Transcription
세상의 모든 지식 언더스탠딩.
네. 자, 언더스탠딩 시작하겠습니다.
네.
네.
저희가 한 7개월 전에, 구글 AI가 노벨 화학상을 받았다고 해서 그게 대체 무슨 소리인가 싶어 서울대학교 백민경 교수님께 단백질, 아미노산, 무슨 구조 같은 것을 배운 적이 있습니다. 그때도 정말 대단하다는 평가를 많이 받았는데,
"그것만으로는 아직 안 돼. 그것만으로는 부족해."
백민경 교수님을 직접 가르치셨던 스승님이 오늘은 또 교수님을, 교수님을 가르치셨던 교수님이라니, 야, 진짜 스승이 나왔네. "제자, 너는 아직 안 돼." 그런 건지, 하여튼 AI를 이용해서 단백질 구조를 파악하고 그걸로 신약을 개발하는 이런 프로세스를 설명해 주신다는데,
잘 모르겠습니다. 어떤 것일지. 그냥 신문에 많이 나오긴 한 것 같아요. 이런 기술이 나중에는 각광을 받을 것 같다구요.
네, 그렇습니다. 하여튼 이것도 AI를 통해서 신약을 개발하는 이런 프로세스 같은데, 오늘은 조금 더 전문적으로 배워 보겠습니다. 서울대학교 화학부의 석차옥 교수님을 어렵게 모셨습니다. 어서 오십시오.
네, 안녕하세요. 네, 어서 오세요. 그 단백질이 여러 가지 기능을 하는데, 그 단백질을 예상하기가 진짜 어려웠던 것 같습니다. 그래서 AI를 통해서 대충 패턴을 파악해서 어떤 식으로 대충 조합하면 이런 단백질이 나올 거야, 뭐 이런 걸 AI를 통해서 알아보는 거다.
저 반응이 안 되네요. 굉장히 정확하신 것 같습니다. 굉장히 핵심 단어만 정확하게 기억하시는 분이고, 핵심 단어를 잘 기억하셔서 제가 깜짝 놀랐어요. 아미노산 구조 기능이라는 말씀이요.
완전 핵심 단어들입니다.
아, 그래요? 그러면 그 설명이 어느 정도 맞는 설명인가요?
네, 맞는 설명이고, 저게 약간 조금 더 넓은 컨텍스트에서 말씀을 드리면 어떨까 싶어 생각하고 있습니다.
네, 좋습니다. 교수님이 아주 엄청난 자료를 준비해 오셨으니까 자료를 하나하나 보면서 저희가 한번 들어보죠.
네, 네. 예측에 들어가기 전에 먼저 기본 지식을 조금 말씀드리고 싶어요.
음.
그래서 일단 왜 단백질 구조 얘기를 하는지를,
네. 단백질을 왜 배워야 하느냐?
네, 네. 일단은 우리가 생명체를 설명하기 위함인데, 이 생명체의 비유를 제가 시계를 가져와서 너무 죄송해요. 그런데 어쨌든 시계는 정교한 어떤 기계잖아요. 그래서 그것과 대비해서 좀 말씀을 드릴게요. 그 기계라는 대비해서 너무 죄송한데, 어쨌든 네.
시계는 굉장히 여러 부품으로 이루어져 있잖아요. 여러 부품으로 이루어져 있고, 이 부품이 잘 조립돼서 기능을 하는 거잖아요. 아까 구조와 기능을 말씀하셨는데, 이 부품들이 조립돼서 기능을 하려면 모양이 맞아야 되겠죠. 특별한 모양을 가져야 하고, 그래서 모양을 가진다는 게 기능에서 상당히 중요한데, 오른쪽에 세포거든요.
세포. 세포고, 가운데 이렇게 하얗게 동그랗게 있는 것은, 혹시 세포?
네, 맞아요. 세포 핵이에요.
왜 대답할 때 그렇게 자신감이 없는지 모르겠네. 네. 그래서 생명체도 예를 들면 세포로 이루어져, 수십 조 개의 세포로 우리 몸이 이루어져 있잖아요. 그런데 각각의 세포도 다른 역할을 하지만, 또 세포도 그 역할을 하기 위해서 자기 구조를 가지고 있어요. 그런데 이 세포가 가지고 있는 그 부품들이라고 하는 것도 지금은 굉장히 도식적으로 그려져서 잘 안 나오는데, 이 안에 굉장히 많은 분자들이 들어가 있거든요.
그런데 그 분자들이 조직화돼서 이런 모양을, 세포 모양을 가지게 되는 거고, 그 분자는 아직 안 그려져 있습니다. 그런데 핵 안에는 DNA가 들어가 있는 거예요. 그리고 핵 주변에 보시면 이렇게 이상한 구조들이 막 있잖아요. 분홍색, 노란색 이런 애들이 다 단백질을 만드는 데 필요한 구조물이에요. 여기서 단백질이 만들어져요. 저런 부품으로 단백질이 이루어진다. 그리고 그렇게 세포가 된다.
아.
아닙니까?
그것도 아닙니다.
그것도 아니래요. 비슷비슷한데요. 그 단백질을 만드는 공장이에요. 분홍색으로 넓게 얼기설기 있는 것은요. 네. 그래서 저기서 단백질이 만들어지고 이 안에 단백질이 굉장히 많은 거 맞습니다. 네. 음.
비슷한 얘기인 것 같은데. 뭐가 아니라 비슷한 얘기?
아, 그러게요. 제가 너무 엄격한 것 같습니다.
어쨌든 그래서 시계는 단단한 그 부품으로, 모양을 가진 부품으로 이루어져 있고 인간이 조립을 하는데, 생명체는 그냥 세포를 예를 들어보면 이 안에 굉장히 많은 분자들이 있는데, 이 분자들은 처음부터 모양을 가진 게 아니고 굉장히 유연해요. 그래서 상황에 따라서 구조가 바뀔 수도 있고, 네, 뭐 그렇습니다. 그래서 굉장히 유연한 부품이고요.
근데 이것들이 모여 가지고 스스로 이런 모양을 만드는 거예요.
스스로 조립하는?
아, 스스로?
스스로.
그렇게 생겨 먹었어요. 그렇게 짠하고 모인다.
네네, 그렇게 조립이 스스로 되도록 자연이 설계를 한 거고, 그게 40억 년에 걸쳐서 진화의 과정에서 만들어지게 된 거죠.
네. 오늘 단백질에 대해서 얘기를 하니까 여기 이 세포 중에서 거의 절반 이상은 단백질로 구성이 되어 있습니다. 단백질 말고 아까 DNA도 핵 안에 있고 하지만, 여러 가지 굉장히 다른 종류의 분자들이 있는데 그 중에서 단백질이 가장 많고요. 2만 가지의 단백질이 어떻게 만들어져야 되는지가 그 DNA라고 하는 분자의 정보가 저장되어 있어요. 그래서 어떻게 만드는 그 지도가, 정도,
설계도 내지는 지도 내지는 이제 게놈이라고 들어보셨을 거예요. 네. 그 게놈이라고 하는 게 그 지도를 전체로 얘기하는 거거든요. 유전자 지도. 음.
그 지도도 실제로 분자 형태로 가운데 하얀색 안에 세포 안에 들어 있고요. 이게 그 정보로부터 온갖 종류의 단백질들이 그 핵 주변에 있는 이런 구조체를 활용해서 만들어지는 거예요. 그럼 그 만들어진 결과 단백질들은 여러 가지 우리 생명 현상에 필요한 그런 작용을, 기능을 하는 거예요.
그래서 필요한 우리가 밥을 먹으면 소화를 해야 되잖아요, 그렇죠? 그게 다 화학 반응으로 긴 분자를 이렇게 잘게 쪼개는 화학 반응이거든요. 근데 그런 반응도 일어나게 하고, 또 신호를 보내야 되잖아요. 저도 지금 말하려면 제가 생각을 하고 신호들이 전달이 막 이렇게 일어날 텐데, 이 와중에도 온갖 단백질들이 그런 기능을 하기 위해서 작동을 스스로 하고 있어요.
음.
네.
그건 그냥 세포라고 하면 되지, 왜 단백질이라고 보나요? 단백질 하면 자꾸 소고기만 생각나서.
아, 그러게요.
그냥 세포가 이런 기능을 해. 우리 몸에는 이런 세포도 있고 이런 세포도 있어, 라고 말하면 될 것 같은데 왜 단백질이라고 굳이 그걸 얘기해야 될까요?
네. 단위가 더 작아서 그런 거 아닌가요? 단백질은 네네. 세포를 이루는 굉장히 많은 분자들 중에 단백질이라고 하는 종류의 분자가 있고, 그 종류의 분자는 이제 2만 가지 정도 됩니다. 각각의 다른 기능을 하는 단백질 분자들이 있습니다. 음.
그래서 우리가 그 기능의 분자들을, 단백질들을 어떤 건지 알아야 된다. 그렇죠? 그거를 다 알면 우리가 얘네들이 모여서 어떻게 작동하는지를 다 알게 되고, 혹시 시계가 만약에 갑자기 섰어요.
아, 그래서 부품 얘기를 하셨구나.
그렇죠. 어떤 부품에 문제가 생겨서 그랬으면 그 부품을 잘 갈아 끼우거나 하면 되잖아요. 그런 것처럼 우리가 질병이 생겼을 때 그 원인을 알면 그걸 고칠 수가 있고, 근데 그 원인은 단백질과 같이 아주 미세한 분자 수준에서 일어나는 거고, 그거를 또 고치는 것도 단백질이나 아니면 다른 분자를 가지고 고칠 수가 있고, 그게 이제 신약의 원리죠.
네.
음. 음. 우리가 그걸 잘 모르군요. 다 단백질이 어떤 식으로 되어 있는지를 정확하게 잘 모르나 봐요.
어떻게 보면 많이 안다고 할 수 있어요.
많이 아는데 완벽하게 알지는 못하는 거군요.
네. 많이 안다는 것은 우리가 굉장히 많은 데이터를 가지고는 있어요. 근데 그게 작동하는 원리를 정확하게 우리가 처음부터 밝혀내기는 어려운 거죠. 그걸 이제 밝혀내려면 굉장히 많은 실험을 통해서 기존에는 이루어졌어야 됐는데, 이제 AI로 많은 것들을 예측할 수가 있게 된 거죠. 실험하기 전에.
네. 그걸 알면 뭐가 좋습니까? 단백질 구조를 우리가 완벽하게 알게 됐어요. AI를 통해서건 뭘 통해서건 알게 되면, 그럼 뭐가 좋습니까?
좋은 것도 많고요. 위험할 수도 있어요, 사실은. 네. 누군가가 사람을 해치는 바이러스를 몰래 만들 수도 있겠죠.
아, 단백질로 만들면? 네.
네. 단백질로 되어 있잖아요. 유전자와 유전 물질과 단백질과 이런 것들로 이루어져 있고, 그러면은 우리한테 해를 끼치는 단백질을 만들도록 조작을 할 수도 있는 거죠.
아.
근데 우리한테 도움이 되도록 만들 수도 있고요.
아, 그러니까 지금 뭔가 이렇게 완성품 말고 부품 단위에서 좀 생각해 보자고 지금 연구하는 거군요.
네, 그렇죠. 세포보다 더 밑으로 들어가서 어떤 부품으로 되어 있는지를 잘 알면 완전히 잘 이해할 겁니다.
