2024 노벨 생리의학상은 빅터 앰브로스 미국 매사추세츠 의대 교수와 게리 러브컨 미국 하버드 의대 교수에게 돌아갔다. 10월 7일 올해 노벨상 수상자 발표 첫날 스웨덴 카롤린스카연구소 노벨위원회가 두 사람을 수상자로 호명했다.
도대체 누구길래 노벨상을 받는지 궁금해할 팔로워들을 위해 씨즈가 정리했다.
● 무슨 일을 했길래?
두 사람은 '마이크로 RNA(microRNA)'를 처음 발견한 공로를 인정받았다. 마이크로 RNA는 우리 몸에 있는 유전자가 활약을 할지 말지 조절하는 매우 중요한 역할을 한다.
● 왜 이름이 '마이크로'?
'마이크로'라는 이름을 가진 건 매우 짧아서다. 인간의 유전체는 모두 30억 개의 '뉴클레오타이드'라는 단위로 이뤄져 있다. 마이크로RNA의 길이는 20~25 뉴클레오타이드 정도다. 1984년, 앰브로스 교수가 처음 발견한 마이크로RNA는 'lin-4 마이크로RNA'인데 이건 22 뉴클레오타이드로 이뤄져 있다.
●'마이크로'하다며… 유전자 조절을 어떻게?
러브컨 교수가 이 과정을 처음 밝혔다. 앰브로스 교수가 발견한 lin-4 마이크로 RNA가 어떻게 유전자를 조절하는지 알아낸 것이다. 우리 세포에 저장된 유전 정보는 모두 DNA에 저장돼 있다.
DNA는 암호화된 데이터라 이 정보를 쓰려면 DNA 정보를 mRNA(메신저 RNA)라는 형태로 바꾼 다음 이 mRNA 정보를 읽어서 단백질을 만들어내야 한다. 단백질은 우리 몸에서 활약하며 특정 기능을 할 수 있게 된다. 이 전체 과정에서 마이크로RNA는 mRNA에 붙어 단백질이 만들어지는 과정을 조절한다. 러브컨 교수는 lin-4 마이크로 RNA가 lin-14 mRNA에 붙어 방해한다는 사실을 알아냈다.
노벨위원회가 공개한 공로 설명 이미지. lin-4 마이크로 RNA가 lin-14 mRNA에 붙어 단백질이 만들어지지 않도록 조절하는 과정을 그림에 담았다.
●근데 그게 왜 중요해?
유전자 정보가 단백질이 될지 말지에 따라 우리 몸의 상태가 달라지기 때문이다. 마이크로RNA가 제대로 작동하지 않으면 암이 생기기도 하고 마이크로RNA를 만들어내는 유전자가 망가진 경우 선천적 청력 상실, 눈이나 골격 장애를 일으키기도 한다.
빅터 앰브로스 미국 메사추세츠 의대 교수, 게리 러브컨 미국 하버드대 의대 교수. 위키미디어 제공.
2024년 노벨 생리의학상은 단일가닥염기 20여 개로 이뤄진 ‘마이크로 RNA(microRNA)’를 발견한 빅터 앰브로스 미국 메사추세츠 의대 교수(71세)와 게리 러브컨 하버드대 의대 교수(72)에게 돌아갔다.
스웨덴 카롤린스카 의대 노벨위원회는 다세포 생물의 발달과 기능에 중요한 역할을 하는 마이크로RNA를 발견한 두 명의 과학자가 올해 노벨상 생리의학상 수상자로 선정됐다고 7일 밝혔다.
이들은 마이크로RNA 발견을 통해 유전자 발현 조절에 대한 연구 패러다임을 바꿨다는 점에 높은 평가를 받았다. 유전자는 다양한 방식으로 발현되며 발현 원리를 이해하면 우리 몸의 다양한 생리 작용의 비밀을 풀 수 있다.
노벨위원회는 “두 학자는 선형동물인 예쁜꼬마선충에서 마이크로RNA인 lin-4가 lin-14라는 유전자의 메신저리보핵산(mRNA)에 결합해 발현을 억제하는 역할을 한다는 점을 발견했다”며 “예쁜꼬마선충에서 발견한 이 중요한 발견은 모든 복잡한 생명체에서 필수적인 유전자 발현에 새로운 관점을 더했다”며 선정 이유를 밝혔다.
마이크로RNA가 생기는 과정(왼쪽). 마이크로RNA도 다른 RNA와 마찬가지로 DNA에서 만들어진다(➊). 마이크로RNA는 드로셔에 잘려(➋) '머리핀'을 닮은 구조만 남은 채 핵에서 빠져나온다(➌). 다이서에 잘린 마이크로RNA는 단백질과 복합체를 이뤄(➍) 특정 mRNA에 붙을 수 있다. 그러면 mRNA가 분해된다(오른쪽). 동아사이언스 제공
마이크로RNA는 세포 내에서 유전자 발현을 조절하는 작은 RNA 분자다. 마이크로RNA의 주요 기능은 mRNA의 번역을 억제하거나 분해해 특정 유전자 발현이 조절되도록 하는 것이다. 인간의 전체 유전자를 운영하는 데는 1000개 이상의 마이크로RNA가 관여하는 것으로 밝혀졌다.
빅터 앰브로스 교수는 1993년 마이크로RNA를 처음 발견한 선구자다. 예쁜꼬마선충에서 마이크로RNA인 lin-4를 발견했다. 마이크로RNA가 mRNA에 결합해 유전자 발현을 조절할 수 있다는 사실을 처음으로 밝혔으며 lin-4가 mRNA 특정 영역에 상보적으로 결합해 해당 유전자의 번역을 억제한다는 것을 확인했다.
이는 마이크로RNA가 중요한 유전자 발현 조절자로 인간을 포함한 생물에서 세포 발달, 분화, 질병 진행 과정에서 중요한 역할을 한다는 것을 널리 알리는 계기가 됐다.
게리 러브컨 교수는 앰브로스 교수가 발견한 마이크로RNA가 유전자 발현 조절에 핵심적인 역할을 한다는 점에 대한 이해를 더욱 심화시키는 역할을 했다. 마이크로RNA가 단순한 유전정보 전달자가 아닌 유전자 발현 조절의 중요한 요소임을 밝히고 다양한 생물에서 마이크로RNA의 보편적인 역할을 입증했다.
암, 신경계 질환, 심혈관질환 등 다양한 질병의 발병과 진행에 마이크로RNA가 관여한다는 사실도 밝혀냈다. 이는 마이크로RNA 발현 패턴이 질병 바이오마커로 활용돼 진단 및 치료 전략에 응용할 수 있다는 점을 시사한다.
송기원 연세대 생화학과 교수는 "마이크로RNA는 mRNA 발현이 안 되게 하거나 잘라서 없앨 수 있다"면서 "암세포를 발현하는 유전자를 훗날 알게 되면 그 mRNA를 타겟팅해서 마이크로RNA를 이용해 없애는 항암제를 만들거나 암 백신을 만들 수 있다"고 말했다. 마이크로RNA로 인한 발현 패턴의 변화는 질병 발병 및 진행에 영향을 미칠 수 있다는 점에서 이를 기반으로 한 치료제 개발이 가능하다는 설명이다.
장수환 서울아산병원 생리학교실 교수는 "두 교수의 연구는 암, 심혈관질환, 그리고 파킨슨병 같은 신경질환 등 다양한 질병에서 유전적 조절 메커니즘이 어떻게 작동하는지를 밝힌 데 기여했다"며 "이는 새로운 치료법을 개발하는 데 중요한 기틀을 마련한 것"이라고 말했다.
한편 1980년대 후반 빅터 앰브로스와 게리 러브컨은 2002년 세포자살유전자를 규명해 노벨 생리의학상을 수상한 로버트 호비츠 교수의 연구실에서 박사후연구원으로 함께 연구한 동료다.
올해 노벨 생리의학상 수상자들은 메달, 증서와 함께 상금 1100만 스웨덴 크로나(약 14억3000만원)를 반씩 나눠갖는다. 상금은 스웨덴 과학자 알프레드 노벨이 1896년 사망하며 남긴 유산을 투자한 금액이다. 생리의학상 시상식은 오는 12월 스웨덴 스톡홀름에서 열린다.
