Chapter 11: 인접 산업의 학습 — 제약·헬스케어·건강기능식품의 AI 활용

왜 이 챕터인가

화장품은 마이크로바이옴 산업화에서 작은 플레이어다. 시퀀싱·생성 단백질 설계·임상 시뮬레이션·정의된 컨소시엄(defined consortium) — 우리가 Part II와 Part III에서 다룬 도구 전부 — 는 화장품을 위해 만들어진 것이 아니다. 모두 더 큰 자본을 가진, 더 어려운 문제(IPF·재발성 C. difficile 감염·당뇨병·암)를 풀어야 했던 인접 산업이 먼저 만들었고 — 화장품은 그 도구를 이식받는다. 이는 약점이 아니다 — 가장 싼 R&D 전략이다. AI 신약 발견의 한 라운드 비용은 글로벌 화장품 메이저 한 곳의 연간 R&D 예산에 근접하고 — 누군가 다른 사람이 도구를 만든 뒤 화장품으로 이식하는 것은 그래서 합리적이다.

Brief B는 이 챕터를 명시적으로 요청한다 — "마이크로바이옴·AI를 산업화한 사례를 화장품을 넘어 알려달라." 정직한 답은 이렇다 — 제약과 건강기능식품은 화장품이 아직 가지지 못한 operational template을 다섯 가지 가지고 있다. (i) AI 설계 활성 성분에 대한 end-to-end 임상 readout (Insilico/rentosertib), (ii) 마이크로바이옴 치료제의 FDA 승인 (Seres/VOWST), (iii) 정의된 컨소시엄 제품의 임상 시험 (Vedanta/VE303), (iv) 마이크로바이옴 × 표현형 데이터 코호트 기반 개인화 (ZOE PREDICT), (v) 생성형 단백질 설계 SaaS의 산업 채택 (Cradle, Profluent). 다섯 모두 화장품에 그대로 옮겨지지는 않는다 — 어디가 옮겨지고 어디가 옮겨지지 않는지를 명명하는 것이 이 챕터의 작업이다.

이 챕터의 정량적 핵심 3가지 1. end-to-end AI 신약 발견의 시계열: Insilico Medicine의 rentosertib는 AI 타깃 식별에서 IND 제출까지 30개월, Phase 2a까지 약 5년이 걸렸다 ^[25]. 12주 Phase 2a에서 위약 −20.3 mL에 대해 +98.4 mL의 FVC 변화를 보고했다 ^[14]. 화장품 산업의 등가 publication 수: 0 (Gap 1). 2. FDA 승인 마이크로바이옴 치료제 수: 2026년 5월 기준 2개 — Seres의 VOWST (SER-109, 2023년 4월 승인) ^[7] 그리고 Ferring의 Rebyota (RBX2660, 2022년 11월 승인). 화장품 산업의 등가 승인 수: 0 — 그러나 Geltor의 PrimaColl이 2025년 10월 ingestible 영역에서 첫 GRAS "no questions" 서한을 받았다 ^[8] (Gap 5). 3. adjacent transfer의 비대칭: pharma 메이저(Pfizer, Novo Nordisk, GSK)는 AI 파트너십을 발표하지만 마이크로바이옴 헤드라인 프로그램은 발표하지 않는다 (Gap 11). 반대로 마이크로바이옴 헤드라인 회사(Seres, Vedanta)는 메이저가 아닌 mid-cap이다. 화장품 R&D 기획자가 빌릴 수 있는 것은 AI 파트너십 패턴과 마이크로바이옴 규제 패턴이지, 둘을 결합한 단일 큰 회사가 아니다.

11.1 Framing — 왜 인접 산업이 화장품의 가장 싼 R&D인가

세 가지 비대칭이 화장품을 수입 측에 놓는다.

자본 비대칭. 신약 한 건의 발견 비용은 전통적으로 $1~2B로 추정되며, AI 가속 파이프라인이 이를 절반 또는 그 이하로 압축하지만 — 그것도 여전히 글로벌 메이저 화장품 기업 한 곳의 전체 R&D 예산 한 해와 비슷한 규모다. L'Oréal 전사 R&I 예산은 2024년 약 €1.27B, 아모레퍼시픽은 약 ₩2,800억(약 $200M)이다. 화장품 산업의 자본 구조는 de novo로 AlphaFold급 모델 학습, 백만 데이터 포인트 ChEMBL급 코퍼스 구축, Insilico-스타일 end-to-end 파이프라인 가동을 감당할 수 없다 — 도구는 다른 산업이 만들어야 한다.

규제 비대칭. FDA·EMA·식약처는 마이크로바이옴 의약품에 대한 평가 프레임워크를 이미 구축했다 — 불완전하지만 존재한다. Seres의 VOWST는 FDA가 살아있는 마이크로바이옴 제품의 efficacy·CMC·environmental risk를 어떻게 평가하는지 보여준 첫 사례다 ^[27]. 화장품 규제 당국은 그런 프레임워크가 전혀 없다 (Gap 5; Chapter 7). 화장품이 살아있는 엔지니어링된 균주로 진입한다면, 직접적인 규제 경로 부재로 인해 — 제약 선례를 직접 인용해야 한다. 이것 자체가 인접 산업 의존이다.

데이터 비대칭. ChEMBL (2.4M assay), PubChem (110M+ 화합물), PDB (220K 구조)는 제약 산업이 한 세기에 걸쳐 공공재로 풀어놓은 자산이다. 화장품 산업에는 등가물이 없다 (Gap 12). 화장품 AI는 제약 공공 데이터를 미세조정 하거나 — 두 산업의 metabolite 공간이 부분적으로 겹치는 한에서 — 도메인 적응을 하는 것이 합리적이다. 직접 새 데이터를 만들 자본이 없기 때문이다.