네. 약간 좀 환원주의적인 접근이기는 한데요. 근데 거기서부터 시작하자는 거고요. 그리고 이제 그쪽 분야를 연구하시는 분들도 있지만, 또 세포 레벨에서 연구하시는 분들도 있고, 또 의학자들은 더 큰 레벨에서도 연구를 하시잖아요. 그러니까 지금은 이게 다 따로따로 이루어지고 있는데, 이것도 나중에 AI로 합쳐질 수 있다는 생각을 할 수가 있죠.
그래서 단백질을 알아야 한다. 네.
네.
음. 그래서 단백질은 한 2만 가지 있다.
네.
그리고 다음 슬라이드는,
네. 인간이 가지고 있는 단백질의 종류가 2만 가지고요. 다른 개나 고양이나 박테리아는 다른 종류의 단백질을 가지고 있을 수 있어서 훨씬 더 많을 수 있습니다. 근데 이제 단백질이 그러면, 아까 아미노산으로 이루어져 있다는 것도 다 기억을 하시는데,
네, 네. 그거 배웠습니다. 그래서 저도 상식으로 우리가 단백질을 먹으면 소화가 되면 아미노산으로 분해된다고 배웠습니다.
아, 네, 맞습니다.
그래서 그걸로 아미노산을 흡수하는 거군요. 소고기 먹으면 그게 결국 아미노산이 되는 거군요. 그렇게 배웠습니다.
네, 네, 네. 단백질을 먹으면 그게 아미노산으로 우리 몸속에서 분해가 되고, 그 분해된 아미노산을 이용해서 다시 또 다른 기능을 하는 단백질이 만들어질 수 있습니다. 그래서 요즘 운동하는 사람들이 아미노산만 먹어요. 단백질 먹으면 소화되기 힘들다고.
달리기 전에 아미노산을 먹는 그런 음료도 모르시죠? 아, 이게 흔들어 가지고. 네네. 그래서 그 단백질도 아미노산으로 이루어져 있지만, 아까 세포 말씀드릴 때 스스로 자기가 조립한다고 했잖아요. 단백질도 마찬가지예요. 그 분자 레벨에서도 얘가 아미노산으로 쭉 연결이 돼 있으면 스스로 모양을 만듭니다.
근데 이제 그 모양은, 우리가 세포에서 어떤 기능을 하는 단백질이 한번 만들어, 이제 그 지도에 의해서 아까 유전자 지도에 의해서 만들어지면 일정한 모양을 가져야겠죠. 네. 다 그 모양을 가지도록 진화해 왔어요. 그래서 그러한 구조들에 대해서 굉장히 많은 연구가 이루어졌고요. 노벨 화학상도 단백질 구조에 대해서 굉장히 많이 나왔습니다. 지금 다 합쳐보면 열몇 개 될 수도 있어요.
네. 그래서 그 구조에 대해서 조금 말씀을 드릴게요. 지금 20가지 아미노산으로 이루어진 단백질의 예로 코로나 바이러스 단백질을 하나 가지고 왔어요.
네, 네.
그래서 이 단백질은 코로나 바이러스가 가지고 있는, 우리한테는 해로운 단백질이죠. 이 해로운 단백질이 기능을 못 하도록 하는 게 약이죠. 그래서 여기 지금 팍스로비드를 가지고 왔습니다. 이 팍스로비드에 들어가 있는 분자가 이 단백질이 기능을 못 하도록 막고 있거든요.
제가 팍스로비드, 이게 그거죠? 코로나 약.
네. 코로나 약. 여기 위에 이 아미노산이 20가지의 아미노산이 어떻게 연결되어 있는지, SGFR, 이게 하나하나가 어떤 아미노산인지를 얘기하는 거거든요. 근데 이제 요게 실제로 몸속에서 합성이 되면, 그러면 이런 구조를 가지게 됩니다.
네. 여기서 네네. 이런 모양, 이상한 모양이죠. 지금 똑같은 게 두 개의 색깔을 다르게 표시했어요.
네. 색깔을 다르게 표시했고 제가 3차원으로 한번 돌려 볼게요.
네. 되게 복잡한데. 오.
돌리면 모양을 조금 더 보실 수 있습니다. 근데 두 개가 똑같은, 그러니까 두 가닥인데요. 좀 위에 그 300 몇 개 아미노산으로 이루어진 두 개의 두 가닥이 서로 이렇게 뭉쳐져서 기능을 하도록 되어 있고요. 지금 보여주는 게 이게 약입니다. 네. 요게 팍스로비드는 아니고 다른 걸 가지고 왔는데요. 저 확대해서 보면,
왜?
복잡해 보이시나요? 이게.
엄청 복잡해 보이는데.
아, 네. 조금 복잡해 보이죠. 네. 약간 포도 따먹은 포도송이 같기도 하고. 네, 네, 네. 그래서 요게 하나하나가 원자예요. 하얀색 뭐 이런 것들이 원자고, 중간중간에 있는 방울 같은 것들이 원자고.
어. 그러니까 이렇게 원자 수준으로 팍스로비드 같은 약이 어떻게 이 바이러스 단백질의 기능을 저해해서 약의 기능을 할 수 있는지까지 우리가 알게 됐어요. 그러니까 아까 이거 많이 모르는 건 아니고 알기는 합니다. 굉장히 많은 것을 알고 있고요. 네. 근데 만약에 우리가 구조를 처음부터 그 1차원적인 이 아미노산 순서, 이걸 서열이라고 하거든요. 이거를 주고, 자연에서 요게 어떤 구조가 되는지를 만약에 우리가 예측할 수 있다. 왼쪽에 있는 그림을 보시는 게 더 나으려나요? 복잡하니까 돌려 놓겠습니다.
네.
네. 아니면 여기에 딱 맞는, 음, 분자를 우리가 처음부터 만들 수 있다, 설계할 수 있다. 그러면 저희가 그냥 컴퓨터에서 신약을 처음부터 설계를 할 수가 있는 거예요. 만들 수 있는 거죠. 그러니까 저기에 딱 지금 있는 저 코로나 치료제는 저 단백질에 딱 여기에 들어가는 식으로 들어가서 이제 문제를 해결하는 방식인데,
저게 지금 약 개발 방식이 얘도 넣어보고 쟤도 넣어보고 막 그냥 대충 넣어보더니 어느 날 어떤 애가 가서 딱 붙네, 그러면 어 얘가 치료제가 되겠구나, 라고 생각하는 건데.
그게 전통적인 방식이.
그게 전통적인 방식인데, 대충이에요. 이것도 넣어보고 저것도 넣어보고 해보고 그냥 안 되면 말고가 지금의 방식인데, AI를 이용하면 저 그림을 딱 3D로 그린 다음에 야, 여기 딱 맞는 걸 넣자.
네, 네.
그런 컨셉이에요. 네.
네, 정확합니다.
근데 이제 그 전통적인 방식은 그걸 실험실에서 해야 되는 거예요. 하나하나 다 합성을 해서 넣어보고 붙는지 안 붙는지 보고 효과가 있는지 보고. 근데 지금은 이제 실험을 하지 않고 컴퓨터에서 이 모든 것을 할 수 있다는 거죠.
음. 음. 아, 이게 잘되면.
잘되면, 잘되면 잘.
안 되나 보죠, 아직.
어, 알파폴드, 노벨 화학상을 받은 알파폴드가 이걸 엄청나게 잘되게 만들었고요. 그전에 비해서 상대적으로. 그리고 지금 이걸 하고 있습니다.
음. 그래서 알파폴드가 알파폴드 3까지 나왔고요. 그래서 그 알파폴드 3 수준 또는 그 이상이 되는 것을 구글에서 내부적으로 가지고 있을 수 있는데, 그걸 가지고 실제로 신약을 개발하고 있고요. 이제 곧 임상에 들어간다는 소식이 있습니다.
음.
그러니까 실제로 구글에서 이거 하고 있는 거죠.
음.
야, 저렇게 신약을 만들면 엄청나게 속도가 빠를 것 같은데요. 실제로 그렇습니까? 실제로 해보면, 그러니까 이론적으로만 그래요? 아니면 저거 진짜 대박이에요? 이거.
실제로 그렇죠.
실제로요?
네, 네. 그러니까 실험적으로는 이걸 다 해야 되잖아요. 근데 처음부터,
네.
바로 컴퓨터에서 한다고 하면 이제 완전히 이게 완벽하다면 그냥 하나만 합성해 보면 되는 거잖아요.
아, 그러니까 우리가 예상한 것은 이렇게 될 것 같아, 라고 하면 딱 맞는 걸 벌써 찾고 그게 사후적으로 약효가 있는지 없는지 검증만 해 보면 되는 그런 거예요?
네, 그게 이제 꿈이죠. 근데 지금 구글에서 임상 들어간다고 하는 것은 몇 개를 테스트해 봤는지는 모르겠어요. 그런데 상당히 빠른 것 같습니다. 보통 신약 개발하는 데 걸리는 시간이 수년, 10년 이렇게 걸리잖아요. 근데 구글에서 이걸 하겠다고 한 게 그렇게 오래되지 않았고, 특히나 작년 1월에 그 JP모건 컨퍼런스에서 제약사들과 같이 협업을 하겠다고 했었으니까, 아마 그때 시작을 했다고 하면 이제 1년 남짓 만에 굉장히 임상까지 올릴 수 있는 수준으로 만약에 갔다면 상당히 빠른 거죠.
음. 음.
와.
근데 좀 무식한 질문이 있습니다.
음. 무식한 질문 좀 해 주십시오. 저만 하니까 저만 무식하게 보이잖아요, 지금. 아니, 저는 뭐 지금 교수님께서 설명해 주시니까 그런가 보다 싶긴 한데, 이제 반대 질문이 될 수 있을 것 같은데, 저렇게 현미경 옛날부터 발전이 많이 됐었던 걸로 아는데, 꼭 저렇게 AI로 찾지 말고 모양을 잘 현미경으로 찍어 가지고 그냥 만들어서 넣으면 안 됩니까?
아, 그거 안 보입니다.
뭐야? 그렇죠. 그러니까 그런 현미경을 개발하는 걸로 노벨상이 세 개가 나왔어요. 네. 가장 최근에는 크라이오-EM이라고 해서 그걸 실시간으로 액체 상태에 있는 걸 꽉 얼려 가지고 현미경으로 보는 게 2018년인가, 뭐 하여튼 그때쯤에 노벨 화학상을 받았고요. 그다음에 최초로는 눈으로 안 보이니까 굉장히 파장이 짧은, 그러니까 그 원자의 크기와 비슷한 그런 파장을 가진 엑스레이를 사용해서 구조를 보는, 네. 이 본다는 것은 실제로 보는 건 아니고 그걸 수학적으로 계산해서 환원하는 건데, 그 방법이 아마 1950년대쯤에 노벨 화학상을 받았었어요.
그리고 중간에 또 자기장을 이용해서 하는 그 방법이 중간에 노벨 화학상을 또 받았었고요. 그래서 그 방법을, 보는 방법을 개발한 노벨 화학상이 세 개, 그다음에 그런 보는 방법을 이용해서 중요한 어떤 분자의 구조와 기능을 밝히는 연구로 한 열몇 개 노벨 화학상이 주어졌어요. 아, 근데 그러니까 너무 작아서 그런 게 있긴 있는데 여전히 잘 다 못 본다.