2024 노벨생리의학상은 microRNA 발견과 유전자 조절 원리를 알아낸 미국인 과학자 앰브로스와 루브쿤 박사에게 돌아갔다. [사진=노벨상위원회]
2024년 노벨생리의학상은 마이크로(mirco)RNA를 발견한 빅터 앰브로스(Victor Ambros)와 개리 루브쿤(Gary Ruvkun) 박사에게 돌아갔다. 이들은 미국인 과학자로 유전자 조절 원리에 대한 획기적 발견을 했다는 평가를 받았다.
우리 몸은 유전자로 이뤄져 있다. 부모로부터 물려받고 또한 자식에게 물려준다. 모든 질병과 신체 활동은 이 같은 유전자의 역할이 어떻게 조절되느냐에 따라 영향을 받는다.
앰브로스와 루브쿤 박사는 유전자 활동이 조절되는 방식을 지배하는 기본 원리를 발견한 것이다. 노벨상위원회는 “우리 염색체에 저장된 정보는 우리 몸의 모든 세포에 대한 사용 설명서에 비유될 수 있다”고 설명했다.
근육 세포와 신경 세포 등 다양한 세포 유형에는 특성이 있다. 이 같은 차이는 어디서 비롯되는지를 알아내는 것은 생명체 활동에 매우 중요한 요소이다. 노벨상위원회는 “이번에 생리의학상을 받은 두 명의 과학자들은 각 세포가 관련 지시 사항만 선택할 수 있도록 하는 유전자 조절에 있다는 것을 알아냈다”고 평가했다.
즉 앰브로스와 루브쿤 박사는 다양한 세포 유형이 어떻게 발달하는지에 관심을 갖고 오랫동안 이 분야에서 연구 활동을 이어왔다. 노벨상위원회는 “두 명의 과학자는 유전자 조절에 중요한 역할을 하는 새로운 종류의 작은 RNA 분자인 마이크로RNA를 발견했다”며 “획기적 발견으로 인간을 포함한 다세포 유기체에 있어 완전히 새로운 유전자 조절 원리를 밝혀낸 것”이라고 높게 평가했다.
이들의 발견은 유전자 조절의 새로운 차원을 밝혀냈고 MicroRNA가 유기체의 발달과 기능하는 방식에 근본적으로 중요하게 작동한다는 것을 입증해 냈다고 전했다.
앰브로스와 루브쿤 박사의 연구 노력으로 점점 더 복잡해지는 유기체 진화에 대한 설명이 가능했고 마이크로RNA가 없으면 세포와 조직이 정상적으로 발달하지 않는다는 것을 유전 연구를 통해 파악했다는 것이다.
노벨상위원회는 “마이크로RNA에 의한 비정상적 조절은 암을 일으킬 수 있고 마이크로RNA를 코딩하는 유전자의 돌연변이가 인간에게서 발견돼 선천성 청력 상실, 눈과 골격 장애 등과 같은 질환을 유발하는 것으로 나타났다”고 설명했다.
[2024노벨상] 빅터 앰브로스, 게리 러브컨 2인 공동 수상 마이크로RNA 발견 및 유전자 조절 기능 규명 공로 인정
올해의 노벨 생리의학상은 ‘빅터 앰브로스(Victor Ambros)’ 미국 매사추세츠공과대(MIT) 의대 교수, ‘게리 러브컨(Gary Ruvkun)’ 하버드대 유전학 교수 두 사람에게 돌아갔다. 스웨덴 카롤린스카 의대 노벨위원회는 두 사람을 2024년 노벨상 수상자로 선정했다고 7일 오전(현지시간) 공식 홈페이지 생중계를 통해 발표했다.
두 사람은 마이크로RNA(microRNA, 이하 miRNA)를 발견하고 그 기능을 규명했으며, 나아가 miRNA가 유전자 전사 후 ‘유전자 조절(post-transcriptional gene regulation)’에 중요한 역할을 한다는 사실을 처음으로 밝혀내 인류 생명과학 진보에 이바지했다.
노벨위원회는 이날 발표를 통해 ‘이번 노벨상 결정은 유전자 활동 조절에 대한 근본적인 원칙을 규명한 두 과학자의 공로를 기리는 것’이라고 했다.
miRNA 발견, 왜 중요할까
miRNA는 단일가닥염기(뉴클레오타이드) 20~25개 정도로 이뤄진 작은 분자다. 사람의 몸은 세포 속에서 다양한 단백질 분자를 만들어 내기 때문에 기능을 유지한다. 유전자 본체(DNA)의 정보를 복제한 메신저RNA(mRNA)는 세포 속으로 전달되며, 세포는 mRNA의 정보에 따라 착실하게 여러 종류의 단백질을 생산한다. 우리 몸속 기능을 유지하는 효소의 생산, 상처의 치료, 혈액의 생성 등 모든 인체작용이 이 과정을 통해 이뤄진다. 참고로 mRNA를 구성하는 뉴클레오타이드의 수는 천 개를 훌쩍 넘는다. miRNA가 얼마나 작은 지 알 수 있는 부분이다.
유전 정보의 흐름은 DNA에서 mRNA로, 그리고 단백질로 이어진다. 동일한 유전 정보는 우리 몸의 모든 세포에 있는 DNA에 저장되어 있다. 이를 위해서는 특정 세포 유형에서 올바른 유전자 세트만 활성화되도록 유전자 활동을 정밀하게 조절하는 것이 필요하다. 출처: 노벨위원회
우리 몸속 모든 세포는 동일한 유전 정보를 가지고 있다. 그러나 각 세포는 자신의 역할에 맞는 특정 단백질을 생산한다. 이를 가능하게 하는 것이 유전자 조절 메커니즘이다. 이러한 메커니즘을 통해 근육 세포, 신경 세포 등 다양한 세포는 각자의 특수한 기능을 수행할 수 있다. 앰브로스 교수와 러브컨 교수는 서로 다른 세포 유형이 어떻게 발달하는지 연구하며 miRNA라는 새로운 유형의 작은 RNA 분자를 발견했으며, 모든 이 과정에 miRNA가 관여한다. 각 세포는 필요한 지침을 전달함으로써 필요한 유전자를 활성화한다.
miRNA의 발견과 기능규명은 다세포 생물의 유전자 조절에 중요한 새로운 원리를 찾아낸 것으로 받아들여졌다. 생명체의 발생과 노화 과정은 물론 질병과도 밀접한 관련이 있기 때문이다.
같은 교수 아래 수학한 동문… ‘예쁜꼬마선충’ 연구에서 실마리
1980년대 후반, 당시 앰브로스와 러브컨 교수는 2002년 노벨상 수상자 로버트 호비츠(Robert Horvitz) MIT 생물학교수 실험실에서 박사후연구원으로 함께 연구하던 동문이었다. 둘은 실험용으로 많이 사용하는 ‘예쁜꼬마선충(C. elegans)’이라는 작은 벌레로 연구를 진행했다. 예쁜꼬마선충은 작은 크기에도 불구하고 신경 세포나 근육 세포 등 특수 세포 유형을 두루 갖추고 있어 복잡한 동물에서 볼 수 있는 조직의 발달 및 성숙을 연구하는 데 유용하다.
두 사람은 다양한 세포 유형이 적절한 시기에 발달하도록 지시하는 유전적 프로그램을 찾아내려고 했다. 그 시기를 활성화 하는 조절 유전자에 관심을 가졌다. 이 과정에서 유전적 결함을 보이는 두 가지 돌연변이 선충에서 ‘lin-4’와 ‘lin-14’ 유전자를 찾아내 연구했다. 돌연변이를 일으킨 유전자를 찾아내고 그 기능을 이해하고자 한 것이다.
예쁜꼬마선충은 다양한 세포 유형이 어떻게 발달하는지를 이해하는 데 유용한 모델 생물이다. 앰브로스 교수와 러브컨 교수는 예쁜꼬마선충에서 발견한 lin-4와 lin-14 돌연변이 유전자를 연구했다. 앰브로스 교수는 lin-4가 lin-14의 음성 조절자로 작용할 가능성이 있음을 밝혀냈다. 또 앰브로스는 lin-4 유전자가 단백질을 암호화하지 않는 작은 RNA, 즉 마이크로RNA(microRNA)를 생성한다는 사실을 발견했다. 러브컨 교수는 lin-14 유전자를 복제했으며, 두 과학자는 lin-4 미세 RNA 서열이 lin-14 mRNA의 상보적인 서열과 일치한다는 사실을 알아냈다. 출처: 노벨위원
재미있게도 두 유전자는 서로 관련이 있는 것처럼 기능했다. 앰브로스 교수가 lin-4 유전자가 lin-14 유전자를 억제하는 역할을 한다는 사실을 알아냈는데, 왜 그런 일이 일어나는 지는 알지 못했다. 앰브로스 교수와 러브컨 교수는 이러한 돌연변이 유전자 사이에 어떤 유전적 관여 물질이 있을 것으로 보고 연구를 계속했다.