이 세 비대칭은 인접 산업 의존을 임시방편이 아니라 영구 구조로 만든다. Chapter 12의 청사진은 이를 전제로 한다 — 화장품 R&D 기획자가 묻는 것은 "어떻게 자체적으로 만들 것인가"가 아니라 "어떤 도구를 어디서 빌릴 것인가, 그리고 빌리지 못하는 것은 무엇인가"다.

11.2 Insilico Medicine — AI 신약 발견의 end-to-end 임상 템플릿

화장품이 인접 산업에서 가장 부러워해야 할 단일 데이터 포인트는 ^[25]의 Nature Biotechnology 논문이다. Insilico Medicine은 PandaOmics(타깃 식별 AI)와 Chemistry42(생성형 분자 설계 AI)를 직렬로 사용해 idiopathic pulmonary fibrosis(IPF)의 새 타깃인 TNIK 키나아제를 식별하고, 그 타깃에 대한 first-in-class 저분자 rentosertib(ISM001-055)을 설계했다. 타깃 가설에서 IND 제출까지 18개월, IND에서 Phase 1 first-in-human까지 추가 12개월 — 총 30개월. 전통적인 신약 발견 시계열(타깃→IND 4~6년)의 1/2~1/4다 ^[25].

1년 뒤 ^[14]의 Nature Medicine Phase 2a 결과가 — AI 발견 분자가 임상 환자에서 측정 가능한 효과를 내는지에 대한 첫 peer-reviewed 답을 — 발표했다. 71명의 IPF 환자 randomized double-blind placebo-controlled trial, 12주 dosing. Primary endpoint는 forced vital capacity (FVC) 변화. 결과 — rentosertib 60mg QD 그룹은 +98.4 mL FVC, 위약은 −20.3 mL — 표준치료(nintedanib, pirfenidone)와 결합되었을 때도 유의한 차이. Safety profile은 받아들일 만했고, 두 명의 patient deaths는 IPF 자연사 범위 안의 것으로 판정됐다. 이는 end-to-end AI 발견 분자가 임상 efficacy signal에 도달한 최초의 peer-reviewed 사례다.

화장품으로의 이식 가능성은 구조적으로 명확하고 실무적으로 비어 있다. 구조: (i) 타깃 식별 — 마이크로바이옴 metabolite 또는 host 단백질 (Chapter 4) — 의 AI 가속, (ii) 활성 분자 설계 — AlphaFold/Boltz/Chai 또는 ESM3 등가물 (Chapter 5) — 의 생성형 합성, (iii) 사내 wet-lab 검증 (Chapter 7 DBTL), (iv) ex vivo / 임상 readout (Chapter 9). 모든 단계의 도구가 2024년에는 commodity가 됐다. 비어 있는 것은 화장품 산업이 전체 파이프라인을 끝까지 굴려 publication에 도달한 사례가 없다는 점이다 (Gap 1). ^[11]의 PRISMA 리뷰는 이 점을 명시한다 — 74개 포함 연구 중 0건이 AI 설계된 화장품 활성 성분의 임상 readout이다.

^[33]의 GENTRL DDR1 논문이 이 흐름의 시작이었다는 것도 짚을 가치가 있다. GENTRL은 reinforcement learning 기반 생성 모델로 DDR1 저해제 6개를 21일 만에 설계·합성·in vitro 테스트했다 — Nature Biotechnology 논문. 그 6년 뒤에 같은 회사가 같은 일을 IPF 환자에 대해 했고 — 그 시계열이 화장품 산업이 무엇을 빌릴 수 있는지를 calibrate한다. 화장품의 AI 도구 도입은 GENTRL과 같은 방법론 첫 발표(2019) 단계 — 2021년 ^[4] IBM-Unilever 논문 — 에서 멈춰 있다. 임상 readout 단계가 비어 있다.

화장품 R&D 기획자가 가져갈 수 있는 구체적 항목 두 가지:

첫째, Insilico의 publication 전략. 모든 단계에서 방법론을 공개했다 — PandaOmics·Chemistry42 알고리즘 논문, Nature Biotechnology 임상 진입 논문, Nature Medicine Phase 2a 논문. IP 보호는 분자 자체와 합성 경로에 집중되었고, 방법론은 풀렸다. 화장품 메이저들은 그 반대 패턴이다 — 방법론도 분자도 둘 다 사내에 둔다. publication asymmetry는 결과적으로 화장품 AI가 외부에서 평가받지 않는다는 의미다 (Gap 15).

둘째, end-to-end의 조직적 의미. Insilico는 AI 팀·합성 팀·임상 팀이 단일 organizational unit이다. 화장품 메이저는 AI 팀이 R&I 본부에 있고 임상 팀(또는 efficacy 시험 팀)이 분리된 경우가 많다. 30개월 timeline을 가능하게 한 것은 알고리즘이 아니라 — 조직 통합이었다. 이것이 한국 OEM(COSMAX, Kolmar)의 구조적 기회다 — B2B 모델은 사내 임상에 강하고 AI를 위에 얹는 것은 어렵지 않다.

11.3 Recursion, Exscientia, AI 신약 발견 SaaS 풍경

Insilico 외에 두 회사가 AI 신약 발견 산업화를 — 다른 모델로 — 추진해 왔다. Recursion Pharmaceuticals는 phenomics 회사로 — 자동화된 세포 이미지 어레이로 화합물의 phenotypic profile을 측정하고 — 그 데이터로 ML을 학습한다. 2024년 8월 발표되어 11월 완료된 ^[24] 합병은 phenomics(Recursion)와 generative chemistry(Exscientia, 영국-기반)를 통합한 단일 platform을 만들었다. Roche와의 partnership은 미신경계 표적에 집중하고, 두 회사 합쳐 30개 이상의 활성 프로그램을 보유한다.