개발은 됐습니다. 보려면 그것도 굉장히 어려워요. 왜냐하면 박사 과정 학생이 어떤 단백질의 어떤 구조와 기능을 연구하고 싶다 하면 그게 박사 과정 논문 주제가 되거든요. 그러면은 그 단백질을 세포에서 잘 키워 가지고 이걸 분리해서 이걸 또 정제하고 어떤 구조를 볼 수 있는 환경으로 만들어야 돼요. 그런 다음에 실험을 해서 그 구조에 대한 데이터를 가지고 실제로 3차원적으로 이런 그림을 그려야 되는 거죠. 그래서 이런 그림을, 아까 보여드린 그런 복잡한 구조를 얻는 데 상당히 시간이 걸립니다.
음. 아, 이게 잘 안 보이는 것도 그렇고 입체형이라서 더 어렵습니까? 아까 지금 그 영상으로 보여주신 게 막 3D던데. 3D 실제로 단백질이 그런 식으로 되어 있어서.
그렇죠.
그래서 더 어려운 거예요.
그래서 더 어렵다고 할 수도 있죠.
위에, 그러니까 아까 보여주신 시퀀스, 그 막 쫙 순서가 있잖아요. 무슨 암호처럼. 그 순서만 있으면 똑같이 나오는 게 아니고,
네.
그걸 입체로 어떻게 그리느냐가 또 어렵습니까?
그렇죠. 아, 그래서 그 연구에 굉장히 많은 노벨상이 주어졌고, 그러면 생각해 보실 수 있는 게 당연히 이걸 실험적으로 하지 않고 컴퓨터에서 예측을 할 수 있다면, 음, 그러면 그것도 노벨상감이죠. 그게 알파폴드인 거죠. 네. 그걸로 노벨상을 받은 게.
음.
알겠습니다. 뭐 좀 조금 더 배워 보죠. 이렇게 진도가 나가다가, 너무 질문을 잘해 주셔서.
네. 아, 그래서 얘네들이 어떻게 이런 구조를 가지는지 일단은 길다랗게 만들어진 게 뭉쳐야 되잖아요. 그래서 그 원리에 대해서 제가 조금 말씀을 드리고 싶은데, 일단 기름은 물에 섞이지 않으니까 기름을 물에다가 넣으면 방울방울 덩어리가 생기잖아요. 그것처럼 단백질도 1차원적으로 이렇게 있지만, 기름 같은 애들이 구슬 중에 일단 두 가지, 그 기름 같은 그 소수성 아미노산은 하얀색으로 표시를 했고, 만약에 아미노산이 두 가지만 있다면 물에 섞이기 좋아하는 아미노산이 까만색이라고 하면, 이런 순서로 연결이 돼 있으면 얘네들을 기름처럼 이렇게 뭉칠 수가 있어요.
네. 이게 구조, 아까 뭉쳐진 그런 구조를 가지는, 길다랗게 만들어진 것이 3차원적으로 구조를 가지는 기본적인 원리거든요. 네.
하여튼 단백질은 저런 아미노산들이 모여서 만들어진 게 단백질이다.
네, 네, 네, 네, 네. 근데 여기 이제 기름 같은 것들이 있으니까 중간중간에 얘네들이 기름이 뭉치려고 할 거잖아요. 그러면 그 기름 같은 애들이 가운데로 오고, 길다란 것을 제가 2차원으로 그려 놨는데요. 네. 아, 그래서 안에 있는 애들끼리는 끈적한 애들끼리 모이고, 기름 있는 애들이 모이고, 밖에 기름 아닌 애들은 둘러싸고.
그래서 단백질이 된다. 그래서 뭉친다, 애들이.
네, 네, 네. 그래서 제가 이걸 보여드리는 이유는 생각보다 엄청 복잡한 건 아니다. 그러니까 기본적인 원리에 대해서도 우리가 많은 지식을 가지고 있다라는 것을 말씀드리고 싶었어요. 네. 그리고 이제 이건 너무 복잡할 수도 있는데, 20가지 아미노산을 제가 쭉 그려 놨는데, 이 중에서 여기 플러스 마이너스 보이시죠?
아까는 이제 두 가지 아미노산으로 나눠서 봤지만, 여기서는 조금 더 20가지 다 그렸고, 그 중에서도 여러 가지 상호 작용들이 있는데, 플러스 마이너스가 가까이 오고자 하는 상호 작용도 있어요. 왼쪽에서 말씀 안 드렸지만.
이렇게 딱 서서 이렇게 되는 거죠. 이렇게 서로 붙는 거죠.
좋아하는 애들이 있는 거예요. 모양도 맞아야 되고 이제 좋아하는 애들이 있어요. 네. 그런데 좋아하는 애들이 꼭 이것만 있는 건 아니고 쟤도 좋아할 수 있고 얘도 좋아할 수 있고.
남녀 관계도 그렇습니다.
아, 저도 아니다. 남녀 관계도 내가 얘랑 이렇게 좋아하는데 옆에서 자꾸 찝적대고 그런 거죠. 네네. 네. 그래서 그런 것들이 1대1 매칭이 아니고 굉장히 다양하게 매칭이 될 수 있어요. 그래서 그게 어떻게 매칭이 되느냐에 따라서 3차원적으로 만들어지는 구조가 달라지는 거죠.
아, 그렇군요. 썸씽이 막 생기고 삼각 관계 생기면 다른 모양이 나온다.
그렇죠. 그러면은 뭔가 이제 타협점을 찾아야 되고 뭔가 선택을 해야 되잖아요. 그러니까 자연에서 이 단백질이 기능을 하기 위해서 그런 선택의 과정을 통해서, 음, 네, 만들어진 거고요.
네. 그래서 그.
단백질계에도 그냥 인간사가 있네요.
네네, 네. 그래서 이제 AI라고 생각하시면 보통은 데이터가 엄청 많아서 데이터를 학습하면 되겠지라고 생각하시는데, 이 분야는 데이터가 엄청 많지는 않아요. 그러니까 이 분야라고 하는 것은 이거 말고도 대부분의 과학 영역은 데이터가 그렇게 많지 않습니다. 우리가 원하는 만큼. 그러면은 그걸 AI로 어떻게 우리가 풀 수 있느냐 하는 게 언어 모델을 우리가 만드는 방식하고 굉장히 다르거든요. 근데 이제 이런 종류의 지식을 배울 수 있도록 AI를 유도하는 게 굉장히 핵심이에요.
정보를 넣어주는 게.
네. 정보를 네. 넣어줄 때, 음, 잘못된, 그러니까 정확하지 않은 정보를 억지로 넣어주기는 그렇고요. 우리가 정확하게 예측을 기존에 할 수 없었잖아요. 그러니까 우리가 완벽한 정보가 있는 건 아니에요.
아.
그런데, 이런 식으로 이런 게 중요하다고 생각이 되면 그걸 알아서 배울 수 있도록 환경을 만들어주는 게 필요한 거죠.
그러니까 AI한테 학습시킬 때 강아지 사진 넣어주고 이건 개, 고양이 사진 넣어줄 때는 이건 고양이야, 이렇게 하나하나 딱지 붙여서 넣어주듯이, 저런 것도 말씀하셨던 대로 이런 기능, 단백질 안에 있는 이런 거, 이런 거, 이런 거를 다 꼬리표를 붙여서 넣어줘야 되는 거군요. 현재는.
그게 굉장히 힘들겠네요.
네. 근데 이제 알파폴드, 노벨 화학상을 받았던 그 분야는 그런 데이터베이스가 이미 쌓여져 있어요. 오랫동안 과학자들이 합의하에 데이터베이스를 계속 누적을 해 온 거죠. 음.
그래서 그걸 가지고 구글에서 쉽게 알파폴드라는 걸 만들 수가 있었어요.
네.
네.
하여튼 그렇다.
네. 그래서 제가 앞서서 작은 분자 치료제 말씀을 드렸는데, 이제 큰 분자도 말씀을 드릴게요. 세포 치료제는 들어보셨을 텐데, 세포를 넣어주는 거잖아요. 근데 이제 면역 세포를 넣어주게 되는데, 우리가 암이 몸에 있으면 그 면역 세포가 이 암을 공격하도록 만들어줘야 되는데, 이 암 안에 암세포에 면역 세포들도 있어요. 그런데 이 환자한테는 지금 면역 세포 힘이 약해요.
그러면 이 세포를 꺼내서 이 면역 세포를 꺼내서 무장을 시킵니다. 여기 지금 CAR라고 있는 이 분자, 그러니까 여기도 이제 CAR-T 세포라고 주로 부르는데. 네네. 네. CAR. 그렇죠. 그러니까 여기서 T 세포에 CAR를 붙여서 CAR-T 세포가 되는 거죠. 네. 그래서 이걸로 CAR라는 걸로 무장을 시켜서 암세포를 공격할 수 있게 하는데, 여기서 핵심은 CAR 안에 지금 그 CAR 밖에 뭔가 나뭇잎 같은 게 있잖아요. 이게 분자 하나예요. 하나의 분자인데, 이 분자가 암세포에 있는 암 표지 단백질을 인식할 수 있도록,
네. 더듬이, 더듬이, 더듬이를 붙여서 넣어준다.
네, 네. 잘 인식할 수 있도록 하는 것을 넣어줘서 T 세포가 암세포를 강하게 공격할 수 있게 도와주는 게 이제 세포 치료제의 원리입니다. 그래서 여기서도 이 단백질 분자가 굉장히 중요한 역할을 하는 거죠.
저런 더듬이 하나가 다 단백질이에요? 그 더듬이도 단백질, 뭐, 뭐도 단백질, 그런 게 모아져서 세포.
네네.
아.
근데 이제 단백, 그 단백질 말고도 있죠. 예를 들면 이거 테두리가 있어야 되잖아요, 단백질. 네. 그러니까 그 껍질을 만드는 분자는 또 다른 분자가 있어요. 다른 종류에요. 네. 음.
근데 이제 뭐 그런.
네.
것들이 있고요. 그다음에 이따치고.
아, 네네. 아, 그 그것까지 얘기하려면 항체 치료제도 들어보셨잖아요. 항체 치료제는 이것도 항체도 하나의 단백질이에요. 지금 Y자 모양으로 그렸는데, 이것도 하나의 단백질이고, 이 단백질이 암세포를 인식하게 되면 그러면 이 항체 단백질이 다른 면역 세포를 또 끌고 와요.
그래서 이 항체가 암세포를 잘 인식할 수 있도록 하는 것도 이제 치료의 방법 중에 하나고요. 제가 동영상을 가지고 왔는데, 지금 이 Y자 모양이 항체 치료제고요. 분홍색으로 보여진 게 이제 두 개 팔이라고 생각하면 이제 양쪽이 똑같은 경우도 있고 다른 경우도 있는데, 여기는 똑같이 그려 놨고, 이 팔을 가지고 어디에 결합을 하게 돼요.
그래서 지금 노란색 세포는 암세포고요. 여기 왼쪽 아래에서 다가오는 요게 면역 세포입니다. 면역 세포인데, 면역 세포에 빨간색으로 이렇게 삐죽한 게 있죠. 네. 근데 이제 이게 적군인지 아닌지를 판단하는 거예요. 그래서 얘가 암세포인지 아닌지, 이것도 일종의 더듬이라고 할 수 있을 거예요. 네. 그래서 암세포인지 아닌지 보고 얘가 암세포면 공격을 해야 돼요. 그런데,
어.
암세포가 이걸 회피를 합니다.
네.
네. 그렇게 해서 이제 암이 계속 면역을 회피해서 발병할 수가 있는 거죠.
아, 그냥 숨는 거군요. 암세포가 숨는 거네. 숨는 건데, 그 숨는 것을 못 하도록 하는 게 이 Y자 모양의 항체입니다. 제가 영상을 보여드릴게요. 어떤 식으로 한다는 건가?
