AI 신약개발 대장주 신테카바이오, GPT 기술로 신약 후보물질 발굴 : 테마주 관련주

세레브라스와 신테카바이오, AI 신약개발에서 윈윈 전략을 위한 MOU 체결

AI 신약개발 대장주 신테카바이오

최근 업계에서는 신테카바이오와 세레브라스가 AI 신약개발을 위한 MOU를 체결한 소식이 전해졌습니다. 특히, 세레브라스는 전략적 투자자로 참여하는 방향으로 논의가 진행 중이라고 합니다.

지난 6월, 신테카바이오는 AI 합성신약 플랫폼인 딥매처를 활용하여 GPT 기술로 신약 후보물질을 발굴하는 프로젝트에 나서 성공했습니다. 이 과정은 3단계를 거쳐 진행되며, GPT 기술은 선행 스크리닝 과정에서 더욱 효과적으로 활용되었습니다.

흥미롭게도, 이 모든 과정을 위해 신테카바이오는 대규모의 3차원 구조 상호작용 데이터를 언어로 변환하는 방식으로 세레브라스의 웨이퍼 스케일 CS2 장비와 결합하여 GPT를 구축했습니다.

 

슈퍼컴퓨터 분야이 선두주자 신테카바이오

세레브라스는 슈퍼컴퓨터 분야의 선두주자로, 신테카바이오는 슈퍼컴퓨터 약 3,000대를 보유 중이며, 올해 말에는 1만 대까지 확대될 예정입니다. 실제로 신테카바이오는 대전 둔곡지구에서 AI 슈퍼컴센터 건립에 나선 상태입니다.

이번 MOU는 국내 신약개발 분야에서 슈퍼컴 인프라를 독자적으로 구축하는 신테카바이오의 포부를 잘 보여주는데, 이러한 협력을 통해 양사의 시너지가 어떻게 펼쳐질지 많은 관심이 집중되고 있습니다.

업계 전문가들은 신테카바이오가 이번 협력을 통해 기업 가치를 더욱 높일 수 있을지, 특히 2019년 특례 상장 이후로 경제적 어려움을 겪고 있는 상황에서 어떤 변화를 가져올지 주목하고 있습니다

 

신테카바이오의 영업 적자 확대와 금융 안정성에 대한 우려

신테카바이오(226330)의 경영실적이 지난 몇 년 동안 계속 악화되는 추세에 있습니다. 특히, 주요 투자자인 유한양행이 투자에서 철수하면서 투자자들의 불안감이 커지고 있는 상황입니다.

최근 공시에 따르면, 올해 상반기 신테카바이오는 600만원의 매출에 대해 62억 원의 영업손실을 보이며 적자 흐름이 지속되고 있습니다. 전년 동기 대비 실적 악화는 더욱 두드러지며, 연간 영업적자 추이도 지속적인 증가세를 보이고 있습니다.

회사 측에서는 이러한 영업적자 확대의 원인으로 클라우드 서비스 관련 비용 증가와 미국 자회사 설립 및 인건비 영향을 들었습니다. 그러나 지난 몇 년 동안의 매출액 추이를 보면, 회사의 주요 서비스인 대학병원 유전체 정밀의료 서비스의 매출이 크게 늘지 않고 있습니다.

 

차입금 의존도 지속 증가

더욱이, 신테카바이오는 지속적인 적자에도 불구하고 외부에서 차입금을 통해 자금을 조달하고 있어, 차입금 의존도가 지속적으로 증가하는 모습입니다. 이러한 차입금 의존도의 높아짐은 금융비용 증가와 수익성 저하로 이어지며, 결국 경영의 안정성에 큰 위협이 될 것으로 전망됩니다.

실제로, 신테카바이오의 차입금 의존도는 최근 몇 년 동안 급격히 상승하며, 올해 1분기에는 전년 동기 대비 6.6% P 증가한 20.8%를 기록했습니다.

 

시간 두고 지켜보겠다던 유한양행, 지분 전량 정리

적자가 계속되는 상황에서 든든한 우군이었던 유한양행이 지분을 정리하면서 투심은 더 쪼그라들 가능성이 높아 보입니다.

신테카바이오는 2018년 유한양행 유전체 빅데이터 및 인공지능 플랫폼을 활용한 신약개발 협력을 위한 양해각서(MOU)를 체결하면서 기대감을 높이며 2019년 6월 유한양행은 신테카바이오가 진행한 197억 원 규모의 시리즈 C 투자 유치에 참여해 50억 원으로 16만 9520주를 인수해 지분 2.9%를 확보하기도 했습니다.

 

하지만 유한양행은 올해 1분기 신테카바이오 지분 일부를 정리하면서 지분을 2.1%로 줄였고, 2분기에는 남아 있던 지분을 완전히 정리하면서 사실상 관계를 정리했습니다. 

 

물론 유한양행의 지분 정리가 신테카바이오 자금 현황에 영향을 미치는 것은 없습니다. 단지 투자심리를 악화시키는 결과를 낳고 있습니다.

'AI 딥러닝 유전체 바이오마커 검출 방법' 美 특허 등록

미국의 알츠하이머 치매(ADNI database)와 파킨슨 질병(PPMI database)의 빅데이터가 축적된 데이터베이스를 활용해 환자 유전체의 특징을 학습시킨 결과, Hilbert-CNN AI는 정확도 90% 이상의 환자 구분 능력을 보여주었으며, 매우 적은 숫자의 바이오마커 만으로도 높은 정확도가 유지됨을 확인했다

 

바이오마커를 산업적으로 활용하기 위해서는 높은 재현성이 동반되야 하기 때문에 다수의 재현성 테스트를 실시했고, 각 실험 간 정확도 및 성능에 큰 차이가 없는 것을 확인했다.