확산 모델로 단백질 설계하는 AI, MIT 6.S191 강의로 본 EvoDiff 원리

핵심 메시지

• 이미지 생성에 쓰이던 확산 모델을 아미노산 서열이라는 '이산 데이터'로 옮긴 것이 EvoDiff의 출발점이다.
• 노이즈를 넣는 방식은 서열의 일부를 가리거나(마스킹) 다른 아미노산으로 바꿔치기하는 것으로, 이 틀은 다음 토큰 예측과 마스킹 언어모델을 모두 포괄한다.
• 약 5,000만 개의 단백질 서열로 학습했고, 비슷한 서열들을 함께 묶어 진화적 맥락까지 넣은 변형 모델도 만들었다.
• 생성된 단백질 중 일부는 실제 실험실에서 만들어져 구조적 안정성과 칼슘 결합 기능이 확인됐다.
• 구조 데이터는 30만 개 수준에 그치고 특정 구조(알파 나선)에 치우쳐 있어, 서열 기반 접근이 더 넓은 기능 공간을 훑는다는 것이 강연의 주장이다.

쉽게 이해하기

MIT의 딥러닝 입문 강의 6.S191 마지막 회차는 마이크로소프트 리서치의 아바 아미니(Ava Amini) 연구자가 맡았다. 주제는 이 강의에서 배운 생성 모델을 그대로 생물학에 가져다 쓰는 방법이다. 강연자는 박사 과정까지 실험실에서 세포와 동물 모델을 다루다가, 생물학을 '계산으로 다룰 수 있는 시스템'으로 보게 되면서 지금의 연구로 옮겨왔다고 밝혔다.

확산 모델의 원리는 간단하다. 원본 데이터에 노이즈를 조금씩 더해 완전한 잡음으로 만들고, 신경망에게 그 과정을 거꾸로 되돌리도록 학습시킨다. 문제는 이미지 픽셀이 연속값인 반면 단백질은 아미노산 한 글자씩으로 적히는 이산 데이터라는 점이다. 연구팀은 '노이즈를 더한다'를 '서열의 일부 글자를 마스크로 가린다' 또는 '다른 글자로 바꾼다'로 바꿔 이 문제를 풀었다.

이 방식은 언어 모델의 두 갈래를 모두 품는다. 왼쪽에서 오른쪽으로 순서대로 예측하는 다음 토큰 예측은 고정된 하나의 순서만 학습하고, 마스크 언어모델은 가려진 부분을 한 번에 맞힌다. 반면 이산 확산은 가능한 모든 복원 순서와 모든 마스킹 방식을 학습하기 때문에 두 방식의 일반화된 형태라는 것이 강연의 설명이다.

성능 검증은 화면상의 수치로 끝나지 않았다. 생성한 서열의 구조를 예측해 실제 자연 단백질 분포와 얼마나 겹치는지 확인했고, 일부 설계는 실험실에서 실제로 발현시켜 구조가 안정적인지 측정했다. 칼슘과 결합하는 부위(모티프)만 남기고 나머지를 새로 채워 넣게 한 설계는 실험에서 실제 칼슘 결합 성질을 보였다.

강연 말미의 질의응답에서는 이 기술의 양면성도 다뤄졌다. 생성형 단백질 설계는 치료제 개발을 앞당길 수 있지만 악용 가능성(듀얼 유스)도 함께 커지며, 마이크로소프트 최고과학책임자 에릭 호비츠가 바이오 보안과 규제 원칙에 관한 백서를 내놓는 등 대응이 진행 중이라고 답했다.

주요 인사이트

• 생성 모델을 새 분야로 옮길 때 가장 먼저 풀어야 할 문제는 성능이 아니라 '데이터를 어떤 형태로 표현할 것인가'다. 확산 모델의 생물학 이식도 노이즈 정의를 바꾸는 데서 시작했다.
• 데이터의 양이 방법론을 결정한다. 서열 데이터는 수억 건이 있지만 실험으로 풀린 구조는 30만 건 수준이라, 서열 기반 모델이 훨씬 넓은 다양성을 학습할 수 있다.
• 생성 모델 평가는 개별 결과물의 품질뿐 아니라 수천 건을 뽑았을 때 자연의 분포를 얼마나 고르게 덮는지까지 봐야 한다는 점이 반복해서 강조됐다.
• AI 예측은 실험실을 대체하지 않는다. 강연자는 실험을 건너뛰는 미래보다 실험을 더 적게, 더 똑똑하게 하도록 돕는 방향을 현실적인 목표로 제시했다.

자주 묻는 질문

관련 AI 소식