여기 펨브롤리주맙이라고. 네.
원래는 만나야 되는데.
네. 만나야 되는데.
자꾸 도망가려고 그래요.
네. 독성이 있는 물질을 확 내놓는 거예요. 세포를 죽이라는 신호를 보내는 거죠. 네.
그래서 이 암세포를 죽이게 되는 겁니다. 음.
우와. 그러니까 제가 도망가려고 하니까 너 도망가지 마 하고 잡고 끌어오는 거예요.
아. 그래서 요게 이제 항체 치료제의 원리 중에 하나고요. 암을 치료하는 요게 키트루다입니다.
네, 네. 아, 키트루다는.
키트루다구요.
와.
그다음에 요새 ADC라고 하는 항체 약물 접합제. ADC도 항체인데요. 항체에 이 빨간색 약물이 붙어 있습니다. 이게 굉장히 독성이 있어요. 그래서 이 약물이 세포 안에 들어가면 세포를 죽이게 되는데, 여기서 항체는 이 약물을 세포에 전달하는 역할을 하게 돼요. 그게 이제 ADC의 역할이고요. 그래서 노란색 암세포가 있지 않습니까? 그러면 이 항체에 아까 그 붙잡는 부분, 이 붙잡는 부분을 이용해서, 네. 이 팔을 이용해서 이 암세포를 인식하는 거예요.
그래서 이 약물이 돌아다니다가 어, 쟤 너 뭐냐? 하고 저렇게 잡아요.
아.
네. 그래서 약물이 들어가서 이 세포를 죽이는 거죠.
네.
근데 저 항체는 제가 암세포인지 원래 면역 세포도 잘 못 찾는데 어떻게 찾아요?
그러니까 그 아까 그 노란색 손 같은 거 있잖아요. 네. 그걸 암세포만 많이 가지고 있는, 그런 표지자를, 암세포에 많이 발현되는 단백질을 인식하도록 합니다.
냄새를 맡고, 일종에 예를 들자면.
네네. 암세포가 내는 냄새를 맡을 수 있도록.
그러니까 지금 중요한 질문하셨는데, 그게 굉장히 중요한 다음 페이지에 있는데요. 그래서 정밀하게 타겟팅을 해야 합니다. 이게 암세포에 가서 붙어야지 다른 데 가서 붙으면 안 되죠. 단백질에 가서 붙는 거. 그리고 CAR도 마찬가지로 암세포에 있는 타겟을 해야 하는 거고.
아, 그 독성 물질보다 암세포를 잘 찾아서 딱 잡는 게 기술이겠네요.
아, 네. 독성 물질도 중요합니다.
아, 독성 물질도 중요하겠죠. 근데 제가 말씀드리고 싶은 부분은 그 부분이었어요. 네.
저렇게 잡는다. 그럼 저렇게 잡으려면 저렇게 잡는 저 노란색 팔 더듬이,
네.
냄새 잘 맡는 애를 디자인하려면 어떻게 디자인할지를 고민해야 되는데, 그걸 AI로 한다는 거예요.
그렇죠.
음.
쟤를 원래 그전에는, 그러면 그전에는 얘도 넣어보고 쟤도 넣어보고, 냄새, 야, 좀 얘가 잘 맞나? 이렇게 해봤는데. 네네. 네. 그것도 이제 우리가 생체에서 사실은 항체를 많이 만들잖아요. 그래서 뭔가 항원을 넣어주면 우리 몸에서 그 항원에 대한 항체가 생겨요.
그러니까 우리가 인위적으로 만약에 이 노란색 단백질에 대한 항체를 만들고 싶다라고 하면, 이 노란색 단백질을 항원으로 동물에 찌른다든지 해서 그 동물이 항체를 만들게 하고, 그 만들어진 항체를 약으로 개발하는 방법이 있고요. 그걸 이제 실험실에서 또 항체를 발굴하고 스크리닝하는 그런 실험적인 방법도 있고, 또 노벨상을 받았어요.
그래서 그런 방법으로 개발하던 것을 컴퓨터에서 할 필요가 없이, 이러면 항체 연구하시는 분들한테 좀 조심스러운데, 훨씬 더 실험을 줄일 수 있는 도구가 되는 거죠. 네. 저건 그러면 암의 단백질이 뭔지 잘 알면 거기에 딱 맞는 그거, 그런 거예요?
맞습니다.
아. 암을 잘 뜯어 가지고 얘가 어떻게 어떤 단백질로 되어 있는지를 부품을 잘 뜯어보고, 네. 그걸 타겟이라고 하거든요. 신약 개발에서 타겟이라고 하고, 타겟 아이덴티피케이션이 신약 개발에서 제일 첫 번째 단계예요. 타겟 아이덴티피케이션을 하고 그 타겟의 기능을 조절하는 물질을 발굴하고, 그 물질의 기능을 테스트를 한 다음에 독성과 임상 시험으로 들어가게 되는 게 신약 개발의 과정이에요.
그 아까 그 동글동글한 암에 이렇게 뿔처럼 튀어나와 있잖아요.
네네.
걔를 잡으면 되니까, 그렇죠? 걔의 단백질의 냄새를 발견하는 거군요. 걔하고 잘 붙는 애를 만드는 거군요. 그러니까 아, 조금 이해가 되는 것 같습니다. 네.
어, 이 더듬이만 잘 찾으면 되겠네. 서로 좋아하는 애들.
그렇죠. 네. 알겠습니다.
네. 그래서 제가 이제 기본 원리에 대해서 말씀을 드리다가 좋은 질문을 많이 해 주셔서 벌써 뒤에 나오는 얘기들도 많이 했는데요. 이제 좀 이제는 그 예측 설계. 작년 노벨 화학상 받은 알파폴드는 구조 예측으로 받은 거고요. 그다음에 백민경 교수님의 지도 교수님, 어, 포닥 지도 교수님이었던 데이빗 베이커는 이 설계 부분으로 받은 거예요.
아까 타겟이 있으면 어떤 항체를 만들 것인지, 아니면 코로나 바이러스에 단백질이 있으면 어떤 분자를 거기다 넣을 건지, 이런 얘기고요. 그 튜링 테스트는 AI가 인간 수준의 지능을 가졌나를 판단하는 방법으로 고안이 된 거잖아요.
네. 몰래 숨어서 대화하는데 사람인지 AI인지 판단해 보는 거.
그렇죠, 그렇죠. 네, 네. 그렇게 해서 사람이 대답한 거랑 구별할 수 없으면 얘는 이제 인간처럼 지능을 가졌다라고 하고, 얘가 어떤 과정을 통해서 뭐 했는지 상관없이. 네. 그러면은 이제 분자 구조에 대해서 이해했는지, 단백질 분자에 대해서 이해했는지를 테스트하는 튜링 테스트는 뭐가 될 수 있냐면, 이것도 이제 정의인데, 아까 1차원 아미노산 서열을 주고 얘의 3차원 구조가 어떻게 되는지를 맞춰 보라고 했을 때, 자연에서 실제로 얘가 스스로 자기 조립을 해서 만든 구조하고 우리가 AI로 예측한 구조와 구별할 수 없으면 얘를 이해했다라고 하는 거예요.
아. 아, 그런 식으로 검증한다.
네네. 그래서 그 이해의 수준에 점점 더 우리가 다가가고 있는 거고, AI로 이해의 수준으로 갈 수 있다고 보여준 게 알파폴드인 거죠.
음. 그러니까 그 순서, 순서는 일종의 설계도 같은 건데, 설계도만 주고, 설계도, 현실 집하고 네가 이 설계도대로 집 나온 걸 그려 봐. 그 진짜 집이랑 비교해서 오, 설계도만 주면 집 그림을 딱 그리네, 하면 너는 똑똑한 AI야.
네.
엉뚱한 걸 그리면 넌 아직 공부가 멀었구나.
네네.
그렇게 지금.
맞습니다.
검증하고 있다.
지금은 어떤 수준인데요?
지금은 어떤 경우는 굉장히 잘하고요. 아직 잘 못 하는 경우가 있고, 아까 제가 항체 치료제 보여드렸잖아요. 항체에 대해서는 아직은 조금 수준이 떨어집니다. 예측 수준이. 음.
이유가 있습니까?
항체가 아까 제가 손가락 그렸지만 그게 조금 구조가 복잡하거든요. 손가락이 거의 유연해요. 네. 그러니까 이 덩어리는 굉장히 좀 고정된 것처럼 보이지만, 제가 아까 유연한 구조라고 했는데, 덩어리는 그래도 전체 덩어리 전체는 일정한 구조를 가지는 경우가 많은데, 항체는 끝에 이렇게 꼬불꼬불해서 자기 파트너를 만나면 이제 모양을 바꿔서 거기에 맞는 모양을 딱,
말미잘 같은 거예요.
네. 그럴 수도 있어요. 네. 그래서 제가 유연하다고 말씀을 드리는 거고, 근데 그 패턴이, 네, 데이터가 많이 없어요. 상대적으로. 그래서 예측하기가 어려웠던 거고요. 지금은 그것도 수준이 점점 올라가고 있어서 실용적으로 신약 개발에 활용되기 시작하고 있어요.
음. 네. 알겠습니다. 네.
네.
그래서 우리가 설계도가 있으면 어떻게 집을 짓는지를 알게 된다고 하면, 그러면 우리가 어떤 집을 짓고 싶을 때 설계도를 그릴 수가 있는 거예요. 그러네요.
네, 네. 그래서 그게 이제 설계인 거죠. 약물 설계, 분자 설계고요.
아, 그걸 잘하면.
네, 네, 네. 그래서 이제 아까 1차원 서열에서 3차원 구조가 어떻게 형성되는지를 이해하는 모델이 있으면, 그걸 저희는 파운데이션 모델이라고 할 수 있는 거예요. 분자. 그 분자에 대해서 이해한다는 의미에서 분자의 파운데이션 모델이 되고요. 그 파운데이션 모델을 기반해서 설계도를 만드는 그 설계, 분자 설계를 하는 것을 저희가 생성형 모델이라고 해요. 제너레이티브 AI 분자 설계.
네. 그래서 항체가 있을 때, 아, 항체가 여기 타겟이 있을 때 이 타겟에 붙는 항체를 설계할 수 있으면, 얘는 이제 생성형까지 굉장히 완벽하게 할 수 있는 AI고, 이제 자연 현상을 조절하는 것까지 가능하게 되는 거죠.
음. 음.
네. 그래서요.
아, 이게 조금 더 자세하게 말씀을 드려야 될까요? 저 빨간색으로 색칠한 부분도 조금 설명을 드리고 싶은 게 우리, 네. 핫스팟이라고 하는데요. 우리가 자연에서 그 항체를 얻으면 이 핫스팟이 어딘지를 나중에 알게 되죠. 자연에서 얻은 것을요.
핫스팟이 뭐 뭔데요? 그게 자체가 뭔지 잘 모르겠습니다.
핫스팟이 뭔지? 아, 그러니까 아까 핫스팟, 중요 부위로는 중요 부위인데, 그러니까 예를 들면 아까 암세포에 있는 특정한 암세포 특이적인 어떤 단백질이 있다고 해요. 근데 이게 정상 세포도 비슷한 단백질을 가지고 있을 수 있어요. 그러면은 우리가 암세포를 잘 구별하려면 비슷한 단백질인데 암세포에만 있는 그 특이적인 패턴을 구별할 수 있어야 되겠죠. 그러면은 그 부분을 인식해야 되겠죠.
