간질환으로 알려졌습니다. Jacob Kimmel은 간질환을 “모두에게 일어나는 노화의 가속 모델”처럼 설명합니다. 젊은 간은 손상에서 더 잘 회복하고, 늙은 간은 독성·염증·대사 스트레스에 취약하다는 논리죠. 성공하면 대사증후군, 혈관 기능, 면역노화 같은 더 넓은 영역으로 확장할 수 있습니다.

결: 자본시장이 ‘가능성’을 가격에 반영

2026년 6월, NewLimit은 $435M Series C를 조달하며 기업가치가 약 $3.1B로 보도됐습니다. Founders Fund가 라운드를 이끌고 Thrive, Greenoaks, Quiet Capital, Kleiner Perkins, Eli Lilly의 벤처암 등이 참여했습니다. WSJ 보도에 따르면 불과 전년에는 첫 인간 임상이 2030년쯤으로 예상됐지만, 과학적 진척이 빨라져 첫 간질환 후보가 내년 인간 연구에 들어갈 계획이라고 합니다. 아직 제품도 없고 임상 효능도 없습니다. 그럼에도 시장은 “AI가 바이오 실험 속도를 바꾸고, epigenetic reprogramming이 진짜 치료 플랫폼이 될 수 있다”는 가능성에 큰 가격을 매긴 셈입니다.

이 회사의 본질

NewLimit의 스토리는 “장수 보충제 회사”가 아닙니다. 더 정확히는 노화를 세포별 소프트웨어 문제처럼 보고, 전사인자 조합으로 세포 기능을 다시 프로그래밍하려는 AI 기반 제약회사입니다.

← 전체 회차
June. 14 Live · Longevity Korea