화장품으로의 이식: phenomics 인프라는 화장품 산업에 간접적으로 유용하다. 화장품 활성 성분 스크리닝의 표준 in vitro endpoint(섬유아세포 증식·콜라겐 합성·MMP 억제·항산화 capacity)는 Recursion-style automated imaging에 자연스럽게 매핑된다. CDMO·OEM 채널에서 이를 도입하는 것은 자본 비대칭을 부분적으로 우회한다 — Recursion이 이미 학습한 phenotype 모델이 화장품 endpoint로 fine-tune되면 된다. Exscientia 측의 생성형 chemistry는 Chapter 4·5의 화장품 metabolite 설계와 더 직접적으로 겹친다.

Cradle Bio(Zurich/Delft 기반)는 더 화장품 친화적인 SaaS 모델이다. ML 기반 단백질 설계 platform — 효소·항체·바이오로직스 — 을 고객 기업이 web interface로 사용한다. 2024년 11월 ^[6]의 $73M Series B가 발표되었고, 같은 라운드 공시에서 ^[22]가 고객 기업으로 disclosed되었다. Novo Nordisk가 정확히 어떤 단백질에 Cradle을 쓰는지는 공개되지 않았지만 — GLP-1 계열 펩타이드 엔지니어링이 후보다. 화장품 산업에서 같은 SaaS를 빌리는 것은 비용 구조상 합리적이다 — 비건 콜라겐(Chapter 7의 Geltor PrimaColl과 같은 클래스), engineered peptide(엘라스틴 모방·MMP 저해 펩타이드), 마이크로바이옴 metabolite 생산 효소 등 화장품 산업이 직접 학습 코퍼스 구축 capital이 없는 단백질을 외부 SaaS로 설계하는 것이다.

Profluent(Berkeley, US)는 더 야심찬 변종이다. ^[26]의 OpenCRISPR-1은 de novo 생성된 Cas9 등가 단백질이다 — ProGen2 protein language model이 학습된 CRISPR-Cas universe로부터 생성한 합성 단백질이 실제 in vitro CRISPR 활성을 보였다. 화장품으로의 가까운 시일 적용은 제한적이지만 — 미래 시점의 함의는 크다. 미생물 metabolite 생합성 경로의 합성 효소를 같은 방식으로 생성할 수 있다면, Chapter 7 DBTL 루프의 design 단계가 commodity가 된다. 화장품 산업이 직접 그 모델을 만들 일은 없겠지만, 5년 안에 SaaS로 빌릴 수 있을 가능성은 높다.

^[12]의 ESM3 — 98B-parameter protein language model, 7B-parameter 버전 open release — 는 이 SaaS 풍경의 기초 모델 층이다. EvolutionaryScale이 출시한 ESM3는 5억 년의 진화를 시뮬레이션해 de novo 단백질을 생성하는데 — Cradle·Profluent 같은 application 회사가 이 기초 모델 위에 fine-tune하는 식이다. 화장품 R&D 기획자가 평가해야 할 의사결정은 — 어느 layer를 자체 구축하고 어느 layer를 SaaS로 빌릴 것인가. 기초 모델은 빌린다 (자본·데이터 부족). Application layer(화장품 endpoint별 fine-tune)는 부분적으로 자체 구축한다 (사내 phenotype 데이터가 IP). UI/workflow layer는 — Potion AI처럼 — SaaS로 빌리거나 자체 구축한다 (선택).

화장품 적용 가능성 매트릭스(11.8절 표)에서 이 layer 분리가 핵심 의사결정 변수로 다시 등장한다.

11.4 Seres VOWST — 최초로 FDA 승인을 받은 마이크로바이옴 치료제

화장품이 살아있는 마이크로바이옴 제품의 규제 경로를 묻는다면, 단일 가장 중요한 reference는 Seres Therapeutics의 SER-109 / VOWST 사례다. SER-109는 정제된 Firmicutes 포자(spore) 제형으로 — 재발성 Clostridioides difficile 감염(rCDI) 환자의 마이크로바이옴을 회복시켜 재발을 막는다.

핵심 임상 데이터는 ^[7] NEJM — ECOSPOR III randomized double-blind placebo-controlled trial. 182명 환자, 1:1 randomization. 8주에 rCDI 재발률 — SER-109 12% vs 위약 40% (relative risk 0.32, 95% CI 0.18–0.58, P < 0.001). 단일 trial에서 number needed to treat 약 4. 이는 — 화장품의 어떤 활성 성분 임상 결과보다도 — 자릿수가 다른 effect size다 (rCDI가 medical-emergency endpoint이기 때문이지, AI가 들어갔기 때문은 아니다 — Seres 파이프라인은 AI-heavy가 아니다). 2023년 4월 FDA가 첫 경구 마이크로바이옴 치료제로 승인했다 — 그 직후 Nestlé Health Science와의 공동 commercial 파트너십이 시작되었다 ^[27].

화장품으로의 이식: 직접적이지 않다. SER-109의 매개체는 간접적 마이크로바이옴 복원이다 — 정제된 균주가 환자의 결손된 community niche를 채워 C. difficile의 재집락을 막는 것. 화장품의 가장 가까운 등가는 살아있는 commensal 보충인데 — 이는 현재 화장품 규제가 받아들이지 않는 카테고리다 (Gap 5). VOWST는 drug로 승인됐기 때문에 — FDA의 Biologics License Application(BLA) 경로를 따랐다.

그러나 ECOSPOR III의 trial design 자체는 직접적으로 화장품에 옮겨진다. 구체적 항목:

Endpoint 선정. primary endpoint를 재발률 단일 binary outcome으로 명확히 설정했다. 화장품 임상에서는 multi-objective endpoint 흐림이 빈번하다 — "주름 + 보습 + 광택 모두 개선"식의 vague composite. ECOSPOR III처럼 단일 객관적 binary(또는 정량적 continuous) endpoint를 미리 등록하는 것은 — 화장품 임상 efficacy를 peer-review에 도달시키는 가장 빠른 길이다.