아, 그게 핫스팟이다. 그러니까 똑같이 생기는 게 아니고 얘는 이마에 점이 하나 있어. 그럼 뭐 쟤는 암이야. 그렇게 그런 특징.
네. 그렇죠. 그 특징적인 부분을 우리가 잘 공격하는 게 부작용을 줄이는 방법이 되는 거잖아요.
아, 그렇겠네. 다 할 필요 없이 그 핫스팟의 특징만 잘 알면 걔를 잘 찾아가겠네요.
근데 이제 기존에는 만들어 놓은 다음에, 그러니까 항체를 발굴한 다음에 핫스팟이 어딘지 나중에 알 수가 있어요. 네. 그런데 우리가 설계를 하면 여기를 핫스팟으로 하자라고 해서 처음부터 설계할 수 있는 능력이 생기는 거죠.
그게 무슨 말이에요? 방금 그 말은 못 알아들었어요. 핫스팟을 처음에 하기로 하자는 건 뭐니까? 특징은 정해져 있을 거 아니에요. 암세포면 암세포는 이렇게 생겼어. 뿔이 세 개야. 그게 특징이야. 뭐라든가.
그 이제 기존의 항체를 발굴하는 방법은 얘가 붙기만 하면, 음, 붙기만 하면 걸러져요. 우리가 실험을 통해서 항체를 발굴할 때 얘가 일단 붙는다는 성질을 알고 있고 어디에 붙는지는 나중에 밝혀야 하거든요. 그런데 그 AI로 설계할 때는 뿔이 어디 있는지 처음부터 보고, 그러니까 그전에는 눈을 감고 붙는 것만 일단 찾는다고 하면, 네.
네.
알고 보니 그냥 결과적으로 둘이 붙어 있네만 알지 뭐 때문에 붙었는지는 몰랐는데, 아, 그걸 핫스팟이라고 하는군요. 네.
그래서 뭐 그게 이제 신약의 성공률을 높이는 데 굉장히 중요한 기능이잖아요. 그걸 정확하게 알면 거기다 잘 붙는 애를 만들면 되겠네요. 어, 굉장히 단순하게 말씀을 드렸고, 전문가들께서 보시면 여러 가지 하실 말씀이 많으실 수는 있는데, 에센스는 그런 겁니다.
네, 네. 그 핫스팟도 설계하는 거예요? 그러면.
핫스팟은 이제 핫스팟이 어딘지는 사실 타겟이 어떤 식으로 기능하는지에 따라서 정해지는 거죠. 그러니까 키트루다 사례를 보시면 얘가 면역 세포의 공격을 피하기 위해서 어떤 특정한 부분을 활용하게 되잖아요. 그러니까 그 부분이 핫스팟이 돼야 하는 거죠, 사실은 이 경우에는. 네. 그리고 아까 ADC 같은 경우에는 암세포 특이적인 그런 것을 잘 인식할 수 있도록 돼야 하는 거고.
네.
그런 거니까 이게 타겟마다 다를 수 있겠네요. 타겟마다 다르고 어떤 타겟에 어떤 부위를 공격해야 하는지에 대해서는 좀 더 지식이 많이 필요하긴 해요. 근데 그런 지식들도 상당히 많이 쌓여 있어요. 그런데 그것조차도 나중에는 AI로 커버할 수 있는 시대가 오긴 할 거예요. 지금은 사람의 지식, 그러니까 전문가의 지식을 많이 활용하게 되는데, AI가 이런 지식까지 많이 쌓게 되면 훨씬 더 자동화를 할 수 있겠죠.
교수님, 오늘 배우는 게 굉장히 어려운 내용 맞죠? 엄청나게 어려운 건데 계속 질문을 하셔서 우리가 지금 잘 따라가고 있는 건지 안 하고 있는 건지, 뭐 대충은 알 것 같기도 하고 모를 것 같기도 하고. 네, 네. 어, 대학원생들이 배우는 내용인 것으로 추정되는데.
대학원생 이상이죠. 네.
이상입니까? 이상.
아, 알겠습니다. AI로 하여튼 그렇게 어떻게 생긴 애인지를 AI로 미리 잘 짜서 계획을 잘 짜서 그런 애랑 잘 맞는 애를 아예 만들어서 딱 붙이는 것까지 한다. 그런 말씀이시죠?
네, 네, 네. 알겠습니다.
이제 그래서 이 AI의 특성에 대해서 조금 말씀을 드리고 싶어요. AI로 이런 구조를 예측하고 분자를 설계한다고 말씀을 드렸는데, 그 AI는 어떤 성격을 가졌느냐를 조금 더 설명드려도 될까요?
네.
네, 네, 네.
아, 한번 해 봐 주십시오. 네, 네. 그러니까 보통 AI라고 하면 다 챗GPT를 떠올리시잖아요. 네. 그래서 예를 들면 챗GPT를 잘 훈련을 시켜서 이런 걸 할 수 있게 하지 않을까라고 생각하실 수도 있는데, 그거랑 완전히 다른 AI거든요. 근데 아까 질문하신 걸 보면 그 부분은 이해하신 것 같다는 느낌이 들었는데요. 네.
그래서 보통 AI, 챗GPT를 AI의 대표적인 걸로 생각하시는 분들은 여기 왼쪽에 있는 그림처럼 우리가 언어 모델이 있고, 언어 모델로 다양한 분야에 적용을 할 수가 있잖아요. 그러니까 오락이나 교육이나 이런 분야에 적용을 할 수가 있고, 언어 모델을 가지고 이런 데 적용을 할 수 있어요. 그러면은 약물 생성, 아까 분자 구조에 대한 AI도 언어 모델을 적용해서 할 수 있지 않을까라고 생각하실 수가 있는데, 그게 아니라는 것을 말씀드리고 싶은 거고요.
그래서 아까도 1차원 서열을 주면 3차원 구조를 예측할 수 있는 AI, 이 AI의 아키텍처는 언어 모델과 완전히 달라요.
음. 그러니까.
아, 그 AI는 언어를 배운 게 아니고 설계도집, 설계도, 이걸 계속 학습했겠죠.
그렇죠. 그러니까 자연 현상을 배운 거죠.
네. 설계도 하고 아, 이런 설계도면 이런 집이 나오는구나, 그걸 계속 보다 보면 설계도 대충 이렇게 생긴 설계도면 집이 이렇게 생겼을 거야, 그걸 잘 예측하는 애다.
어, 설계도집 두 개를 열심히 집중 공부한 AI다.
그렇죠, 그렇죠. 네, 네. 그래서 근데 이제 언어 모델에서는 굉장히 언어의 데이터가 많지 않습니까? 인터넷에 많은 데이터가 있는데, 우리가 설계도집 그 데이터는 엄청 많지는 않아요. 지금까지도 한 20만 개 정도의 구조가 있습니다.
20만 개면.
그렇게 많은 게 아니라고 생각하실 수 있거든요.
안 많은 것 같습니다.
안 많죠. 그냥 아무것도 모르는 사람이 20만 개를 가지고 배워야 한다고 하면 상당히 어려울 수 있겠죠. 네. 그런데 구조가 어떤 식으로 이어져야 한다는 거에 대한 상당한 지식이 있어요. 그래서 그 지식을 잘 쓰면 이걸 예측할 수 있게 만들 수 있다는 생각을 할 수가 있는 거죠.
아, 그냥 단순히 설계도집, 설계도집만 보여주는 게 아니고 원리를 좀 설명해주면, 집이 이런 모양에 설계도면 대충 집이 보통 이렇게 나와, 이유는 이래, 그 중간에 있는 그런 공식을 좀 넣어준다. 그럼 잘 예상한다. 네네. 그 공식을 수학적으로 넣어주는 건 아니고요. 아키텍처 레벨에서 넣어주거든요. 그러니까,
이게 어떤 부분을 집중해서 봐.
아.
그러니까 집은 지붕이 있고 바닥이 있고 뭐 이런 식으로. 그래서 바닥이 어떤지 봐, 지붕이 어떤지 봐, 뭐 이런 식에 굉장히 우리가 어떤 바이어스를 줘서 괜히 이상하게 만들 수도 있거든요. 그래서 지식을 섣부르게 넣으려고 하면 안 되고, 굉장히 브로드하게 어디를 집중해야 한다라는 것을 보여줘야 하는 거예요. 네. 그 과학 AI의 핵심은 그겁니다. 그래서 부족한 데이터를 보완하기 위해서 우리의 지식을 AI가 어떻게 우리가 배운 형태로 배울 수 있도록 하는지, 그걸 만들어 주는 거예요.
그 유치원생이 두 개를 계속 보는 것하고 대학원생이 두 개를 계속 보는 것하고 다 다르겠죠. 대학원생 정도의 지식을 좀 넣어준다 그러면 같은 설계도집, 설계도집을 봐도 이해도가 빠르더라. 네, 네. 네. 그래서 제가 여기 슬라이드에 자연 현상에 대해서 우리가 탐구를 통해 과학적인 통찰을 가져왔고, 또 데이터도 분자의 경우에는 많이 잘 쌓여 있고요. 그리고 여기에 AI 기술이 더해진 게 노벨 화학상 알파폴드가 나오게 된 배경이고요.
네. 근데 이제 우리가 바이오 시스템이라고 하면 생명체라고 하면 이 분자가 모여서 세포가 되잖아요. 그리고 세포가 모여서 또 인간이 되고 더 큰 레벨이 되는데, 이러한 전체 구조를 앞으로 배울 수 있는 시대가 올 거고요.
음.
네. 그러니까 우리가 분자 문제를 어떻게 풀었는지를 이해해서 이러한 방식을 세포 레벨에 도입을 할 수가 있을 거고, 네. 그것을 다시 또 생명체 전체에 또 도입을 할 수가 있을 거예요. 이런 상상을 할 수가 있고 이미 이루어지기 시작하고 있어요. 디지털 트윈이라는 용어도 있고, 그러면 이게 잘되면 정말로 그 AI로 약물을 완벽하게 만들어낼 수 있는 시대가 올지도 모르죠.
네.
지금 저건 지금 시도되고 있다고 하지 않으셨어요? 이미 구글에서.
네. 어, 근데 지금 아까 그 임상 올라간 거는 분자 수준의 것을 주로, 분자 수준의 AI를 주로 활용을 했고요. 다른 레벨에 대한 연구는 많이 이루어지고 있어요, 최근에.
어. 어, 다른 레벨이라고 하시면.
세포나 아니면 이제 더 큰.
아, 좀 더 큰 거는 좀 더 쉬우니까. 아, 그런 거.
아, 좀 더 큰 거는 사실 쉽지 않아요. 훨씬 더 복잡하다고 할 수도 있어요. 왜냐하면 그 안에 굉장히 많은 분자들이 있잖아요. 다양한 부품이 있으니까. 다양한 부품들이 모여서 어떻게 자기가 알아서 해야 되는 일들을 하는지를 이해하는 것도 어렵고, 이게 어떻게 잘못되는 방식도 굉장히 많을 수가 있잖아요. 그러면 어떻게 잘못됐을 때 어떤 현상이 일어나는지를 예측하기도 아직은 어렵지만, 그게 되어 가고 있는 현실입니다.
네. 음.
그렇게 만만하지 않다는 거군요.
어렵다.
어, 여전히 어렵지만 시도하고 있다. 그런 말씀인 것 같습니다. 이해하고 이게 정말 오래 걸리지 않을 거예요. 그러니까 지금 우리가 이런 데이터를 모으는 데 한 100년이 걸렸다고 하면, 그걸로부터 이제 분자 문제를 푸는 데는 한 5년 정도 걸렸다고 합시다. 네. 그 다음 문제를 몇 년 정도 걸릴지는 모르지만, 저는 10년 안에 올 거라고 생각을 하거든요.