이후 앰브로스 교수는 하버드 대학교에 새로 자신의 연구실을 만들고, 이곳에서 lin-4 돌연변이를 분석했다. 그 결과 예상치 못한 결과를 얻었다. lin-4 유전자가 단백질 생산을 위한 코드를 가지고 있지 않은, 매우 짧은 RNA 분자를 생성한다는 사실을 알아낸 것이다. miRNA를 최초로 발견한 순간이었다. lin-4가 lin-14를 억제한 이유는 여기서 생겨난 miRNA가 lin-14에 작용했기 때문이었다. 같은 시기 러브컨 교수는 매사추세츠 종합병원과 하버드 의과대학에서 lin-14 유전자의 조절을 연구하고 있었다. 러브컨은 lin-4가 lin-14 mRNA의 생산을 억제하는 것이 아니라, 단백질 생산 과정을 조절해 기능을 억제한다는 사실을 알아냈다.
두 연구진은 자신들의 발견을 비교해 lin-4에서 생성된 miRNA가 lin-14 mRNA 기능에 영향을 미친다고 결론지었다. 그리고 추가 실험을 통해 lin-4에서 나온 miRNA가 lin-14의 mRNA에 결합해 단백질 생산을 차단함으로써 lin-14를 비활성화한다는 것을 확인했다. 이를 통해 두 연구진은 공동으로 ‘miRNA가 존재하며, 실제로 유전자 기능의 조절을 담당한다’는 사실을 밝혀냈다. 이 결과는 1993년 생명과학 분야 세계적 학술지 셀(Cell)에 두 편의 논문으로 발표됐다.
이 결과는 처음에는 과학계에서 거의 주목받지 못했다. 결과가 흥미롭긴 했으나 예쁜꼬마선충에서만 나타나는 특이 현상이며, 인간을 포함한 다른 고등동물과는 관계가 없을 거라 여긴 것이다. 그러나 2000년, 러브컨 교수팀은 또 다른 miRNA를 let-7유전자에서 발견하면서 상황이 급변했다. lin-4와 달리 let-7는 동물계 전체에서 발견할 수 있다. 이 논문은 학계의 큰 관심을 불러일으켰다. 이후 수년간 많은 학자들이 비슷한 연구를 진행, 수백 개의 또 다른 miRNA를 발견했다. 현재 사람에게서 발견된 miRNA는 1000개 이상이다. miRNA에 의한 유전자 조절이 다세포 생물에게 보편적인 현상이라는 것도 밝혀졌다.
이후 과학계는 miRNA에 대한 연구가 빠르게 진행됐다. miRNA의 기능을 정리해 지도로 만드는 연구가 진행 됐으며, miRNA가 어떻게 생성되고, 조절된 mRNA가 어떻게 기능하는지도 연구되고 있다. miRNA는 mRNA와 결합돼 단백질 합성을 억제하거나 mRNA를 분해시키기도 한다. 흥미롭게도, 단일 miRNA는 여러가지 유전자의 발현을 조절할 수 있으며, 반대로 단일 유전자는 여러 miRNA에 의해 조절되기도 한다. 이런 과정을 통해 우리 몸은 전체 유전자 네트워크의 조율 및 세밀한 조정이 가능하다.
RNA 관련 기술은 최근 생명과학계의 중요 연구 테마로 읽힌다. 지난 해(2023년)엔 코로나 백신 제조에 필요한 mRNA 기술을 개발한 카탈린 커리코(Katalin Karikó) 바이오엔테크 수석 부사장과 드류 와이즈만(Drew Weissman) 미국 펜실베이니아대 의대 교수가 노벨생리의학상을 수상했다.
노벨상 수상자는 상금 1100만 스웨덴 크로나(약 13억4000만원)을 받는다. 노벨위원회는 이날 생리의학상을 시작으로 8일 물리학상, 9일 화학상, 10일 문학상, 11일 평화상, 14일 경제학상 수상자를 차례로 발표한다. 노벨상 시상식은 알프레드 노벨의 기일인 12월 10일 스웨덴 스톡홀름(생리의학·물리·화학·문학·경제상)과 노르웨이 오슬로(평화상)에서 열리는 게 관례다.
2024년 노벨생리의학상 수상자로 선정된 ‘빅터 앰브로스(Victor Ambros)’ 미국 매사추세츠공과대(MIT) 의대 교수, ‘게리 러브컨(Gary Ruvkun)’ 하버드대 유전학 교수. 출처: 노벨위원회
(사진=유튜브, Nobel Prize 채널, 'Announcement of the 2024 Nobel Prize in Physics' 캡처)
머신러닝(ML)의 기초를 마련한 공로로 제프리 힌튼 토론토대학교 교수와 존 홉필드 프린스턴대학교 교수가 노벨 물리학상을 받았다. 인공지능(AI) 관련 노벨상 수상자가 탄생한 것은 이번이 처음이다.
스웨덴 왕립과학원 노벨위원회는 8일(현지시간) 2024년 노벨 물리학상 수상자를 발표했다.
위원회는 "인공 신경망을 이용한 머신 러닝을 가능케 하는 기초적인 발견 및 발명과 관련한 공로를 높게 평가했다"라며 "물리학적 도구를 이용해 현재의 강력한 ML 기초 방법론을 개발했다"라고 선정 이유를 밝혔다.
올해로 76세인 힌튼 교수는 '딥 러닝의 대부'로 잘 알려져 있다. 1978년 AI 박사 학위를 취득한 뒤 '역전파(backpropagation) 알고리즘'을 공동 개발했다. 이는 신경망이 실수를 바탕으로 학습하는 방식으로, AI 훈련 방식을 혁신했다는 평가를 받고 있다.
또 지난 2018년에는 딥 러닝 공로를 인정받아 요슈아 벤지오 몬트리올대학교 교수, 얀 르쿤 메타 AI 수석과학자 등과 컴퓨터과학 분야의 최고 권위의 튜링상을 수상하기도 했다.
2013년 구글에 합류했으나, AI의 악영향을 우려한다며 지난해 회사를 떠났다. 현재는 대표적인 AI 비관론자로 꼽힌다.
노벨상 수상 발표 현장에서 전화로 연결된 인터뷰에서는 "AI는 사회에 큰 영향을 미칠 것"이라며 "산업혁명에 비견될 정도"라고 강조했다. 하지만 "여러 나쁜 결과, 특히 AI가 통제 불능 상태가 될 수 있는 위협에 대해서 우려해야 한다"라고 덧붙였다.
91세인 홉필드 교수 역시 AI 분야의 초기 개척자로 꼽힌다.
그는 '홉필드 네트워크'를 개발한 것으로 잘 알려져 있는데, 이는 신경망이 패턴을 저장하고 검색하는 방법을 보여줌으로써 AI를 발전시킨 신경망의 한 유형이다. 즉, 인간의 기억이 작동하는 방식을 모방하고 생물학과 물리학의 원리 중 일부를 계산 시스템에 적용할 수 있는 방법을 보여줬다는 평가다.
수상 소감에서 "AI가 현재로선 상상할 수 없는 수준으로 발전할 것"이라며 "물리학자로서 AI를 통제할 수 없고 한계를 파악할 수 없는 것에 큰 불안함을 느낀다"라고 경고했다.
또 "AI 연구는 물리학과 컴퓨터 과학에서 작동 원리를 이해할 수 없는 분야로 여겨지고 있다"라며 "이는 매우 불안한 일로, 힌튼 교수와 AI에 대한 이해가 중요하다고 강조하는 이유"라고 전했다.
(사진=X, The Nobel Prize)
노벨상 수상자는 금메달과 상패, 1100만스웨덴크로나(100만달러)의 상금 등을 받는다. 수상자가 두명 이상인 경우 상금은 분배된다.
엘렌 문스 노벨 물리학위원회 위원장은 "물리학에서 특정한 특성을 가진 새로운 소재를 개발하는 등 광범위한 분야에서 인공 신경망을 사용한다"라며 "이들의 연구는 이미 많은 혜택을 줬다"라고 설명했다.
한편, 이번 노벨상에서는 AI가 화두로 떠올랐다. 데미스 허사비스 구글 딥마인드 CEO도 단백질 생성 AI '알파폴드'를 개발한 공로로 노벨상 수상자 후보로 거론됐다.