CMC(Chemistry, Manufacturing, Controls) 표준. 살아있는 균주 제품의 batch-to-batch 일관성·purity·potency 측정은 — Seres가 FDA와 협의해 만든 trail이다. strain identity (genome sequencing), viable count, contamination panel 모두 표준화됐다. 화장품 산업이 살아있는 균주 제품(또는 강력하게 strain-defined postbiotic)으로 이동한다면 — Seres의 CMC dossier가 reference template이다.

Cohort design. ECOSPOR III는 단일 인종 그룹·단일 지리에 over-fit하지 않도록 multi-site enrollment 했다. 화장품 임상의 가장 빈번한 비판 — Fitzpatrick type 비대표성(Gap 4) — 을 사전적으로 다룬다.

Vedanta Biosciences의 VE303은 같은 카테고리의 두 번째 시도이지만 — 다른 분자생물학적 접근이다. ^[17] JAMA는 VE303의 Phase 2 CONSORTIUM trial을 보고한다 — 8주 rCDI 재발률에서 high-dose VE303이 위약 대비 odds ratio 0.27 (95% CI 0.09–0.81). VE303은 SER-109와 달리 donor-derived spore preparation이 아니라 defined bacterial consortium — 8개의 Clostridia 균주 — 으로 — 산업 표준화에 더 유리하다. 2024년 5월 ^[29]는 Phase 3 RESTORATiVE303의 first patient dosed를 발표했다.

Vedanta는 defined consortium의 산업적 정당성을 보여준다 — donor variability 없이 batch-to-batch 일관성을 유지하는 path. 화장품 R&D 기획자가 마이크로바이옴 cocktail 제품을 설계할 때 — donor-derived 또는 fermentate-derived 단일 균주가 아니라 — VE303 모델(정의된 N-strain consortium, 각 strain genome 시퀀싱, 비율 정량화)이 옳은 reference다. Chapter 7의 DBTL 루프는 이 consortium design을 직접 가능하게 한다.

조심해야 할 cautionary tale: Vedanta의 VE202(inflammatory bowel disease 타깃)는 2022년 Phase 2 ulcerative colitis trial에서 primary endpoint를 놓쳤다 — defined consortium 접근이 모든 적응증에서 작동하지 않는다는 신호다. 화장품 산업이 같은 모델을 적용할 때 — 임상 endpoint가 마이크로바이옴 manipulation에 mechanistically 민감해야 한다는 사전 조건이 명시적으로 검증돼야 한다. rCDI는 마이크로바이옴 결손이 인과적 driver인 endpoint다 — 그래서 SER-109·VE303이 작동한다. 화장품에서 동등하게 "마이크로바이옴이 인과적 driver"인 endpoint는 — atopic dermatitis 일부, acne 일부, 일반 anti-aging은 아닐 가능성이 높다 (Gap 14).

^[18]의 Experimental Dermatology 리뷰는 피부과 적응증에 대한 마이크로바이옴 치료제의 — academic-grade — 현황 정리다. 임상 readout 등급이 가장 명확한 것은 atopic dermatitis × Roseomonas mucosa / Staphylococcus hominis A9 — Gallo lab의 ^[20] — 다. 이것이 화장품에 가장 가까운 peer-reviewed "live microbe cosmetics" 선례이며, Chapter 9의 ground-truth 라인과 연결된다.

11.5 Pharma majors와 마이크로바이옴 — 공개의 부재

Brief B는 Pfizer, Novo Nordisk, Eli Lilly 같은 pharma majors가 마이크로바이옴·AI를 어떻게 산업화하는지를 묻는다. 정직한 답은 — 그들은 마이크로바이옴 헤드라인 프로그램을 공개하지 않는다 (Gap 11). 공개된 것은 AI 파트너십이고 — 그 AI 파트너십이 정확히 어떤 적응증·어떤 분자에 쓰이는지는 흐릿하다.

Pfizer × XtalPi. ^[23] 2025년 6월 expanded partnership 발표 — 약 8년 전 시작된 collaboration의 확장. XtalPi는 중국·미국 기반 AI 신약 발견 + 재료과학 시뮬레이션 platform. crystal structure prediction, drug-target interaction, 활성 분자 design을 제공. Pfizer의 disclosed use case는 small-molecule discovery 일반 — 마이크로바이옴-specific 프로그램은 disclosed되지 않았다. (Pfizer는 별도로 — 더 이른 시점 — Second Genome과 마이크로바이옴 partnership을 가졌으나, 2020년 초 이후 잠잠하다.)

Novo Nordisk × Cradle Bio. ^[22]는 Cradle Series B disclosure에서 Novo가 customer로 명명됐다. GLP-1 펩타이드(semaglutide·tirzepatide 계열) 엔지니어링이 후보 use case지만 — disclosed되지 않았다. Novo는 마이크로바이옴-specific 프로그램을 publicly 운영하지 않는다 — 다만 GLP-1과 마이크로바이옴의 상호작용(SCFA-mediated GLP-1 secretion)은 학계 문헌에 잘 정리되어 있어 — 사내 프로그램이 있을 간접 증거는 있다.

Eli Lilly. 공개 disclosure 기준으로 마이크로바이옴-specific AI 프로그램은 부재하다. Lilly의 AI 전략은 — Alphabet의 Isomorphic Labs와의 partnership(2024) 포함 — 단백질 설계와 small-molecule discovery에 집중되어 있다.