더 좀 더 좀 더 좀 더 복잡한 약물을 개발하는 데에는.
어, 좀 더, 그러니까 약물, 임상, 약물이 임상에 통과하고 성공적으로 그 약물로서 상용화되기까지 지금은 굉장히 실패율이 높거든요. 네. 그래서 임상 들어간 것들 중에 열 개 중에 아홉 개는 실패해요. 그러면 엄청나게 많은 비용이 낭비되는 거고, 그 과정에서 희생되는 분들도 있는 거고, 그걸 상당히 줄일 수가 있는 거죠.
음.
설계 기술에 대해서 배우나 봐요, 이제.
네.
아, 네. 이게 설계 기술에 대해서.
네, 네.
좀 어려울 수가 있는데, 이건 넘어갈까요?
네. 저희 지금까지도 어려운 걸 배웠는데 도전적으로 배워보죠.
아, 네. 조금 도전적으로. 그래서 2024년에 AI 모델로 분자에 대한 AI 모델로 노벨 화학상을 받았고요. 그러면 그전에도 과학자들이 연구를 했었어요. 근데 어떤 식으로 AI가 나오기 전에는 어떤 식으로 연구를 했냐면, 이것도 어쨌든 물체잖아요. 그러면은 네. 그 물리에 적용되는 역학 모델이 적용될 수가 있겠죠.
그 역학 모델, 분자 역학 모델, 양자 역학, 고전 역학 이런 역학 방법론을 분자에 적용해서 연구가 오랫동안 이루어져 왔어요. 네. 근데 그 방법으로는 단백질 구조를 예측하고 신약 분자를 정확하게 설계할 수가 없었는데, AI로 정확하게 할 수가 있게 됐죠. 그래서 그걸 대비해서 제가 조금 더 왜 그런 차이가 어디서 나오는지를 좀 설명드리고 싶었거든요.
이게 뭐냐면요. 역학적으로, 그러니까 저 분자에 대해서 조금 더 설명드리고 싶어서. 그러니까 역학이라는 게 춤추는 사람과 걸어가는 사람이 있는데, 이 사람이 걸어갈 때 역학 법칙이 적용이 되잖아요. 역학 법칙을 적용해서 사람이 어떻게 걸어가는지를 계산할 수도 있을 거예요. 근데 이런 사람과 같은 경우에도 역학적으로 계산은 굉장히 어렵기는 한데, 계산 시간이 많이 걸리는데,
근데 그럼에도 불구하고 여기서는 그 분자보다는 훨씬 더 쉬워요. 왜냐하면 이 걸어갈 때 공기 때문에 몸이 흔들리고 문제가 생기지 않잖아요, 그렇죠? 그러니까 그렇죠? 그런데 오른쪽 그림을 보시면 얘가 막 찌글찌글 많이 왔다 갔다 하는데, 이게 사실은 한 걸음 걷는 것도 아니거든요. 굉장히 많이 흔들려요.
네. 그러니까 한 걸음 걷기 전에 굉장히 많이 흔들립니다.
저거는 왜 흔들려요? 뭔가 오면 그거에 대한 또 영향을 받습니까?
네, 네. 그러니까 우리 거시 세계에서는, 네. 공기와 사람의 그, 뭐랄까요? 그 역학적인 운동이 굉장히 차이가 나잖아요. 사람은 질량이 굉장히 크잖아요. 근데 분자 수준으로 가면 질량이 비슷한 애들이 굉장히 많이 섞여 있는 거예요. 그럼 서로 에너지가 비슷하니까 굉장히 많은 충돌이,
서로 영향을 받고 막 튕겨나가고 흔들리고 막 난리가 난다.
네. 근데 그걸 역학적으로 계산하려고 하니까 정확하게 안 되고 오랫동안 잘 풀 수가 없었던 거죠.
네.
아, 변수가 너무 많은 거군요, 분자 세계에서는.
네, 네. 변수가 굉장히 많고 그것을 그대로 풀기가 굉장히 어려웠죠.
파도가 맨날 치는 그런 느낌이네요, 그냥 거기서는.
네, 네. 파도가 엄청나게 많이 치는데, 그럼에도 불구하고 어떻게 움직이는지 궁금할 수도 있으니까.
아.
그러네. 어렵겠네. 네.
네. 그래서 분자, 신약 설계에, 신약 개발에 있어서는 이 방법이 그렇게 효과적이지는 못했죠. 음. 이게 이렇게 막 요동치는 게 중요한 문제도 있을 수는 있어요. 네, 네. 어떤 과학적인 문제에서는 그런데, 신약 설계와 같이 굉장히 기능적으로 엄밀하게 우리가 정교하게 설계해야 하는 그런 분야에서는 효과적이지 못했던 거죠. 기존의 2013년 노벨 화학상 분자 역학 방법론들은.
네, 네. 예전에는. 근데 요즘은 막 그런 거 있잖아요. 애니메이션 같은 거 봐도 바람이 이렇게 막 불면 머리카락이 막 이렇게 되게 자연스럽게 요즘 표현이 되잖아요. 그걸 AI가 계산해서 하는 거라고 들었는데, 사람 일일이 하는 게 아니고.
네네. AI가 그걸 스스로 학습을 하는 거죠. 그러니까, 그 AI는 물리적인 세계에 대해서 이해한다는 말을 쓰거든요, 그렇죠? 물리적인 세계에 대해서 이해할 수 있도록 많은 영상을 보여주고, 그 영상의 패턴을 보고 아, 이건 일어나지 않는 거야, 라고 물리적인 세계에서 일어나는 것과 일어날 수 없는 것을 학습하게 되는 거죠. 그게 거시적인 물리 세계에서는 그렇게 영상으로 이해할 수 있는, 배워서 이해하는 수준으로 이제 가고 있다고 하면, 이 미시적인 물리 세계는, 음, 데이터가 많이 없잖아요. 데이터가 많이 없으니까 이걸 학습하는 방법은 굉장히 다른 거예요.
그럼 어떻게 데이터가 없으면 어떻게 해야 돼요?
지식을 활용해서 할 수 있다는 거예요.
대학원생한테 가르친다.
네네. 근데 이제 그 지식을 우리 인류가 많이 가지고 있어요. 네. 그러니까 100년, 근대 과학의 역사 한 100년 정도 된다고 하면, 그 100년 동안 굉장히 많은 지식을 쌓아왔고, 그걸 효과적으로 이용하면 언어 모델과는 다른 종류의 AI를 활용해서 이런 걸 할 수가 있다는 거죠.
음. 이건 오픈AI라고 잘하는 건 아니겠네요.
절대로 아니에요. 언어 모델을 가지고는 할 수가 없죠, 그런 점은.
음. 그러면 비슷비슷합니까? 구글이 갖고 있는 AI나 서울대학교에서 갖고 있는 AI나 비슷비슷합니까? 지금.
제가 하고 싶은 말, 그 질문을 해 주셨는데요. 네네. 굉장히 큰 차이가 납니다. 우리가 언어 모델도, 그렇죠? 오픈AI에서 굉장히 대규모 언어 모델을 학습을 할 수가 있죠. 근데 그걸 서울대학교에서는 할 수가 없거든요. 그런 걸 개발할 수가 없거든요.
그러니까 크게 두 가지 문제가 있는데요. 먼저.
HBM이 없어서 그렇습니까?
네. 네. GPU가 없는 거죠. 네. GPU, 엄청나게 많은 GPU가 필요한데 서울대학교는 없는 거죠. 네.
그다음에.
사람이에요. 학교에서는 학생, 대학원생 한 명 한 명이 자기 논문을 써야 하거든요. 그래야 졸업을 할 수가 있잖아요. 네. 그런데 그런 훈련을 받은 과학자들이 한꺼번에 모여 가지고 공동의 하나의 목표를 향해서 수십 명이 붙어 가지고 연구를 하는 것하고, 한 명이 자기 연구를 하는 것하고는 굉장히 수준 차이가 날 수밖에 없어요. 네.
그래서 구글에서 만든 알파폴드 같은 걸 사실은 제가 그런 아이디어가 있었다고 해도 서울대에서는 이룰 수가 없었던 거죠.
아. 근데 왜 제가 그런 질문을 드렸냐면, 일단 지금 샘플이 20만 개 정도라면서요. 우리가 알고 있는 단백질이 한 20만 개야, 부품이. 그러니까 예를 들면 언어 모델 같은 건 어마어마하게 많은 언어를 교육시켜야 하니까 그걸 우리가 지금 구글, 오픈AI 걸 따라갈 정도가 안 되잖아요. 그러니까 그거는, 아, 진짜 따라가기 힘들 것 같아. 그건 알겠으나. 그래도 일단 지금은 샘플이 20만 개라니까 일단 20만 개는 우리도 지금 교육을 시키고, 미국이 대학원생 정도의 지식을 넣으면 우리는 박사급으로 넣는다. 그렇게 해서 하면 그래도 그거는 따라갈 수 있을 것 같아서요.
네. 제가 놓친 부분을 또 지적을 해 주셨는데요. 그러니까 언어 모델보다는 훨씬 나아요. 우리나라의 자원으로 오픈AI의 언어 모델을 만드는 것은 그 정도 수준을 만드는 것은 목표로 하기 힘들잖아요. 그런데 우리가 가진 자원으로 과학 AI를 잘하는 것은 목표를 충분히 삼을 수가 있어요.
그건 가능해요.
네네.
설계도집, 설계도집 계속 그것만 집중 탐구하면.
네네. 네.
어쨌든 설계도만 보면 집을 잘 생각하는 애다. 그것만 나오면 되잖아요, 그렇죠? 집 보여주면 설계도, 설계도 보여주면 집. 이것만 잘하면 되잖아요. 네, 네, 네. 맞습니다. 네. 이게 비단 이 문제뿐만 아니라 다른 과학 분야도 마찬가지예요. 아까 세포도 제가 말씀을 드렸는데, 분자에서 더 올라가면 세포, 많은 분자가 모여 있는 세포에 대해서도 비슷하게 생각할 수가 있고요. 과학에서도 다른 분야들도 예를 들면 신소재, 음, 이런 분야들도 같은 원리로 우리가 굉장히 잘할 수 있는 분야예요.
음.
언어 모델보다.
네. 지금 총장님이 GPU 안 사줬어. 지금 총장님 지금 봐 주셔야 되겠네, 빨리.
네, 네. 총장님도 사 주시면 좋겠고요. 네. 정부에서도 어쨌든 GPU 인프라를 많이 구축하잖아요. 근데 그게 어떤 식으로 분배가 될지 아직은 잘 모르겠지만, 이런 정보를 받으셔서 생각을 해 보시면 좋을 것 같습니다.
음. 알겠습니다. 박사, 교수님도 그런 걸 연구하고 계시는 거고. 아, 야, 이쪽 분야가 아주 치열하군요. 네. 지금 채팅창에서도 GPU 빨리 사주라고 막 계속 올라오네요. GPU 필요하다. 어, 그리고 저희는 언어 모델처럼 많이 없어도, 조금만 있어도 잘.
많이 안 든다.
비교적. 그런데 대학 연구실에서 하기는 굉장히 어려워요. 그래서 백민경 교수님이 로제타폴드를 개발한 것도 거기서도 마이크로소프트에서 지원을 받았어요. 네. 교수님 연구실만 가지고는 안 됩니다.
