바이오허브 AI 생물학: 저커버그·프리실라 챈이 단백질 세계모델로 질병 정복에 나선 이유

핵심 메시지

• 10년 전 '금세기 안에 모든 질병을 치료·예방·관리한다'는 목표를 세울 때는 과학자들이 웃었지만, 저커버그는 이제 그 목표가 오히려 보수적이라고 말한다.
• 바이오허브의 전제는 자신들이 질병을 고치는 것이 아니라, 과학계 전체가 더 빨리 나아가도록 도구를 만들어 오픈소스로 푸는 것이다.
• 언어모델과 달리 생물학은 인터넷에 쌓인 데이터가 없어, 모델을 만들기 전에 데이터를 만들어낼 새로운 실험 기법 자체를 발명해야 한다.
• 단백질 → 세포 → 인체 시스템 순으로 계층을 쌓아 올려야 한다는 것이 이들의 모델링 전략이며, 현재 다음 목표는 '가상 세포'다.
• 저커버그는 모든 과학을 푸는 중앙집권적 초지능이 아니라, 개인의 손에 도구를 쥐여주는 분산된 방식이 진보의 방식이라고 못 박았다.

쉽게 이해하기

챈 저커버그 이니셔티브(CZI)의 자선 활동은 이제 바이오허브 한 곳으로 모였고, 여기에 5억 달러 규모의 가상 생물학 이니셔티브가 걸려 있다. 프리실라 챈은 10년 전 노벨상 수상자들에게 '모든 질병을 치료하겠다'고 했을 때 웃음을 샀다고 회상한다. 왜 불가능하냐고 계속 캐물은 끝에 돌아온 답은 기술적 한계가 아니라 구조적 문제였다. 연구실이 사일로로 나뉘어 있고, 논문이 나오기까지 정보가 잠기며, 대학원생이 졸업하면 그가 만든 도구도 함께 사라진다는 것이었다.

그래서 바이오허브는 처음부터 '장기적 도구 개발'을 택했다. 첫 지원 과제는 단일세포 시퀀싱 방법론 자체를 문서화해 서로 공유하게 만드는 일이었고, 이는 인간 세포 아틀라스 구축으로, 다시 과학자들이 그 데이터를 주석 달 수 있게 하는 도구로 이어졌다. 도구 주변에 커뮤니티가 생기고 그들이 자발적으로 데이터를 보태면서, 지금은 전사체 기반 모델들이 참조하는 지식 뭉치가 됐다. '데이터 수집일 뿐 지식이 아니다'라는 비판에 답을 못 하던 시기에 대규모 언어모델이 등장한 것이 전환점이었다.

메타 FAIR를 거쳐 에볼루셔너리스케일을 창업했던 알렉스 라이브스가 이 조직의 AI를 이끌게 된 배경도 같은 논리다. 프런티어 AI와 프런티어 생물학을 한 조직 안에서 맞물리게 돌리는 곳이 달리 없다는 것이다. 언어모델은 인터넷에 데이터가 널려 있지만 생물학은 그렇지 않아서, 뉴욕의 세포 공학이나 시카고의 측정 장비 개발처럼 '보이지 않던 것을 보이게 만드는' 실험 자체가 모델의 전제 조건이 된다.

최근 공개한 단백질 생물학 모델은 수십억 개의 단백질 서열로 학습해 원자 수준 구조를 매우 빠르게 예측하며, 11억 개가 넘는 단백질을 접어 구조를 예측했다. 흥미로운 대목은 항체용으로 설계하지 않은 이 범용 모델에서 단백질 설계 능력이 창발적으로 나왔다는 점이다. 디지털에서 수십만 개 후보를 추린 뒤 96웰 플레이트 한 장 분량만 실제로 합성해 치료제 수준의 결합력을 확인했다고 한다.

임상까지의 거리는 여전히 멀다. 신약 하나에 15년, 15억 달러가 들고 그중 분자 설계와 전임상은 5천만 달러 남짓이며 나머지가 개발 단계에서 소모된다. 다만 모든 세포 유형의 지도를 갖게 되면 사람에게 투여하기 전에 표적 외 부작용을 예측할 수 있고, 희귀질환 환자 커뮤니티가 스스로 레지스트리와 임상시험을 조직하는 흐름과 맞물리면 개발 경제학 자체가 달라질 수 있다는 것이 이들의 기대다.

주요 인사이트

• 이들은 특정 질병을 고르지 않는다. 대신 염증이나 면역계처럼 여러 질병에 걸쳐 있는 '시스템'을 이해하는 데 집중하고, 마지막 한 걸음인 치료제 개발은 바이오텍과 학계에 맡긴다는 역할 분담을 명확히 한다.
• 기계적 해석 가능성(mechanistic interpretability)이 언어모델 연구에서 생물학으로 넘어왔다. 단백질 언어모델의 내부 표현을 들여다보면, 아무것도 알려지지 않은 단백질을 이미 알고 있는 단백질과 연결하는 문법이 드러난다는 접근이다.
• 왜 영리기업이 아니라 비영리인가에 대한 답은 규모와 시간축이었다. 10~15년을 내다봐야 하는 도구 개발이고, 수익화를 고민하지 않는 편이 전략적으로 단순하며, 오픈소스로 풀어야 더 많은 과학자의 손에 더 빨리 들어간다는 것이다.
• 저커버그는 AI 연구 인력에 대해 수백·수천 명이 필요한 일이 아니라 십수 명에서 수십 명의 강한 팀으로 충분하다고 말했다. 오히려 서로를 잘 아는 팀이 안정적으로 오래 함께 일할 때 생기는 복리 효과가 과소평가돼 있다고 봤다.
• 생물학이 코드나 AI 연구와 결정적으로 다른 점은 폐쇄 루프가 아니라는 것이다. 실제 실험으로 루프를 닫아야 하기 때문에, AI 팀과 웻랩을 애초에 하나의 조직으로 설계한 것이 이 프로젝트의 구조적 차별점이다.

자주 묻는 질문

관련 AI 소식