GSK × Fleming Initiative. ^[9]는 £45M Imperial College 기반 AMR(antimicrobial resistance) AI 프로그램이다. AMR은 마이크로바이옴 인접이지만 — 화장품에 직접 적용되는 use case는 아니다. 그러나 항생제 내성 균주 prediction은 cosmetic preservative resistance 문제와 mechanistically 연관된다.

Roche / Recursion. 2024년 합병 후 Recursion-Exscientia는 Roche partnership을 유지하며 microbiome-adjacent 적응증보다 신경 정신과·종양학에 집중한다.

이 풍경에서 화장품 R&D 기획자가 가져갈 수 있는 의미: pharma 메이저의 마이크로바이옴 헤드라인 프로그램은 빌릴 수 없다 — 존재하지 않기 때문이다. 대신 빌릴 수 있는 것은 — AI 파트너십 패턴이다. Pfizer-XtalPi, Novo-Cradle, GSK-Fleming은 — 사내 R&D 본부 + 외부 AI SaaS partner라는 동일한 구조를 보인다. 화장품 메이저(L'Oréal-Microsoft, Shiseido-Accenture)는 이미 같은 패턴을 채택했다 — 다만 마이크로바이옴-specific use case로 공개된 프로그램은 아직 적다.

^[14]가 — 그것이 publicly traded(HKEX IPO 2025년 3월)인 이유로 — 가장 audit 가능한 케이스 스터디다. Insilico 2024 IPO prospectus는 18개 임상 프로그램, 5개 Phase 2, 100명+ AI scientists, $300M+ 누적 R&D 지출을 공시했다. 화장품 메이저들의 disclosure는 — 사내 비공개로 — 비교 불가다. 화장품 산업이 publicly auditable comparable 사례를 갖고 싶다면, COSMAX 같은 OEM(B2B 모델은 publishing 인센티브)이 그 후보다.

11.6 ZOE PREDICT — 개인화 영양과 화장품 personalization의 템플릿

Brief B는 건강기능식품(nutraceutical)도 명시적으로 요청한다. 이 카테고리에서 단일 가장 중요한 reference 시리즈는 ZOE의 PREDICT 코호트다.

^[2] Nature Medicine의 PREDICT 1 — 1,098명 deeply-phenotyped individuals — 은 microbiome 조성과 host metabolic response (식후 glycemic·lipemic 반응) 사이의 personalized 관계를 보였다. 그 후 ^[3]가 cohort updates를, ^[31] Nature Medicine가 personalized nutrition intervention (METHOD trial) 결과를, ^[32] Nature가 — Faecalibacterium prausnitzii·Roseburia 같은 — 마이크로바이옴 health-ranking을 보고했다.

ZOE 모델의 핵심 component:

(i) consumer-grade home test kit. 분변 샘플 + dried blood spot + continuous glucose monitor patch. 사용자가 집에서 표준화된 protocol로 수집·반송.

(ii) machine learning personalization engine. 마이크로바이옴 × 식이 × 글루코스 timeline → individualized 식이 추천. 알고리즘은 — clinical-grade peer-review에 — RCT로 검증됐다 ^[31].

(iii) ongoing cohort 운영. 100,000명+ scale로 운영되어 — 모델이 시간에 따라 retrain되고 — 새 microbe-phenotype association이 Nature-grade publication에 도달한다.

화장품 personalization으로의 이식 — Chapter 6 디지털 트윈과 Chapter 8 POND'S 매장 진단의 reference template이 정확히 이것이다. 매장 진단은 ZOE의 (i)을 흉내내고, AI 추천은 (ii)를 흉내내며 — (iii)의 ongoing cohort 학습은 화장품 산업에 아직 없다. POND'S와 COSMAX × HelloBiome ^[5]은 (i)·(ii)를 도입했으나 — cohort 운영 규모와 peer-reviewed publication cadence에서 ZOE를 따라가지 못한다.

ZOE가 화장품에 직접 가르치는 두 가지:

첫째, 데이터 + 알고리즘 + RCT의 trio. ZOE는 시작할 때 — consumer test kit만으로 — 사업을 시작하지 않았다. 학계 PI(Tim Spector, Nicola Segata)와 cohort 데이터 + peer-reviewed publication을 함께 구축한 것이 credibility moat다. 화장품 personalization startup이 ZOE-grade 신뢰를 얻으려면 — 같은 trio가 필요하다 (Gap 15 audit 부재 문제의 해법).

둘째, 식이 시점·식습관까지 캡처하는 phenotype 비대칭. 화장품 personalization은 — 마이크로바이옴 × 피부 phenotype까지만 캡처한다. 식이·수면·스트레스 같은 systemic phenotype은 capture하지 않는 경우가 대부분이다. ZOE는 systemic phenotype까지 캡처한 후 microbiome과 결합한다 — 그래서 personalization signal-to-noise가 더 강하다. 화장품 산업이 — 특히 K-beauty의 routine-heavy 사용자 베이스에서 — 같은 systemic phenotype 캡처를 한다면, ZOE-equivalent personalization quality가 가능하다 (Chapter 12 청사진).

Viome과 DayTwo는 인접 변종이다. Viome은 metatranscriptomics(active function 측정)를 차별점으로 마케팅하지만, peer-reviewed cohort publication cadence는 ZOE보다 약하다. DayTwo는 Weizmann Institute의 Cell 논문(Personalized Nutrition by Prediction of Glycemic Responses, Zeevi 외 2015)에서 spun out 됐고, B2B(보험·healthcare provider) 모델을 채택했다.

화장품 personalization 시장이 — 2027~2030 window에 — formal하게 성숙한다면, 이 세 회사가 consumer-facing 비-cosmetic 마이크로바이옴 personalization에서 학습한 마케팅·gettings-around-regulation·cohort 운영 패턴이 그대로 화장품에 옮겨질 가능성이 높다.