아, 그래요? 네. 그래서.
알겠습니다. 제가 삼성전자에 전화 한번 하겠습니다. 지원 좀 하라고. 네.
네.
네, 네. 아, 그래서 이 슬라이드 좀 복잡한데, 앞서서 역학 모델과 AI 모델의 차이점에 대해서 이미 설명을 드렸고 잘 아시겠지만, 제가 노벨 화학상 수상하신 딥마인드 젠포의 발표 제목만 가지고 왔어요. 이것만 제목을 보고 딱 이해를 하실 수 있을 거예요. 그러니까 단백질 구조 예측을 하는 데 있어서 화학적인 통찰과 생물학적인 통찰을 집어넣는다. 이게 제목이에요. 그러니까 이 말을, 아, 이해가 안 되시나요?
네.
네. 이 메시지를 전달하고 싶으셨던 거죠, 이분은. 이분은 그러니까 AI를 개발하는 데, 과학 AI를 개발하는 데 있어서 중요한 것은 우리가 가지고 있는 과학 지식을 어떻게 넣느냐라는 메시지예요.
근데 그걸 어떻게 넣습니까? 그 말씀하셨던 대로 AI를 대학원생이나 박사급으로 만들어줘야 같은 데이터를 보고도 빨리 이해한다고 하셨는데, 그걸 어떻게 가르쳐요? 그걸.
그 그걸 했으니까 노벨상.
그 지식을 어떻게 먹일까요?
아, 그러니까 아, 그걸 설명을 또 보여줘야 되나? 뭘 교육시켜야 돼요? AI는 제가 인공지능의 사하 원칙에 대해서 말씀드려도 될까요? 네. 제가 만든 원칙인데요. 네. 육하 원칙은 아시잖아요. 네. 근데 사하 원칙은 제가 인공지능의 사하 원칙을 무엇을, 무엇으로부터, 어떻게, 얼마나 잘이라고 했어요. 네.
그러니까 뭐냐면, 무엇을, 무엇을, 무엇을, 무엇을 이제 인풋과 아웃풋이에요. 그러니까 이 AI 문제를 어떻게 정의할 것인지. 언어 모델 같으면 인풋과 아웃풋이 뭔가요? 그러니까.
들어가는 건 텍스트, 배운 건 텍스트, 나온 건 말, 라이팅.
네.
아. 아.
네. 그렇죠. 텍스트가 들어가서 텍스트가 나오는 거잖아요. 그래서 예를 들면 어떤 미완성 텍스트를 주고 이걸 마저 완성하게 한다든지. 그게 인풋과 아웃풋이 되고요. 그리고 데이터는 이제 두 번째가 무엇으로부터가 데이터거든요. 첫 번째는 인풋과 아웃풋을 정의하는 문제 정의인 거고, 두 번째는 어떤 데이터로부터 배울 거냐인데, 언어 모델 같은 경우에는 이건 그냥 또 텍스트 데이터죠. 네, 네.
그런데 예를 들어서 우리가 어떤 분자의 독성을 예측하고 싶다라고 하면, 인풋은 물질, 아웃풋은 독성 이렇게 생각할 수 있잖아요. 그거는 문제를 잘못 정의하는 거예요.
음.
그렇게 문제를 정의하면 우리가 풀 수가 없어요, 잘.
음.
뭐 뭔가가 나오겠죠. 무슨 AI가 나오긴 할 텐데, 그렇게 하면 잘 풀 수 없는 이유가 뭐냐면 독성이라고 하는.
물질의 독성이라는 것은 엄청나게 복잡한 문제거든요. 문제의 복잡성이 어마어마하게 큰데 우리가 가지고 있는 데이터는 그것보다 훨씬 더 적어요.
그러니까 우리가 풀 수 있는 문제로 인풋과 아웃풋을 환원시켜야죠.
네. 그러니까 독성이 어떤 요소로 이루어져 있고 그 요소들 각각에 대해서는 어떤 부분에서는 데이터가 많을 수도 있고요. 부족한 부분은 우리가 데이터를 또 생성할 수도 있어요.
그런 생각을 하면서 이제 과학 인공지능은 이루어지는 거거든요. 그래서 이제 무엇을과 무엇으로가 붙어 있고요. 그다음에 세 번째 원칙이 어떻게 해요?
네. 어떻게, 그러니까 데이터가 있고 인풋 아웃풋이 있으면 어떻게는 이 블랙박스 인공지능 안을 어떻게 조직화하느냐예요.
그래서 이 인공지능 자체는 그냥 수식이거든요.
음.
그 이제 우리가 뭐 복잡한
어, 굉장히 복잡한 수식인데 우리가 예를 들면 어떤 인풋과 아웃풋이 어떤 함수다, 엑스를 주면 에프엑스가 나오는 어떤 함수다라고 하면 이 아키텍처는 그 함수를 찾아내는 거예요. 예. 함수를 찾아내는 건데 그 함수가 굉장히 복잡한 함수다. 그러면은 이 인공지능 아키텍처라고 하는 것은 이것을 작게 쪼개 가지고 풀 수가 있어요. 그러니까 굉장히 복잡한 커브인데 이것을 작게 작게 쪼개 가지고 합쳐서 복잡한 것을 쉽게 만들어 낼 수가 있습니다.
뭐 그렇겠죠. 간단한 블랙박스는 더하기만 하는 거고 복잡한 블랙박스는 곱하기, 더하기, 빼기, 나누기를 다 해라. 예. 다 하는 건데 그것을 이제 곱하기, 그러니까 뭐
복잡한 함수라고 하더라도 간단한 더하기를 여기서는 이만큼 하고 저기서는 또 다른 더하기를 하고 해서 그 함수를 조각을 해서 예, 나눠서 볼 수가 있겠죠. 그럼 이제 처음부터 우리가 이런 아름다운 복잡한 모양을 가진 함수를 어떤 수식을 찾아야 한다고 하면 상당히 어려울 수 있는데 이것을 쪼개서 풀면 굉장히 쉬울 수가 있어요. 그런데 이제 그것을 어떻게 쪼개느냐, 뭐 이런 그 문제가 인공지능을 어떻게 설계하느냐인 거라고 간단하게 말씀을 드릴 수가 있습니다.
그런데 이것을 왜 왜왜 무슨 말씀을 하고 싶어서, 무슨 말씀을 하고 싶어서 사하 원칙을 하신 건지는 제가 지금 미궁에 빠져 있습니다. 그래서 왜 이 말씀을, 왜 이 말을 말씀을 드리냐면 이제 언어 모델과 과학 인공지능이 어떻게 다른지를 말씀을 드리고 싶어서 그런 거예요. 그러니까 과학 문제를 인공지능으로 풀려면 이 인풋과 아웃풋을 정의하는 것조차 과학에서 굉장히 과학의 지식이 많이 들어간다는 거고, 그다음 어떤 데이터를 쓰는지도 과학 인공지능 과학자의 그 인사이트가 굉장히 많이 들어가야 하는 거고요. 그다음에 이 인공지능 아키텍처를 어떻게 설계하느냐도 굉장히 중요한 건데, 그러니까 노벨 화학상을 받았던 알파폴드는 인풋과 아웃풋은 정해져 있고 데이터도 정해져 있어요. 그 분야에서 오랫동안 중요한 문제로 인식이 돼서 어떻게 해야 한다는 것이 알려져 있고 거기서의 중요한 기여도는 이 인공지능 안쪽의 블랙박스를 어떻게 설계했느냐, 이것으로 노벨 화학상을 받은 거고요.
네. 음. 음.
아, 노벨 화학상 받은 것이 인공지능을 어떻게 설계하느냐, 그러니까 블랙박스를 어떻게 잘 예쁘게 잘 만들었느냐.
네. 네. 네. 그것으로 받은 거군요.
데이터는 어차피 뻔하니까. 네.
네. 네. 네. 그래서 이제 과학 문제가 굉장히 다르다는 말씀을 드리는 거고요.
아, 저것은 진짜 그럼 노하우네요. 말 그대로.
노하우죠.
네.
그러니까 과학 그 분야의 전문가의 지식이 굉장히 중요하죠. 그것을 어떻게 인공지능으로 만들어, 인공지능으로 잘 입히느냐. 그러니까 전문성도 있어야 하고 그 전문성을 인공지능에게 입히는 것도 엔지니어적인
기술이 있어야 하고요.
예예. 그래서 제가 아까 독성 사례를 말씀드린 것은 이 인풋과 아웃풋을 노벨 화학상을 받은 경우에는 뻔하게 있는데 이것이 뻔하지 않은 과학 문제들이 굉장히 많아요. 그런데 그것을 잘 정의하면 우리가 지금까지 풀지 못했던 문제들을 정말 많이 풀 수가 있어요.
야, 그 저
구글은 저 인공지능이 좋은 거군요. 보니까 말 그대로.
구글에서 네. 구글에서 이것을 상당히 많이 합니다. 여러 분야의 과학 인공지능을 상당히 많이 하고요. 대규모 언어 모델과는 별도로 굉장히 많은 과학 인공지능들을 하고 있어요.
그런데 이제 우리나라에서는 과학 인공지능이라는 용어조차 굉장히
없죠.
많이 쓰는 용어거든요, 미국에서는. 네. 어. 아, 그러니까 똑같은 20만 장 서로 공부했어도 미국에 있는 그 본 인공지능 애가 똑똑한 거네요. 미국은 똑똑하게 이미 키워져 있는 거네요.
네. 네.
어,
그렇죠.
그것은 못 이기겠는데요.
아니요. 할 수 있습니다. 열심히 하면 할 수 있어요.
예예. 어. 아, 그런 콘셉트다.
네네.
야, 그것이 또 노하우고 그것은 또 따라잡기가 쉽지는 않겠다는 생각은 드는데.
네. 네. 얼마나 잘은 그냥 생략하겠습니다. 그것도 사실 중요하긴 한데 음, 우리가 하여튼 야, 인공지능 이것은 지금 그럼 교수님이 하시는 것이 이제 이런 것을 통해서 인공지능으로 신약 개발을 하고 하는 그런 것을 이제 연구하고 계시는 거죠?
어, 신약은 어, 어느 쪽을 개발하고 계시는 거세요, 교수님은?
어, 그러니까 저희는 이제 짐작하시겠지만 이것이 단백질이라고 하면 뭐든 상관없어요.
네.
그렇죠. 그러니까 분자 수준에서는 더듬이가 되든 뭐가 되든 네네, 그래서 다 같은 아미노산으로 이루어진 거잖아요. 그래서 단백질의 신약은 그냥 아미노산을 어떻게 어떤 순서로
어, 연결되도록 설계하느냐에만 그것이 이제 중요한 문제고요. 그런데 이것을
네이
물질이 만들어졌을 때, 단백질 신약이 만들어졌을 때 검증하는 것은 어떤 질환이냐에 따라 다르죠.
음. 음.
그런데 그 단백질을 설계하는 부분에 있어서는 질환과 상관이 없어요. 그래서 뭐 뇌질환이든 아까 뭐 바이러스 감염증이든 암이든 뭐 대사 질환이든 뭐 위고비든 상관이 없으면 다 같은 원리로 할 수 있습니다.
그, 그러면 지금 교수님한테 "나는 이런 약을 만들고 싶어. 이런 항암제를 만들고 싶은데 이 항암제 더듬이, 좀 더듬이 단백질을 설계 좀 해 줘." 네.
의뢰가 오면 교수님이 "오케이." 탁탁탁 이렇게 해서 만들어 주십니까?