일부에서는 보수적인 노벨 위원회가 AI 개발에 상을 주기에는 아직 이르다는 예측이 등장했으나, 힌튼 교수 등은 AI와 관련한 최초의 수상자로 남게 됐다.
[노벨상 2024] 챗GPT 낳은 인공신경망 토대 구축 존 홉필드·제프리 힌턴 물리학상 영예
올해 노벨물리학상 수상자들. 왼쪽부터 존 홉필드 미국 프린스턴대 물리학과 교수, 제프리 힌턴 캐나다 토론토대 교수.
위키미디어 제공
올해 노벨 물리학상은 오늘날 인공지능(AI)이 지닌 계산능력의 핵심인 인공신경망(ANN)을 통한 기계학습(머신러닝)의 초기 모델을 고안한 과학자들에게 돌아갔다.
스웨덴 왕립과학원 노벨위원회는 존 홉필드(91세) 미국 프린스턴대 물리학과 교수, 제프리 힌턴(77세) 캐나다 토론토대 교수를 올해 노벨 물리학상 수상자로 선정했다고 8일 밝혔다. 노벨위원회는 "인공신경망을 통한 기계학습을 가능케 한 기초적인 발견을 한 공로"라고 설명했다.
인공신경망은 인공지능(AI)이 복잡한 계산을 하는 데 사용하는 알고리즘이다. 사람의 뇌 신경망이 작용하는 방식을 본따 만들었다. 주어진 데이터를 바탕으로 미래의 가능성을 예측하고 의사결정을 내리는 기계학습과 같이 복잡한 작업에 필수적이다. 인공신경망을 사용한 기계학습은 오늘날 사람마저 능가하는 AI 작업능력의 핵심요소로 꼽힌다.
AI 계산능력에서 핵심적인 역할을 하는 인공신경망을 구현하기 위해선 정교한 정보처리 알고리즘이 요구된다. 과학자들은 기존에 가장 정교한 계산 처리 능력을 가진 인간의 뇌 원형에 주목할 수밖에 없었다.
인간의 뇌에서 정보를 주고받는 신경세포(뉴런)는 인공신경망에서 서로 다른 값을 가진 노드(연결점)가 된다. 각 노드의 연결은 신경세포 간 연결인 시냅스에 비유된다. 이러한 연결이 강해지거나 약해지면서 노드들은 서로에게 영향을 미치게 된다. 노드 연결이 정보를 처리할 수 있는 최적의 상태를 찾는 것은 AI 학계의 주된 과제였다.
홉필드 교수는 1980년대에 혁신적인 인공신경망 모델 '홉필드 네트워크'를 제시했다. 이전까지의 인공신경망 알고리즘은 계산이나 학습 과정이 일방향으로만 진행됐다. 반면 홉필드 네트워크는 정보가 지속적으로 피드백을 받으며 처리되는 비선형 구조를 가졌다. 정보에 대한 피드백을 지속적으로 반영하기 때문에 불완전하거나 왜곡된 정보도 정답에 가깝게 추측해낼 수 있다.
홉필드 네트워크의 이같은 작동 방식은 물리학에서 원자나 전자와 같은 작은 입자가 특정한 방향을 갖는 '스핀'이라는 특유의 상태에 착안했다. 왜곡되거나 불완전한 정보가 입력되면 노드들이 단계적으로 작동하면서 불완전한 정보와 가장 유사한 정보를 찾아내는 방식이다.
원자들이 최적의 상태를 유지할 수 있는 조건을 찾는 것은 물리학에서 유명한 '스핀 글라스' 문제다. 홉필드 교수는 인공신경망 알고리즘이 최적의 상태를 갖기 위한 방법을 찾는 데 스핀 글라스 문제를 활용할 수 있음을 제시한 선구적인 인물로 꼽힌다.
거미줄처럼 연결된 인공신경망의 노드를 표현한 이미지. 노벨재단 제공
힌턴 교수는 홉필드 네트워크를 발전시킨 '볼츠만 머신'를 고안했다. 이 알고리즘은 인공신경망에서 각각의 정보를 받아내는 연결점들을 복잡한 거미줄처럼 구성했다. 연결점들은 드러난 점과 숨겨진 점으로 구분된다. 볼츠만 머신은 숨겨진 노드를 활용해 알고리즘의 계산 효율을 높이고 네트워크가 최적의 상태를 유지할 수 있도록 했다.
볼츠만 머신의 이름은 오스트리아 출신 물리학자 루트비히 볼츠만에서 따왔다. 볼츠만은 기체 분자가 어떻게 운동하는지에 대한 이론을 확률 분포의 도입으로 해결해 통계물리학의 시초를 만들어냈다. 볼츠만 분포를 나타내는 방식이 볼츠만 머신의 핵심 원리로 활용되면서 그의 이름이 붙여졌다.
조정효 서울대 물리교육과 교수는 "머신러닝에서 생성 모형은 어떤 데이터를 들여다봤을때 각 샘플이 나올 확률을 학습한다"며 "현재 널리 쓰이는 언어 모델 챗GPT나 디퓨저 모델처럼 이미지를 생성하는 모델은 다 생성 모형"이라고 말했다. 이어 "생성 모형의 기반이 되는 아주 고전적인 모델이 바로 볼츠만 머신"이라고 설명했다.
이들 과학자는 이후 AI 산업계에서 활발한 활동을 이어갔다. 특히 힌턴 교수는 직접 기계학습 업체 'DNN리서치'를 설립했다. 이후 2013년 DNN리서치가 구글에 인수되면서 그는 약 10년 간 구글의 AI 연구를 맡아왔다. 힌턴 교수는 2018년 컴퓨터 공학계의 노벨상으로 불리는 튜링상을 받기도 했다.
조정효 교수는 "힌턴 교수는 실제 뇌가 학습하는 원리는 뭘까 끊임없이 고민을 했던 것 같다"며 "성과보다도 실제로 우리 두뇌가 어떻게 작동하고 있는가에 계속 궁금해하고 연구를 하신 것 같다"고 말했다. 이어 "AI 분야에 겨울이 몇번 찾아왔는데도 꾸준히 인공신경망을 연구했던 그룹"이라며 "연구팀에서 계속 브레이크스루가 된 알고리즘이 나왔다"고 말했다.
올해 노벨상 수상자에겐 1100만 스웨덴 크로나(약 14억3451만원)가 수여된다. 이번 물리학상 수상자 2명은 상금을 2분의 1씩 나눠갖는다.
9일 스웨덴 스톡홀름의 스웨덴 왕립 과학 아카데미에서 2024년 노벨 화학상 수상자가 발표되고 있다.
공유
단백질 구조 파악 등에 공헌한 생화학자 1명과 인공지능(AI) 전문가 2명이 올해 노벨화학상 수상자로 선정됐습니다.
스웨덴 왕립과학원 노벨위원회는 9일 미국 워싱턴주립대 산하 단백질설계연구소 소장인 데이비드 베이커 교수와 미국 구글(Google) 산하 AI 기업 ‘딥마인드’의 데미스 허사비스 최고경영자(CEO)와 존 점퍼 선임연구원을 노벨화학상 수상자로 선정했다고 밝혔습니다.
노벨화학위원회 하이너 링케 위원장은 베이커 교수가 이른바 ‘계산 단백질 설계(computational protein design)’에 기여했다며, 이는 “과학자들이 전에 없던 모양과 기능을 가진 놀랍고도 새로운 단백질을 설계할 수 있는 도구를 개발”한 것이라고 설명했습니다.
2020년 ‘알파폴드2’라는 AI모델을 개발해 발표한 허사비스 CEO와 점퍼 연구원은 AI 기술을 통해 2억 개의 단백질 구조를 예측하는 데 공헌했다고 노벨위원회는 말했습니다.
그러면서 두 사람은 AI모델을 통해 단백질을 구성하는 아미노산에 대한 분석으로 복잡한 단백질 구조를 예측하는 “50년 된 꿈”을 실현했다고 밝혔습니다.
2024 노벨 화학상 수상자인 데이비드 베이커(왼쪽부터) 미국 워싱턴대 의대 교수, 데미스 허사비스 구글 딥마인드 최고경영자(CEO), 존 점퍼 구글 딥마인드 수석연구원. 노벨위원회 누리집
전세계를 휩쓴 인공지능(AI) 열풍이 노벨상에도 불었다. 물리학상에 이어 화학상도 인공지능 연구로 공을 세운 연구자에게 돌아간 것이다.