11.7 마이크로바이옴 데이터 인프라 — 인접 산업이 만든 공공재

화장품 산업이 — 자체 비용 없이 — 즉시 활용 가능한 인접 산업 공공재 세 가지를 명명할 가치가 있다.

MGnify (EMBL-EBI 운영). >700,000개 메타지노믹 샘플의 unified 분석 platform. metabarcoding, shotgun metagenomics, metatranscriptomics 모두 지원. 화장품 R&D는 — 사내 16S/shotgun 데이터를 MGnify로 업로드해 표준화된 taxonomic·functional profile을 얻거나, 공개된 reference 코호트(EMP, HMP)와 비교할 수 있다. Chapter 3에서 메타지노믹스 pipeline을 다룰 때 이미 등장했지만 — 공공 데이터 자원으로서의 ZOE-grade 정당성은 화장품 산업이 충분히 활용하지 않는다.

MIBiG (Minimum Information about a Biosynthetic Gene cluster). >2,500개 천연물 생합성 gene cluster의 큐레이션된 데이터베이스. Chapter 4 metabolite 스크리닝에서 학습 코퍼스로 등장했다. 화장품 산업이 마이크로바이옴 strain의 BGC(biosynthetic gene cluster)를 predict하는 모델(antiSMASH 등)을 학습할 때 — MIBiG가 직접 ground truth로 쓰인다. 학계가 만든 공공재이고, pharma·industrial biotech가 사용한 패턴을 화장품이 그대로 복사할 수 있다.

NPAtlas (Natural Products Atlas). >30,000개 천연물 구조의 큐레이션 데이터베이스. ESM3·Chai-1 같은 단백질-ligand 모델이 — 화장품 metabolite × host 단백질 docking 예측에 — fine-tune될 때 NPAtlas는 chemical space coverage의 reference다. 비영리, 학계 운영.

이 세 데이터베이스 모두 — pharma + 학계가 만들고 free public access를 유지하는 — 자산이다. 화장품 산업의 자본 비대칭(11.1절) 하에서, 이런 인프라를 활용하는 것은 — 자체 인프라 구축 시도 대신 — 가장 합리적인 첫 수다. 그러나 화장품-specific 등가물(cosmetic ingredient × microbiome interaction 큐레이션 데이터베이스, cosmetic-active × in vitro endpoint 벤치마크)은 없다 (Gap 12). Chapter 12의 청사진은 이 공백을 명시적 opportunity vector로 제시한다.

11.8 무엇이 옮겨지지 않는가 — 규제·자본·시계열의 비대칭

위 다섯 산업의 템플릿이 화장품으로 완전히 이식되지 않는 이유를 명명하지 않으면 — 챕터가 over-promise한다. 세 가지 옮겨지지 않는 것:

규제 rigor의 비대칭. FDA IND·Phase 1/2/3·NDA·BLA는 — 화장품 산업이 따라갈 자본 구조도, 시계열도, 인센티브도 없는 평가 기준이다. SER-109 ECOSPOR III trial 한 건의 cost는 — 화장품 효능 임상 한 건 비용의 자릿수가 다르다. 화장품 R&D는 SER-109의 방법론(trial design, CMC)을 빌릴 수 있지만 — 그 평가 rigor까지 빌릴 수는 없다. AI 가속이 이 격차를 부분적으로 줄일 수는 있어도 — 자본 격차를 메우지는 못한다.

자본 집약도의 비대칭. Insilico의 단일 분자(rentosertib)에 누적 R&D 지출은 disclosed numbers 기준 약 $50~100M이다. 화장품 전체 활성 성분 포트폴리오의 연간 R&D 지출이 그 자릿수다. 화장품 산업은 — Insilico의 single-molecule level capital을 단일 활성 성분에 쓸 수 없다. 가능한 path는 — capital 한 단위로 여러 활성 성분을 동시에 진행하는 portfolio 모델이다 — 이는 SaaS layer(Cradle·Profluent)를 빌리는 것과 자연스럽게 결합한다.

시계열의 비대칭. Insilico의 2014 founding → 2018 first lead → 2024 Phase 2a → 2025 Nature Medicine은 11년 timeline이다. 화장품 산업은 — 시장 cycle이 더 빠르다(SKU lifecycle 2~3년) — 11년 timeline R&D를 sustain할 인내 자본이 부족하다. 또 한 번 — capital 한 단위로 여러 활성 성분을 동시에 진행하는 portfolio 모델이 해법이다. Insilico의 single-molecule deep dive는 — 화장품에 직접 옮겨지지 않는다.

임상 endpoint의 본질적 차이. rCDI(SER-109)·IPF(rentosertib)·당뇨병 prevention(ZOE)은 — 모두 medical emergency 또는 그에 준하는 endpoint다. effect size가 크고, regulatory bar가 높고, payor가 보험이다. 화장품의 임상 endpoint(주름·보습·광택)는 — consumer preference endpoint다. effect size가 작고, regulatory bar가 낮고, payor가 consumer다. 동일한 AI 가속이 — 자릿수가 다른 signal에 대해 — 다른 결과를 낸다. 화장품 R&D 기획자가 이 차이를 명시적으로 모델링하지 않으면 — Insilico-style 30개월 timeline을 화장품에 약속하는 over-claim에 빠진다.

마지막으로 [Galderma] — 글로벌 dermatology 전문 기업, Cetaphil 보유 — 의 공개 부재가 (Gap 10) 이 챕터에서 명명될 가치가 있다. Galderma는 2024년 3월 SIX(Zurich) IPO 후 — AI·마이크로바이옴 program을 publicly 공시하지 않는다. 두 해석이 가능하다 — (i) 진정한 미투자, (ii) IPO 후 IR-conservative posture로 disclosure 자제. 두 경우 모두 — 화장품 R&D 기획자가 글로벌 dermatology 전문가의 AI-마이크로바이옴 베팅을 reference하고 싶다면 — 현재로서는 reference 불가능하다. 이것 자체가 시장 신호 — 가장 가까운 medical-cosmetic 인접 기업조차 publicly 베팅하지 않았다는 것 — 다.