네.
음.
어머. 그래요.
아, 그래. 그러니까 그것은 약효가 되느냐 안 되느냐 이후에 검증의 문제이긴 한데 지금 기술적으로
네.
그 인공지능을 통해서 이런 디자인으로 만들면 될 것 같아, 이런 솔루션을 줄 수 있는 거네요, 현재도.
네. 네.
음.
있습니다.
수준이 어느 정도입니까? 우리는 교수님 연구팀에서 하시는.
저희 팀은 상당히 잘합니다.
음.
구글이 안 무섭다.
구글이 어떻게 하고 있는지 사실은 많이 알려져 있지는 않아요.
어, 그런데
공개된 수준보다는 저희가 더 잘할 수 있어요.
왜요? 그, 그것이 어렵다면서요. 예를 들면 제가 교수님 설명을 드리니까 구글이 잘할 것 같은 이유가 어떻게 20만 개의 그 단백질 샘플은 공통인 것 같아요. 비슷해요. 학습할 수 있는 문제집은 비슷해요.
네. 20만 개가 똑같아요. 20만 개의 문제, 예상 문제집을 풀었어요. 그런데 구글은 아무래도 인공지능 개발자도 많고 하니까
무엇을 얘한테 교육을 잘 시켰을 것 같아요. 그래서 구글이 똑똑한 인공지능을 만들어 놨으니까 같은 20만 개 예상 문제집을 풀어도 애가 공부를 진짜 잘해줬어. 그것은 될 것 같은데 그러면 좋은 엔지니어가 있어야 할 것 같은데요. 그것을 하기가 쉽지는 않을 것 같은 구글이니까 그래도 그것이 됐겠지, 그런 막연한 생각은 드는데요.
네. 네. 그러니까 구글이 알파폴드 같은 모델을 만들면서 이렇게 하면 된다는 것을 보여준 부분이 많아요. 예. 네.
그래서 지금은 이제 그런 아이디어를 통해서 기본적인 것은 비슷하게 할 수 있는
이제 많은 그룹에서 할 수가 있고요. 그다음에 이제 거기서 더 나가는 것을 어떻게 해야 하는지를 찾는 것이 그다음 문제잖아요.
그런데
이제 저희도 그 20년 동안 이 분야에서
상당히 높은 수준으로 했었어요. 예. 그래서 전문가적인 노하우가 있는 거죠. 예.
그러니까 20만 개의 예상 문제를
어, 같이 풀어도 학생을 어떻게 훈련시키느냐에 따라서 어떤 문제에 집중해서 어떤 순서로 문제를 풀게 하느냐에 따라서 같은 두뇌를 가진 학생이라도 결과가 달라질 수 있겠죠.
예. 그러니까 이 문제에 대해서 잘 알고 있으면
잘 가르칠 수가 있는 거예요.
네. 아, 그래요? 야, 되게
과학 인공지능이라는 것을 아무도 얘기 안 한 것 같은데 지금 말씀하셨던 그런 것이 이제 이런 것이 다 과학 인공지능으로 개발하는 거고 그냥 막연히 "야, 요즘 인공지능으로 신약도 개발해." 그런 얘기는 들어봤는데
그런 것을 잘하려면 말씀하셨던 그 좀 특화된 인공지능이 있어야 하고
네.
그 특화된 인공지능이 우리도 지금 있고 서울대도 지금 열심히 제 생각보다 더 잘 만들었어요. 그런데 이런 것은 우리가 부족한 것은 지피유가 부족해요. 인공지능은 진짜 잘 만들었는데 그런 상황이라는 거죠.
네. 네.
맞습니다.
정부에서 지피유 좀 좀 사 줘야 되겠네요. 예. 어,
저 궁금한 것이 그러면 디자인을 잘한다는 거죠, 지금 우리 팀이 잘한다고.
네. 네. 디자인을 잘하고 있습니다.
그러면 이때까지 설명만 보면 어떤 단백질이 있으면 그 단백질의 어떤 형태를 잘 연구해서 거기 쏙 들어가는 뭔가를 만드는 디자인을 잘한다는 거죠. 그 말씀.
네. 그런데 그 디자인을 잘하려면
얘가 그 혼자 있을 때 어떤 모양을 가지고 또 붙을 때는 어떤 모양을 어떤 어떤 식으로 붙고 이것도 잘 이해를 해야 하는 거거든요. 그래서 디자인을 잘하려면 이제 아까 디자인하는 것은 생성형 모델, 제너레이티브 모델이라고 말씀을 드렸고 이 제너레이티브 모델이 성능이 높으려면 파운데이션 모델도 굉장히 성능이 높아야 해요.
그래서
어려운가요? 많이 무식한 질문인데요. 그런 이런 것을 잘하려면 과학 인공지능을 잘하려면 인공지능 전문가가 더 잘할까요? 과학을 잘하는 사람이 더 잘할까요?
굉장히 민감한 질문을 하셨습니다. 어떻게 생각하세요? 네. 무엇을 잘하는 사람이 더 잘, 더 유리할까요?
사실 둘 다 잘해야죠.
물론 둘 다 잘해야, 둘 다 잘해야 되는데 제가 이렇게 대답을 드릴게요. 예.
노벨 화학상을 누가 받았느냐? 딥마인드 팀 알파폴드 논문에 수십 명의 과학자가 올라와 있어요. 그런데 데미스 하사비스는 대표니까 당연히 이것을 하겠다고 결정을 하고 이 모든 것들을 조직화했으니까 당연히 노벨 화학상을 받아야 하는데
네네.
같이 노벨 화학상을 받은 사람은
음.
인공지능 엔지니어일까요? 아니면 과학자일까요? 과학자이고요. 그분이 아까 잠퍼, 아까 이제 사진 보여
드렸고
저랑 같은 연구실 출신이에요. 사실은 저랑 배경이 굉장히 비슷해요. 물리학과 화학과
생물학을 다 공부하신 분이죠.
아.
그러니까 이분이 대학원 박사 과정 때 단백질 연구를 했어요. 그때는 이제 역학 모델을 가지고 많이 했죠. 음.
그런데 하다가 너무 안 되니까 역학 모델로 안 되니까
이제 단백질을 안 하겠다고 하고 구글에 갔죠.
네. 아,
그런데 구글에서 데미스 하사비스가 "우리 단백질을 하자."라고 해서 다시 단백질을 하시게 된 거죠.
아, 그런 거예요. 어, 구글은 돈도 많고 여긴 돈도 많이 주는데
음.
단백질 연구도 잘 되네, 해서
네. 우리도 좀 빨리 확인해야 되겠네요. 이런 것은 굉장히 중요한, 그러니까 단순히 대규모 언어 모델 같은 이런 언어 모델도 뭐 중요하긴 하겠으나
네.
이런 것은 실제로 신약을 개발하고 뭔가 이것이 쓰임새가 아주 실용적으로 많을 것 같은데요, 이런 것은.
네. 네. 네. 그러니까 그 신약뿐만 아니라 예.
음. 아까 그러니까 신약도 분자이지만 이 분자의 세계에 대해서 우리가 잘 알면
음.
굉장히 산업적인 응용이 큽니다. 에너지 문제를 해결하는 그런 소재,
예, 뭐 여러 가지 다른 종류의 그 기능성 소재들을 인공지능을 잘 알면 훨씬 더 효과적으로 만들 수가 있죠.
음.
구글에서 그런 것도 해요.
음. 우리 석 교수님 다 잘하는데 지피유가 석 교수님 팀이 전 세계 지금 넘버원인데 딱 하나 부족한 것이 지금 지피유가 부족해서 어, 그 서울대학교에서 지피유 좀 좀 사 주시면 음, 훨씬
대단, 대단한 신약이 나오지 않을까 그런 생각이 드네요. 야 뭐
하여튼 저희가 뭐 잘은 모르지만 대충 어떤 것인지는 알 것 같네요. 대충 이런 인공지능이 필요하고 지금 신약 개발이 인공지능으로 이런 것이 이루어지고 있다. 음. 그럼 백기 팀장님 조금 알아들으셨습니까?
저보다 뭐 채팅창에서는 백자가 저보다 낫다.
저는 또 궁금한 것이
어,
그렇게 디자인을 잘하는 거라고 하셨잖아요.
음.
또 잘한다고.
네. 교수님 팀이 잘한다고 하니까 그러면 실제로 무엇을 검증하고 만든 사례가 많나요? 예를 들어서
아, 뼈, 그 정확한 질문.
많, 어떤 약을 했는데
뭐, 뭐 만드신 것이 있어요?
이렇게 시뮬레이션을 이렇게 만들고 그것을 실제 물질을 만들어서 이렇게 해 봤다네.
있습니다. 그런데 이제 실제로 약까지 가려면 시간이 많이 걸리고요. 그런데 실제로 저희가 뭐 세포 수준에서든 아니면 더 나아가서 동물 수준에서도 저희가 인공지능으로 설계해서
어, 몇 개만 해보고
검증해 가지고 지금 하고 있는 것들이 있습니다.
아, 이것이 팔이 잘 붙네 정도까지. 네.
그 정도까지 병을 치료하는 그런 것까지 하기는 너무 오래 걸리고
병을 치료하려면 이제 임상을 가야 하는 거니까 시간, 팔이 잘 붙어,
잘 붙는 애를 우리가 삼차원으로 만들어 봤어.
네. 네.
아니, 그럼 교수님 창업도 하셨어요?
아, 이제 지금 말씀드린 것이 사실 제가 회사 얘기를 해도 되는지 확실히 몰라 가지고 이 회사에서 한 일이에요.
아, 회사에서 창업도 하시고 네.
그 지분도 저도 좀
색이 유망할 것 같은데. 아, 그렇게 창업도 하시고 거기서 이제 그런 것을 개발도 하고 계시고 네.
그런데 지피유가 부족하다. 그럼 서울대 총장님 사 줄 일이 아니고 투자를 받으셔야 되겠네요.
서울대도 필요합니다. 예. 투자도 저희 받고 있어서 그래서
네.
저희가 회사에서 지피유를 더 사면
어,
연구원들 자신감이 올라가요.
예.
아이디어를 시도했을 때 그것이 된다는 것이 지피유가 많아야 할 수가 있는 거니까. 네. 아이디어가 되는지 안 되는지를 확인하기가 어려웠거든요. 지피유가 많아지니까 확실하게 확인이 되더라고요.
회사 이름이 무엇입니까? 교수님, 말해도 되나요?
말해도 됩니다. 말해도 됩니다. 뭐 어,
갤럭스입니다.
갤럭스. 회사 이름이 갤럭스.
예. 갤럭시 씨가 아니고요, 갤럭스.
갤럭스. 네.
아, 갤럭스랍니다. 하여튼 투자에 관심이 있으신 분들은 또 이런 데 투자하시면 또 어 압니까? 또 구글, 또 대박이 날지.
음.
알겠습니다. 자, 서울대학교 석차옥 교수님. 야, 오늘은 좀 나름 깊이 있는 내용이었는데 저희가 너무 희화시킨 것 아닌가 모르겠습니다만 음. 대충 이런 산업이 지금 진행되고 있다 정도는 감은 익힌 것 같네요. 어, 여러분들도 하여튼 이것을 뭐 다 모르셔도 됩니다. 그렇죠, 교수님? 전부 다 알아들어야 하는 것은 아니죠. 예, 대충 이런 것을 아시면 유용할 것 같습니다.
석 교수님, 잘 들었습니다. 고맙습니다.
고맙습니다. 습니다. [음악]