스웨덴 노벨위원회는 9일(현지시각) 2024년 노벨 화학상 수상자로 단백질의 복잡한 3차원 구조를 설계하고 예측하는 데 기여한 데이비드 베이커(62) 미국 워싱턴대 단백질디자인연구소 교수, 구글 딥마인드의 데미스 허사비스(48) 최고경영자와 존 점퍼(39) 수석연구원 3명을 선정했다. 노벨위원회는 올해 화학상은 “생명의 독창적인 화학 도구인 단백질에 관한 것”이라며 “단백질 구조를 예측하고 우리만의 단백질을 설계할 수 있다는 것은 인류에게 큰 이점을 제공했다”고 설명했다. 상금의 절반은 베이커 몫이며, 나머지 절반은 딥마인드의 두 연구자가 나눠 갖는다.
노벨위원회는 베이커가 “완전히 새로운 종류의 단백질을 만드는 거의 불가능한 업적을 달성했다”고 평가했다. 단백질은 생명체를 구성하는 기본 요소로서 거의 모든 생명 활동에 관여하는데, 20가지의 아미노산이 3차원으로 복잡하게 얽혀 있는 구조를 갖고 있다. 베이커는 2003년 이런 ‘빌딩 블록’들을 사용해 기존에 없던 새로운 단백질을 설계하는 데 성공했다. 이는 이후 의약품, 백신, 나노 소재 등으로 사용할 수 있는 단백질을 개발할 수 있는 토대가 됐다.
특히 베이커의 연구팀은 반딧불 같은 발광생물에 포함된 루시페린이라는 물질을 산화한 에너지로 빛을 내게 하는 효소인 ‘루시페라아제’를 생성하는 인공지능 모델 ‘로제타폴드’도 개발해 주목받았다. 자연에서 발견되는 효소에 의존하지 않고 화학 반응을 위한 맞춤형 효소를 대부분 인공지능으로 만들어낼 수 있는 역사적 기반을 닦았다는 평가다.
인공지능이 예측한 단백질 접힘 구조의 사례. 사이언스 제공
구글 딥마인드의 최고경영자인 데미스 허사비스와 수석연구원 존 점퍼는 노벨위원회로부터 “인공지능을 활용해 인간의 모든 생명 현상에 관여하는 단백질 구조를 예측”한 공적을 인정받았다. 단백질에서 아미노산은 긴 사슬로 이어지고 접혀서 3차원 구조를 형성하며, 각각의 구조에 따라 나름의 기능을 한다. 이 ‘단백질 접힘’의 구조를 밝히는 것은 매우 어려운 일이었는데, 두 사람이 2020년 만든 인공지능 ‘알파폴드2’는 여태껏 190개국 200만명 연구자들이 사용하며 2억개의 단백질 구조를 예측해내는 토대를 마련했다. 2018년 처음 등장했던 알파폴드는 20여년 동안 단백질구조예측대회(CASP)에서 30~40%대에 머물던 단백질 구조에 대한 예측률을 단번에 60%로 끌어올렸고, 존 점퍼가 주도한 알파폴드2는 2020년 90%가 넘는 예측률을 기록했다. 노벨위원회는 이로써 “연구자들은 이제 항생제의 내성을 더 잘 이해하고 플라스틱을 분해할 수 있는 효소의 이미지를 만들어낼 수 있게 됐다”고 평가했다. 알파폴드는 이번 공동 수상자인 베이커가 로제타폴드를 만드는 데 영향을 주기도 했다.
허사비스 최고경영자는 최근에 새로운 버전의 ‘알파폴드3’를 소개하며 “향후 몇년 안에 인공지능이 설계한 약이 환자에게 투여될 수 있다”고 밝혔다. 인공지능을 이용하면 암세포와 치료제의 결합 방식과 구조를 예상해 그만큼 신약 개발 기간을 획기적으로 단축할 수 있다는 전망이 나온다.
전날엔 예상을 뒤엎고 기계학습의 기초가 되는 방법론을 개발한 ‘인공지능의 대부’ 제프리 힌턴이 노벨 물리학상을 받았는데, 이날 화학상에서도 인공지능 연구자가 수상하는 상황이 연출됐다. 석차옥 서울대 교수(화학)는 “이세돌과 알파고 대결로 기술이 검증된 인공지능을 이용해 단백질 구조 연구를 시도한 게 허사비스와 점퍼”였다며, “인공지능이 모든 생명 현상에 관여하는 수십만개의 단백질 3차원 구조를 규명할 정도로 인류를 변화시키고 있다”고 말했다.
[2024노벨상] 데이비드 베이커, 데미스 하사비스, 죤 M 점퍼 3인 공동 수상 알파고로 세계 놀라게 했던 AI 기술력, 노벨상으로 이어져
2024년 노벨 화학상은 단백질 구조를 분석하고 설계, 및 예측할 수 있는 방법을 인공지능(AI)을 이용해 찾아낸 세 사람의 과학자에게 돌아갔다.
스웨덴 왕립 과학 아카데미 노벨위원회는 2024년 노벨 화학상의 절반을 데이비드 베이커(David Baker) 미국 시애틀대 교수에게, 나머지 절반을 데미스 하사비스(Demis Hassabis) 영국 구글 딥마인드 최고경영자(CEO)와 존 점퍼(John M. Jumper) 구글 딥마인드 선임 연구원 두 사람에게 수여한다고 9일 오전(현지시간) 발표했다. 이에 따라 1000만 스웨덴 크로나(약 13억 원)의 상금은 베이커 교수가 절반을, 허사비스 CEO와 점퍼 연구원 두 사람은 4분의 1을 받게 된다.
노벨위원회는 “베이커 교수는 ‘계산적 방법의 단백질 설계법(Computational protein design)’을 개발한 공로를, 허사비스 CEO와 점퍼 연구원은 ‘단백질 구조 예측(protein structure prediction)’에 대한 공로를 인정해 노벨화학상을 수여한다”고 했다. 베이커 교수는 새로운 단백질을 설계하는 ‘로제타’를 개발했으며, 허사비스 CEO와 점퍼 연구원은 단백질 3차원 구조와 기능을 예측하는 AI ‘알파폴드’를 개발했다.
베이커 교수는 현재 워싱턴대에서 생화학과 교수직을 맡고 있으며, 동시에 하워드 휴즈 의학 연구소 연구원으로 활동하고 있다. 워싱턴대 내에서 그의 활약은 괄목할 만하다. 생화학과 이외에 유전체학, 생명공학, 화학공학, 컴퓨터 과학, 물리학의 겸임 교수로도 활동 중이다.
허사비스 CEO는 ‘알파고’를 개발해 세계적으로 알려진 AI 전문가다. AI 기업 ‘딥마인드’를 창업했으며, 이 기업이 구글로 인수합병 되면서 ‘구글 딥마인드’로 이름이 바뀌었다. 현재 구글의 AI 개발 전략을 진두지휘 하고 있다. 점퍼 연구원은 2017년에 이론물리학 박사 학위를 받은 후 구글 딥마인드에 합류했다. 단백질 시뮬레이션에 대한 경험을 바탕으로 알파폴드를 개선에 참여했다. 새롭게 개선된 알파폴드2는 점퍼의 지식을 바탕으로 만들어졌다.
단백질 구조는 왜 중요할까
생명 현상을 ‘화학’으로 이해할 수 있을까. 이 질문에 대한 답은 ‘단백질의 존재’에 있다. 단백질은 생명의 화학적 도구다. 단백질은 일반적으로 20개의 아미노산으로 구성되며, 이 아미노산들은 끝없이 다양한 방식으로 결합한다.
우리 몸은 DNA에 저장된 정보를 설계도 삼아 세포 내에서 아미노산을 긴 사슬 형태로 만들어낸다. 이 과정에서 아미노산 사슬은 꼬이고 접히면서 독특하고, 때로는 유일무이한 3차원 구조를 형성한다. 이 구조가 단백질의 기능을 결정한다. 일부 단백질은 근육, 뿔, 깃털과 같은 화학적 건축 블록이 되고, 다른 일부는 호르몬이나 항체가 된다. 많은 단백질이 효소로 작용해 생명의 화학 반응을 정밀하게 촉진한다.