11.9 Transfer-learning 매트릭스 — 무엇을 어디서 빌릴 것인가

이 챕터의 종합 — 화장품 R&D 기획자가 의사결정 회의에서 직접 쓸 수 있는 표.

이 표를 읽는 방법 — 가장 신뢰도 높은 즉시 채택 가능한 항목 세 가지: (i) 공공 데이터베이스(MGnify·MIBiG·NPAtlas), (ii) Cradle-style SaaS로 단백질 design 외부화, (iii) Vedanta-style defined consortium 의사결정 framework. 가장 신뢰도 높은 2~3년 timeline 항목: (iv) Insilico-style Phase 2a publication template — 첫 publication을 한국 기업이 reach하는 시나리오. 옮겨지지 않는 가장 명확한 항목: (v) pharma-scale capital intensity와 시계열 — Insilico의 single-molecule 11년 deep dive는 화장품 portfolio 경제학에 옮겨지지 않음.

11.10 Open Questions

1. 한국 화장품 기업의 transfer-learning posture — COSMAX·아모레퍼시픽·LG생활건강은 위 표의 어떤 항목을 이미 사내에서 추구 중인가, 그리고 어떤 항목은 — 공개적으로 — 비어 있는가? COSMAX의 HelloBiome 파트너십 ^[5]은 personalization layer를 ZOE 인접으로 위치시키지만, defined consortium 또는 Insilico-style end-to-end publication까지 가는 path는 공개되지 않았다. Chapter 10이 부분적으로 다루지만 — 사내 직접 query가 필요한 질문이다.

1. AI 화장품 임상 readout race의 first mover — Gap 1의 빈자리에 — 어느 회사가 먼저 publish할 가능성이 가장 높은가? 한국 기업 (COSMAX-Dankook의 EPI-7 / FACE-LINK 연속성 ^[15]), EU mid-tier(Pierre Fabre·Galderma 자회사·Beiersdorf의 La Prairie 라인), 또는 새 startup (Eligo, Arcaea)? Insilico-style end-to-end publication structure를 처음 화장품에 적용하는 기업이 — 향후 5년 정의된 산업 leadership을 — 가져갈 가능성이 높다.

1. 마이크로바이옴 화장품과 마이크로바이옴 의약품의 규제 수렴 — FDA·EU CTR·식약처가 2027~2030 window에서 — 살아있는 균주 또는 strain-defined postbiotic 화장품 — 에 대한 카테고리를 명문화할 때, Seres VOWST(BLA)과 Geltor PrimaColl(GRAS)의 어느 precedent를 택할 것인가? 둘 다 화장품 직접 적용이 아니므로 — 제3의 카테고리가 만들어질 가능성도 있다. Chapter 12가 이를 시나리오로 다룬다.

1. 건강기능식품의 skin-gut axis 화장품 cross-over — ZOE·Viome 같은 회사가 — 영양 데이터에서 — 피부 endpoint를 secondary outcome으로 기록하기 시작한다면 (이미 ^[30]가 학술적으로 정리), oral microbiome 보충제와 topical 화장품의 결합 personalization이 가능해진다. K-beauty의 inner-beauty 시장(콜라겐 음료·프로바이오틱스)과의 자연스러운 결합. 그러나 RCT-grade 효능 chain은 아직 ^[10] AHR 라인 외에는 약하다 (Gap 14).

1. adjacent 데이터 인프라의 화장품-specific fork — MGnify·MIBiG·NPAtlas가 general microbiome / natural product에 머무는 동안, 화장품-specific benchmark(cosmetic ingredient × in vitro skin endpoint, commercial formulation × stability, strain × cosmetic claim)가 등장할 path는 — 산업 컨소시엄(KCIA·EFfCI·PCPC), 학계 컨소시엄(EU H2020), 또는 단일 기업(Unilever 30K disclosure 일부 release)? 가장 가능성 높은 first mover는 — Chapter 12가 다루는 — 정확한 청사진 질문이다.