단백질은 수십 개에서 수천 개의 아미노산으로 구성될 수 있다. 아미노산의 연속적인 배열은 접혀서 단백질의 기능을 결정하는 3차원 구조를 형성한다. 출처: 노벨위원회
노벨위원회는 2024년 노벨 화학상을 ‘이런 아미노산을 이해하고 통제한 사람들에게 주는 것’이라고 했다. 상의 절반은 하사비스 CEO와 점퍼 연구원이 수상했다. 이들은 AI를 활용해 화학자들이 50년 이상 해결하지 못한 문제, 즉 아미노산 서열로부터 단백질의 3차원 구조를 예측하는 문제를 성공적으로 해결했다. 이를 통해 2억 개 이상의, 거의 모든 알려진 단백질 구조를 예측할 수 있게 됐다. 나머지 절반은 베이커 교수가 받았다. 그는 기존에 존재하지 않았던 새로운 단백질을 만들고, 그 기능을 부여하는 방법을 개발해냈다.
단백질 구조를 분석, 예측할 수 있으면 생명의 신비를 이해하고, 질병의 원인을 규명할 수 있으며, 나아가 신약개발을 가속할 수 있다. 그러나 과거에는 이 일이 그리 쉽지 않았다. 긴 연구 과정을 통해 화학자들은 단백질의 아미노산 서열을 알게 되면, 그 단백질의 3차원 구조를 예측할 수 있을 거라고 생각했다. 만약 그 방법을 알아낸다면 번거로운 엑스선 결정학을 사용하지 않아도 되므로 많은 시간을 절약할 수 있다. 또 엑스선 결정학이 적용되지 않는 모든 단백질에 대해서도 구조를 생성할 수 있게 된다. 이 때문에 연구자들은 1994년에 매 2년마다 열리는 ‘세계 단백질 구조 예측 대회(CASP)’를 시작했다. 생화학 분야 연구자들은 여기에 경쟁적으로 도전하기 시작했다.
2024 노벨 화학상 수상자들의 업적
그러나 단백질 구조를 예측하기란 매우 어려웠다. CASP에 참가한 연구자들이 제출한 예측 결과와 실제 구조 사이에 차이가 적지 않았으며, 대회가 거듭돼도 실패율은 개선되지 않았다. 돌파구는 허사비스 CEO가 이 분야에 뛰어들면서 열렸다. 그는 2018년 CASP 대회에 참가 등록했으며, 알파폴드라는 AI 모델을 사용해 60%의 정확도로 단백질 구조를 예측, 대회에서 우승하는 결과를 낳았다. 그러나 성과는 아직 충분하지 않았다. 실용성을 확보하려면 적어도 90%의 정확도를 달성해야 했다.
이 문제를 해결할 때 결정적 도움을 준 것이 점퍼 연구원이었다. 이후 허사비스와 점퍼는 AI 모델을 근본적으로 개혁했다. 새롭게 개선된 알파폴드2는 방대한 단백질 구조 및 아미노산 서열 데이터베이스를 학습했다. 2020년 CASP 대회에선 대부분의 경우 엑스선 결정학과 거의 동일한 수준의 정확도를 보였다.
허사비스 CEO가 개발한 알파폴드2는 이미 인간의 모든 단백질 구조를 계산했으며, 현재까지 발견된 2억 개 이상의 단백질 구조를 예측했다. 이미 이 AI 모델은 전 세계 190개국에서 200만 명 이상의 연구자들이 사용하고 있다. 단백질 구조 예측에 걸리는 시간을 기존의 수년에서 몇 분으로 단축했다.
베이커 교수는 ‘기존에 존재하지 않았던 새로운 단백질’을 설계하는 데 성공했다. 그는 1990년대 후반 컴퓨터 소프트웨어인 로제타(Rosetta)를 개발했으며, 1998년 CASP 대회에 로제타를 사용하여 처음으로 참가했다. 다른 참가자들과 비교했을 때 훌륭한 성과를 거뒀다. 이 성공은 새로운 아이디어로 이어졌다. 로제타를 역으로 사용할 수 있을 것이라는 생각이었다. 아미노산 서열을 입력해 단백질 구조를 얻는 대신, 원하는 단백질 구조를 입력해 그에 맞는 아미노산 서열을 제안받는 방식으로 완전히 새로운 단백질을 만들 수 있는 가능성을 발견했다. 이러한 단백질 설계는 새로운 나노물질, 표적 치료제, 백신 개발 등 다양한 분야에 응용될 수 있다. 2021년에는 인플루엔자(독감) 바이러스를 모방한 단백질을 이용해 백신을 개발하는 데 성공했다. 이는 동물 실험에서 긍정적인 결과를 보였다.
그 이후 맞춤형 단백질을 만드는 단백질 설계 분야가 본격적으로 발전하기 시작했다. 과거에는 기존의 단백질을 약간 변형해 사용했다. 그러나 자연적으로 존재하는 단백질의 범위는 제한적이다. 베이커 교수 “비행기를 만들고 싶다면 새를 변형하는 것에서 시작하지 않는다”면서 “항공역학의 기본 원리를 이해하고 그 원리에서 비행 기계를 만들어야 한다”고 한 바 있다.
베이커 교수팀은 이후 알파폴드와 같이 단백질 구조 예측까지 가능한 AI ‘로제타폴드’를 개발, 발표하기도 했다. 로제타폴드는 2021년 알파폴드2와 같은 날 공개됐다. 한편 로제타폴드 개발엔 한국인 과학자도 참여했다. 백민경 서울대 생명과학부 교수가 2019년부터 3년간 베이커 교수팀에서 박사후연구원으로 근무하며 로제타폴드 개발 관련 논문의 1저자를 맡은 바 있다.
AI가 시대의 흐름인 것은 분명해 보인다. 9일로 2024년 과학 분야 노벨상 수여는 끝이 났으며 올해 과학분야 노벨상 수상자는 모두 7명(생리의학 2명, 물리 2명, 화학 3명)이 배출됐다. 그중 5명이 AI의 발전을 주도했거나, AI를 이용해 혁신적 연구성과를 이뤄낸 연구자였다. 앞으로 10일 문학상, 11일 평화상, 14일 경제학상 수상자 발표가 이어진다. 노벨상 수상 주체는 여러 곳이다. 물리학상, 화학상, 경제학상은 스웨덴 왕립과학아카데미가, 생리·의학상은 스톡홀름에 있는 카롤린 의학연구소가, 문학상은 스웨덴·프랑스·에스파냐의 세 아카데미가, 평화상은 노르웨이 국회가 선출한 5인 위원회가 각각 수여하고 있다.
2024년 노벨 화학상 수상자 발표 영상 중 일부. 수상자 세 사람의 사진이 보인다. 출처: 노벨 위원회 유투브 영상 캡처 출처 : 파퓰러사이언스(http://www.popsci.co.kr)
[노벨상 2024] 단백질과 분자 상호작용도 예측…화학상 알파폴드2에서 진일보한 알파폴드3
Midjourney, 과학동아 제공
'GOAT(Greatest Of All Time)'라는 표현이 있다. 역대 최고라는 뜻의 신조어다. 오늘날 생명과학에서 GOAT를 꼽자면 알파폴드(AlphaFold)를 빼놓을 수 없을 것이다. 알파폴드는 구글 딥마인드가 개발한 인공지능(AI) 프로그램이다. 아미노산 서열로 단백질의 구조를 예측하는 이 프로그램은 2018년 첫 공개된 이후로 생명과학의 판도를 뒤집어 놨다.
지난 5월 8일 알파폴드의 최신 버전 '알파폴드3'가 공개됐다. "기존의 어떤 모델보다도 더 정확하게 단백질과 생체 내 분자의 상호작용을 예측할 수 있다"는 연구자들의 설명에 앞으로 알파폴드3가 신약개발 혁신을 이끌 것이라는 기대감이 고조된다. 2024년 노벨 화학상을 안긴 알파폴드2에서 진일보한 알파폴드3에 대해 당신이 꼭 알아야 할 정보를 4가지 포인트로 톺아봤다.
"우리의 AI 시스템은 과학계의 오랜 도전 과제를 풀어 질병의 정복이나 일회용 플라스틱의 분해 등 인류에게 중요한 문제를 해결하는 데 도움이 되고 있습니다. 언젠가는 생명 그 자체의 미스터리를 밝히는 데에 도움이 될지도 모르죠."
구글 딥마인드 홈페이지에서 찾아볼 수 있는 알파폴드(AlphaFold) 소개 문구다. 거창해 보이지만 과장은 없다. 알파폴드는 그렇게 대단한 프로그램이 맞다. 알파폴드는 아미노산 서열을 토대로 단백질의 구조를 예측한다. 단백질은 생명활동을 조절하는 핵심 분자다. 항체, 세포막, 효소 등을 구성한다.