참고문헌

1. Abramson, J., Adler, J., Dunger, J. et al. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature 630:493–500.
2. Asnicar, F., Berry, S. E., Valdes, A. M. et al. (2021). Microbiome connections with host metabolism and habitual diet from 1,098 deeply phenotyped individuals. Nature Medicine 27:321–332.
3. Asnicar, F., Berry, S. E., Spector, T., Segata, N. (2024). ZOE PREDICT cohort — gut microbiome linked to systemic inflammation and skin-relevant outcomes. PREDICT consortium 2024 papers. [Asnicar et al., 2024]
4. Carrieri, A. P., Haiminen, N., Maudsley-Barton, S. et al. (2021). Explainable AI reveals changes in skin microbiome composition linked to phenotypic differences. Scientific Reports 11:4565.
5. COSMAX × HelloBiome (2025). Korean Beauty Manufacturer COSMAX × HelloBiome microbiome-powered personalized care. WWD / Personal Care Insights, 2025. [COSMAX × HelloBiome, 2025]
6. Cradle Bio (2024). Cradle AI protein design platform — $73M Series B. TechCrunch / SynBioBeta / Tracxn, Nov 26, 2024. [Cradle, 2024]
7. Feuerstadt, P., Louie, T. J., Lashner, B. et al. (2022). SER-109, an Oral Microbiome Therapy for Recurrent Clostridioides difficile Infection. New England Journal of Medicine 386:220–229.
8. Geltor Inc. (2025). Geltor PrimaColl — first FDA GRAS letter for biodesigned vegan collagen. FoodNavigator-USA / SynBioBeta / Geltor press, Oct 2025. [Geltor, 2025]
9. GSK + Imperial College Fleming Initiative (2024). GSK × Fleming Initiative AMR AI programme (£45M). Imperial press 2024; DDW Nov 2025. [GSK × Fleming, 2024]
10. Hashimoto-Hachiya, A., Furue, M., Tsuji, G. (2022). Galactomyces Ferment Filtrate Potentiates an Anti-Inflammaging System in Keratinocytes. Journal of Clinical Medicine 11:6338. [Hashimoto et al., 2022]
11. Haykal, D., Flament, F., Amar, D. et al. (2025). Cosmetogenomics unveiled: a systematic review of AI, genomics, and the future of personalized skincare. Frontiers in Artificial Intelligence 8:1660356.
12. Hayes, T., Rao, R., Akin, H. et al. (2025). Simulating 500 million years of evolution with a language model (ESM3). Science, 15 Jan 2025; preprint bioRxiv 2024.07.01.600583. DOI: 10.1126/science.ads0018.
13. Huddleston, J. R. (2014). Horizontal gene transfer in the human gastrointestinal tract: potential spread of antibiotic resistance genes. Infection and Drug Resistance 7:167–176.
14. Insilico Medicine clinical authors — Ren, F., Zhavoronkov, A. et al. (2025). A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial. Nature Medicine, May 2025. [Insilico, 2025]
15. Kim, J., Lee, Y. I., Mun, S. et al. (2023). EPI-7-derived ferment as a postbiotic to improve atopic skin. International Journal of Molecular Sciences 24(5):4634. [Kim et al., 2023]
16. Lagier, J.-C., Edouard, S., Pagnier, I. et al. (2018). Culturing the human microbiota and culturomics. Nature Reviews Microbiology 16:540–550.
17. Louie, T. J., Golan, Y., Khanna, S. et al. (2023). VE303, a defined bacterial consortium, for prevention of recurrent Clostridioides difficile infection: a randomized clinical trial. JAMA 329:1356–1366. [Louie et al., 2023]
18. Madaan, T. et al. (2024). Microbiome therapeutics for dermatological conditions — translational landscape. Experimental Dermatology, 2024. [Madaan et al., 2024]
19. Mun, S. et al. (2025). FACE-LINK platform — 950-subject Korean facial microbiome × skin phenotype cohort. COSMAX × Dankook University R&D disclosure, 2025. [Mun et al., 2025]
20. Nakatsuji, T., Chen, T. H., Narala, S. et al. (2017). Antimicrobials from human skin commensal bacteria protect against Staphylococcus aureus and are deficient in atopic dermatitis. Science Translational Medicine 9:eaah4680. [Nakatsuji et al., 2017]
21. Nakatsuji, T., Hata, T. R., Tong, Y. et al. (2021). Development of a human skin commensal microbe for bacteriotherapy of atopic dermatitis. Nature Medicine 27:700–709. [Nakatsuji et al., 2021]
22. Novo Nordisk + Cradle (2024). Novo Nordisk × Cradle AI protein design partnership disclosure. Cradle Series B + Novo press, 2024. [Novo Nordisk, 2024]
23. Pfizer + XtalPi (2025). Pfizer × XtalPi expanded AI drug discovery collaboration (June 2025). Joint press release, June 2025. [Pfizer × XtalPi, 2025]
24. Recursion Pharmaceuticals + Exscientia plc (2024). Recursion and Exscientia merger — formation of integrated AI drug discovery platform. Joint press release, Aug 2024; completion Nov 20 2024. [Recursion × Exscientia, 2024]
25. Ren, F., Ding, X., Zheng, M. et al. (2024). A small-molecule TNIK inhibitor (ISM001-055 / rentosertib) discovered via end-to-end generative AI from target identification to Phase 1. Nature Biotechnology, Mar 2024. [Ren et al., 2024]
26. Ruffolo, J. A., Nayfach, S., Gallagher, J. et al. (2024). Design of highly functional genome editors by modeling the universe of CRISPR-Cas proteins (Profluent ProGen2 / OpenCRISPR-1). bioRxiv 2024.04.22.590591, Apr 2024. DOI: 10.1101/2024.04.22.590591. [Ruffolo et al., 2024]
27. Seres Therapeutics + Nestlé Health Science (2024). VOWST (SER-109) commercial trajectory — first FDA-approved oral microbiome therapeutic. FDA label + Seres/Nestlé HS commercial updates, 2024. [Seres, 2024]
28. Unilever Discover Science (2025). Unilever Skin Microbiome and Mental Wellbeing research disclosure. Unilever USA press, 2025. [Unilever, 2025]
29. Vedanta Biosciences (2024). Vedanta Biosciences VE303 Phase 3 RESTORATiVE303 trial initiated; pipeline status. Vedanta / PureTech press, May 2024. [Vedanta, 2024]
30. Wang, Z., Yuan, F., Zhong, X. et al. (2025). Skin microbiome and skin aging: emerging strategies for manipulation. Microbiological Research 300:128285.
31. ZOE PREDICT consortium; Spector, T. et al. (2024). Personalised nutrition by prediction of glycaemic responses to weight loss and microbiome (ZOE METHOD). Nature Medicine, May 2024. DOI: 10.1038/s41591-024-02951-6. [ZOE × Spector, 2024]
32. ZOE PREDICT / Asnicar, F. et al. (2025). ZOE Microbiome Health Ranking 2025 — Nature paper on gut microbes associated with health, nutrition and diet. Nature, 2025. DOI: 10.1038/s41586-025-09854-7. [ZOE microbiome ranking, 2025]
33. Zhavoronkov, A., Ivanenkov, Y. A., Aliper, A. et al. (2019). Deep learning enables rapid identification of potent DDR1 kinase inhibitors. Nature Biotechnology 37:1038–1040.