단백질의 구조와 기능은 서로 밀접한 연관성을 갖고 있다. 주어진 아미노산 서열로 만들 수 있는 단백질의 구조를 알면 이 단백질이 생체 내에서 어떤 일을 할 수 있는지 가늠할 수 있다. 거꾸로 구조를 바꿔가며 원하는 기능을 하는 단백질을 설계하는 일 또한 가능하다. 그래서 과학자들은 수십 년간 단백질의 구조를 정확하게 예측할 방법을 탐색하고 있었다.
그러던 2018년 알파폴드가 공개됐다. 그해 12월 열린 제13회 단백질 구조 예측 대회(CASP13)에서 알파폴드는 97개 팀 중에서 우승을 차지하며 화려하게 데뷔했다. 이어 2020년 개최된 CASP14에서는 알파폴드2가 평균 92.4점으로 1위를 차지했다. CASP에서 90점 이상의 점수를 받은 프로그램은 알파폴드2가 역대 최초다.
올해 5월 8일 구글 딥마인드와 아이소모픽 랩스 공동연구팀이 국제학술지 '네이처'에 알파폴드3을 공개했다. 알파폴드2가 공개된 지 4년 만의 일이다.
연구팀은 논문을 통해 "알파폴드3은 단 하나의 통일된 딥러닝 프로그램으로 단백질과 리간드 간의 상호작용, 단백질과 핵산, 항체 등의 상호작용을 기존에 출시된 프로그램보다 더 정확히 예측할 수 있다"고 소개했다. 단백질과 단백질 사이의 상호작용만 예측하던 기존 알파폴드보다 한 발짝 나아간 셈이다. (doi: 10.1038/s41586-024-07487-w)
'역대 최고'의 단백질 구조 예측 프로그램이 보인 새 행보에 과학계가 흔들렸다. 리간드, 핵산, 항체 등 생체분자와 단백질의 상호작용을 정확히 예측하면 단백질을 활용한 신약 개발에 큰 도움이 된다.
구글 딥마인드는 "알파폴드3의 도약은 앞으로 재생가능소재 개발과 작물의 질병 저항성을 높이는 연구에 도움이 되고 나아가 약물 설계 속도를 올리거나 유전학 연구 등에 큰 역할을 해 과학계의 전환을 이끌 것"이라고 했다.
단백질 구조 예측 대회 우승팀 점수, 알파폴드3가 단백질과 DNA의 상호작용을 계산해 3차원 이미지로 나타낸 구조. Nature, Deepmind 제공
● Strength. 디퓨전 모델로 더욱 섬세한 예측
6월 5일 알파폴드2 개발에 참여했던 마틴 스타이네거 서울대 생명과학부 교수와 화상 인터뷰를 진행했다. 스타이네거 교수는 "알파폴드2와 3의 아키텍처(구조) 자체는 비슷하다"면서 "다만 디퓨전 모델을 적용한 부분이 가장 두드러지는 차이점"이라고 짚었다.
알파폴드2에서는 단백질 구조를 예측할 때 기본 뼈대가 되는 부분을 몇 가지 덩어리로 뭉뚱그려 계산했다. 각각의 덩어리가 3차원 공간에서 어떻게 움직이는지만 보면 되니 계산이 쉽다. 그러나 단백질의 세밀한 구조를 예측하기는 어렵다는 단점이 있었다. 한편 알파폴드3에서는 디퓨전 모델을 이용해 단백질을 구성하는 각 원자의 좌표를 바로 구해 더 섬세한 구조를 알 수 있다.
그동안 알파폴드의 핵심 역할을 해온 건 다중 서열 정렬(MSA) 알고리즘이었다. MSA 알고리즘이 불러온 혁신을 이해하기 위해선 알파폴드의 세부 원리를 알아야 한다. 단백질은 20종의 아미노산이 구슬 꿰듯 줄지어 연결돼 만들어진 한 가닥의 폴리펩타이드로부터 시작한다. 폴리펩타이드는 아미노산 간의 상호작용에 따라 2차, 3차구조를 형성하며 접힌다.
구글 딥마인드는 아미노산 간의 상호작용을 일일이 계산하지 않고도 단백질의 입체 구조를 알아낼 꾀를 썼다. 그게 MSA 알고리즘이다. 지난 수십 년간 생물학자들은 사람을 비롯해 쥐, 바퀴벌레, 아메바 등 생명체 속 단백질 구조를 밝히고 데이터베이스로 만들어왔다. 그 덕에 우리는 이미 지구상의 단백질 약 2억 개의 구조와 아미노산 서열을 알고 있다.
같은 종류의 단백질이라도 생물종에 따라 아미노산 서열이 조금씩 다르다. 진화적으로 가까운 생물일수록 서열이 비슷하다. MSA 알고리즘은 주어진 아미노산 서열과 유사한 것들을 유사성 기준으로 나열한다.
그러면 아미노산 서열이 종에 따라 달라질 때 반드시 함께 변하는 공진화(coevolution) 쌍을 발견할 수 있다. 공진화 쌍은 해당 아미노산 서열로 단백질을 만들 때 3차원 구조상에서 서로 붙어있는 지점이라고 해석된다.
알파폴드와 단백질 구조 결정 원리. 과학동아 제공
공진화 쌍을 기준으로 '접으면' 처음 보는 단백질의 구조도 쉽게 예측할 수 있다. 이것이 MSA 알고리즘의 핵심 아이디어다. AI는 무작위처럼 보이는 데이터 뭉치에서 규칙성을 찾아내는 능력이 사람보다 더 뛰어나다. 알파폴드는 AI를 이용해 수만 개의 아미노산 서열에서 공진화 쌍을 빠르게 찾는다. 그리고 공진화 쌍이 3차원 공간에서 서로 붙어있다는 규칙을 적용해 전체 단백질의 구조를 알아낸다.
MSA 알고리즘의 한계는 곧 알파폴드의 한계가 됐다. 기존의 단백질 구조 데이터베이스 상에 비슷한 단백질 서열이 몇 개 없으면 공진화 쌍을 많이 찾을 수 없다. 그래서 다양한 생물에 널리 분포한 단백질의 구조는 정확하게 예측할 수 있는 반면 인간이나 포유류 등에서만 찾아볼 수 있는 단백질의 구조는 상대적으로 예측 정확도가 떨어졌다.
알파폴드3은 새롭게 적용된 디퓨전 모델을 이용해 기존 알파폴드의 한계를 극복한다. 디퓨전 모델은 원자와 원자 사이 공간적인 배열 패턴을 예상해 화학물질의 구조를 예측한다. 단백질 구조 데이터베이스 상에 유사한 단백질이 몇 개 없는 경우라도 상관없다.
심지어 단백질이 아닌 분자여도 상관없다. 그래서 알파폴드의 경쟁자인 로제타폴드(RoseTTAFold)도 2022년부터 디퓨전 모델을 적용해왔다. 기존 MSA 알고리즘의 장점과 디퓨전 모델의 장점을 결합해 단백질과 단백질뿐만 아니라 DNA, 리간드, 항체 등 분자와 단백질 사이의 상호작용까지도 예측 가능하다는 게 알파폴드3의 강점이다.
알파폴드3의 전체 아키텍쳐(구조) . Nature 제공
주황색 화살표는 정보 입력 과정을 나타낸다. 단백질의 아미노산 서열이나 리간드, DNA 정보 등을 입력하면 유사한 단백질 구조와, 단백질 유전정보 데이터, 그리고 단백질 내 원자의 연결관계 데이터(컨포머)를 탐색한다. 탐색한 정보를 '정보입력'단에서 통합한다.
파란색 화살표는 실제로 단백질 구조를 구현하는 과정이다. 구조 모듈, MSA 모듈, 페어포머를 거치며 전체적인 단백질의 구조를 그린다. 초록색 화살표는 최종적으로 단백질 구조를 만드는 과정이다. 디퓨전 모델을 이용한다.
● Weakness. 여전히 실험을 대체할 순 없어
논문을 통해 공개된 알파폴드3의 성적표를 살펴보자. 원래 잘하던 건 여전히 잘하고 있다. 단백질과 단백질 사이의 상호작용을 예측하는 능력은 76.6%로 나타났다. 이전 버전인 알파폴드2.3보다 1.1%p 높아진 수치다. 리간드, RNA, DNA, 항체와 단백질의 상호작용을 예측하는 능력은 각각 76.4%, 39.4%, 64.8%, 62.9%로 이전 버전이나 로제타폴드 등 타사의 단백질 구조 예측 프로그램과 비교해서도 뛰어났다.
하지만 6월 10일 서울대에서 만난 이주용 서울대 약대 교수는 논문 데이터를 살펴보며 "아직 실제 실험을 대체할 만큼 잘 예측하진 못한다"고 설명했다. 실제로 연구팀은 논문에서 알파폴드3가 가진 네 가지 한계점을 지적하기도 했다. 우선 분자가 거울상 이성질체인 경우 해당 분자의 이성질성을 예측할 때 4.4%의 오차범위가 발생함을 발견했다.
알파폴드3의 핵심 개선사항인 디퓨전 모델은 원래 이미지 생성 AI에서 쉽게 찾아볼 수 있는 기법이다. 디퓨전 모델의 부작용은 이미지 왜곡이다. 디퓨전 모델이 그림을 그릴 때 사람의 손가락을 여섯 개 만든다거나 얼굴 주름이 이상하게 연결되는 등 미세한 왜곡이 발생하는데 이것이 단백질의 구조를 예측할 때도 동일한 양상으로 생겨난다.
스타이네거 교수는 "디퓨전 모델을 사용하지 않았던 알파폴드2에서는 없었던 부작용이라 앞으로 많은 개선이 필요할 것"이라고 지적했다.
데미스 허사비스 구글 딥마인드 최고경영자(CEO)가 단백질 모형을 바라보고 있다. 그는 알파폴드2 개발에 기여한 공로로 노벨 화학상을 받았다. Tribeca 제공
연구팀은 논문에서 "이전 버전과 동일하게 알파폴드3도 여전히 단백질 구조 데이터베이스 상에 있는 구조를 모방할 뿐 실제 생체 내에서 단백질이 어떻게 생겼는지를 정확히 예측하지는 못한다"고 짚었다. 이어 "알파폴드3의 구조 예측 정확도가 크게 향상되었음에도 불구하고 여전히 항원-항체 복합체의 구조를 정확히 예측하기도 어렵다"고 했다.
이 교수는 "항원과 항체가 결합하는 부분은 유연하게 움직이는 예측이 어려운 부분"이라고 설명했다. 스타이네거 교수는 "알파폴드3의 개발을 지휘한 존 점퍼 알파폴드 수석연구원은 단백질이 생체 내에서 어떻게 움직이는지 예측하는 기능을 구현하고 싶어했다"면서 "그러나 알파폴드3에 해당 기능이 없는 걸 보면 아직 많은 개발이 필요한 것으로 보인다"고 말했다.
● Opportunity. AI 제약이라는 거대한 시장
약점을 극복한 알파폴드3에게 펼쳐질 미래는 밝다. 시장이 움직이고 있기 때문이다. 한국제약바이오협회가 2023년 7월 발표한 'AI 뉴노멀 시대의 도래와 신약 개발' 보고서에 따르면 2022년 6억 980만 달러(약 8373억 원) 규모이던 전 세계 AI 신약 개발 시장은 매년 연평균 45.7%씩 성장해 2027년엔 40억 350만 달러(약 5조 4969억 원) 규모에 이를 것으로 전망된다.
AI는 신약 개발 전반에 활용될 수 있다. 특히나 알파폴드의 활약이 주목되는 건 신약 후보 물질 발굴부터 임상 1상까지 이어지는 과정이다. 석차옥 서울대 화학부 교수는 신약 개발 소프트웨어 회사인 '갤럭스'의 대표를 겸하고 있다.
그는 6월 10일 인터뷰를 통해 "신약 개발은 약효를 내기 위해 체내에서 타깃으로 할 단백질을 찾은 다음 이 단백질에 작용하는 분자를 발굴하고 그 분자의 실제 효능과 독성을 테스트한 뒤 임상 시험을 진행하는 단계로 구성된다"고 말했다.
알파폴드와 같은 단백질 구조 예측 AI는 타깃 단백질의 형태를 찾고 여기에 작용할 분자와의 상호작용을 예측하는 등 신약 후보 물질을 발굴하는 시간을 줄여준다. 석 교수는 "현재 미국식품의약국(FDA)에서는 신약을 발굴할 때 가장 많은 시간을 차지하는 임상 단계를 단축하려는 노력도 있다"면서 "미래에는 AI가 이 부분에서 시간을 당겨주는 역할을 해줄 것"이라고 내다봤다.
아미노산 서열을 토대로 단백질의 구조를 알아내는 알파폴드의 능력은 단백질 신약을 설계하는 데 큰 도움이 된다. 석 교수는 "단백질 구조 예측 AI가 발전하면 AI가 단백질 신약 후보 10개를 설계하고 이 10개에 대한 독성 시험과 임상 시험만 진행하면 되는 미래가 올 수도 있다"고 했다.
실제로 지난 1월엔 글로벌 제약사인 일라이릴리와 노바티스가 알파폴드의 개발을 맡은 구글 아이소모픽 랩스와 30억 달러(약 4조 원) 규모의 공동개발 파트너십을 체결한 바 있다. 데미스 허사비스 구글 딥마인드 공동설립자(아이소모픽 최고경영자)는 "파트너십을 통해 알파폴드의 독점 기술 플랫폼을 글로벌 제약사의 신약 개발에 적용하고 의약품 설계 접근 방식을 획기적으로 발전시킬 것"이라고 말했다.
알파폴드3는 AI 신약 개발 시장을 본격적으로 열어주는 데 한몫 할 것으로 기대를 모은다. 현재 국내 AI 신약개발 스타트업은 2023년 상반기 기준 51개다. 사진은 그 중 한곳인 온코크로스의 연구실 전경. 온코크로스 제공
● Threat. '오픈 사이언스'의 문 닫혀
산업계에서는 각광받는 알파폴드3이지만 학계의 반응은 의외로 차갑다. 알파폴드2가 공개될 때는 전체 소스코드를 함께 공개하면서 생명과학의 큰 공진화를 불러왔다. 알파폴드2의 논문을 인용한 수가 1만 3000건, 열람 수가 1억 6000만 건일 정도다. 알파폴드2를 이용해 항우울제 후보물질을 수십만 개 발견하는 등 실제 논문으로 이어지는 성과도 나온다.
그러나 이번 알파폴드3에는 소스코드가 함께 공개되지 않았다. 알파폴드 서버를 통해 알파폴드3을 이용할 수는 있지만 이마저도 비상업적 용도로 제한되고 있는 실정이다. 스타이네거 교수는 "현재 과학계의 반발이 강하다"면서 "이건 네이처와 딥마인드가 명백하게 잘못한 것"이라고 비판했다.
"네이처라는 저널의 이름값이 필요했다면 그 저널에 투고하는 다른 연구자들과 같이 소스코드를 공개해 정당한 리뷰 절차를 거쳤어야 했습니다. 알파폴드가 사기업이 개발한 프로그램이라 기업 자산인 소스코드를 공개하기 어려웠다면 논문 사전공개 정도로만 발표했어도 대중의 반발이 이렇게 크지는 않았을 겁니다.
생명과학 커뮤니티는 원래 오픈소스를 기반으로 성장했어요. 수십 년간 과학자들이 기술과 정보를 공유해가며 쌓아온 단백질 구조 데이터베이스를 기반으로 성장한 알파폴드가 그 예외가 돼선 안된다는 이야기입니다."
네이처는 5월 22일 뒤늦게 '알파폴드3-왜 네이처는 코드 없이 논문을 냈는가'란 내용의 성명문을 통해 "연구자들의 비판을 수용한다"면서 "앞으로 6개월 안에 알파폴드3의 소스코드를 공개하겠다"고 발표했다.
알파폴드나 로제타폴드 등 선도적인 단백질 구조 예측 AI 기술은 실제 시장에 투입될 정도로 성장했다. 제약회사의 투자가 이어지는 상황에서 연구자들이 계속해서 자신들의 지적 재산을 무료로 공개하기를 기대하긴 어려운 시대가 됐다.
그러나 AI를 이용한 단백질 구조예측 기술은 이미 막을 수 없는 거센 물결이다. 알파폴드가 자신의 기술을 공개하지 않는다고 해도 이미 세계 각국의 단백질 구조예측 기술이 궤도에 오른 상태다. 석 교수는 "지금 가장 중요한 건 기술 자립"이라고 말한다.
언젠가 딥마인드가 알파폴드의 그 어떤 데이터도 공유하지 않겠다고 선언한대도 흔들리지 않을 기반이 필요하다. 알파폴드가 불러온 파랑에 휩쓸리지 않고 함께 시장을 주도할 방법을 고민해야 할 때다.
