Stanford University와 Arc Institute의 연구진이 생성형 AI 모델을 사용하여 완전한 바이러스 게놈을 처음부터 설계하는 역사적인 이정표를 세웠습니다. 이 돌파구는 전통적인 생물학적 발견에서 AI가 생명의 구조를 결정하는 계산 설계(computational design) 시대로의 전환을 의미합니다.
Evo: 유전체학을 위한 대규모 언어 모델
이 연구의 핵심은 Evo입니다. 이는 대규모 언어 모델(LLM)과 유사하게 작동하지만 DNA라는 "언어"를 기반으로 하는 특화된 생성 모델입니다. 텍스트 기반 모델과 달리, Evo는 동물, 식물, 미생물, 바이러스를 포함한 수백만 종의 생물체로부터 얻은 약 9조 개의 뉴클레오타이드로 구성된 방대한 데이터셋을 통해 학습되었습니다.
정밀도를 높이기 위해 연구진은 2단계 학습 과정을 채택했습니다. 생명의 나무(tree of life)의 기초적인 패턴을 학습한 후, Evo는 phiX174 박테리오파지의 11개 유전자와 그와 가장 유사한 약 15,000개의 유전자를 사용하여 두 번째 전문화된 학습 과정을 거쳤습니다. 이를 통해 모델은 기능적이고 복제 가능한 생물학적 개체를 설계하는 데 필요한 구체적인 미묘한 차이(nuances)를 마스터할 수 있었습니다.
70만 개의 제안에서 기능적 바이러스까지
Evo의 생성 능력의 규모는 엄청납니다. 이 모델은 70만 개의 잠재적 바이러스 게놈을 제안했습니다. 연구팀은 엄격한 선택 과정을 통해 이를 좁혀 나갔으며, 285개의 서열을 DNA 가닥으로 화학적으로 합성하여 E. coli 박테리아에 삽입했습니다.
결과는 매우 성공적이었습니다. 합성된 서열 중 16개가 복제가 가능한 바이러스를 생성했습니다. 특히, 이 AI 생성 바이러스들은 기존 종의 단순히 "병약한" 또는 약화된 버전이 아니었습니다. 이들은 자연 바이러스만큼 강력했으며, 일부는 원래의 phiX174보다 더 빠르게 복제되기도 했습니다. 전문가들은 AI가 인간 과학자들이 이전에 고려하지 않았던 유전자 순서와 배열에 예상치 못한 변화를 도입했다는 점에 주목했습니다.
양날의 검: 의학적 돌파구 vs. 생물 안전성 격차
생명공학에 미치는 영향은 심오합니다. AI가 설계한 바이러스는 다제내성 박테리아를 죽이기 위해 바이러스를 사용하는 **파지 요법(phage therapy)**을 혁신하고, 유전 물질을 위한 더 효율적인 전달체를 생성함으로써 **유전자 치료(gene therapy)**를 강화할 수 있습니다.
하지만 이번 발전은 글로벌 생물 안전 규정의 중대한 "단절"을 부각시켰습니다. 현재 미국 국립보건원(NIH)의 정책은 알려진 병원균을 더 위험하게 만드는 실험을 금지하는 데 집중되어 있지만, 순수하게 계산적인 작업, 즉 컴퓨터상에서 바이러스 DNA를 설계하는 작업은 명시적으로 다루지 않습니다. 이는 "알려지지 않은" 위험에 대한 규제 공백을 만듭니다. 만약 AI가 자연계에 존재하지 않았던 새롭고 전염성이 매우 높은 병원균을 설계한다면, 기존의 안전장치로는 그 위협을 식별하지 못할 수도 있습니다.
이를 완화하기 위해 스탠퍼드 팀은 Evo가 인간 병원균이나 관련 동물/식물 바이러스로 학습되지 않도록 보장함으로써 선제적인 안전 조치를 시행했으며, 이를 통해 모델이 인간을 감염시키는 게놈을 생성할 수 없도록 효과적으로 차단했습니다.
이 결과가 의학에 중요한 이유
항생제 내성 박테리아를 표적으로 삼기 위해 바이러스를 사용하는 파지 요법은 오랫동안 자연 파지의 제한된 도구 상자로 인해 어려움을 겪어 왔습니다. 새롭고 효율적인 바이러스 캡시드(capsid)를 만들어낼 수 있는 AI는 그 도구 상자를 획기적으로 확장할 수 있습니다. 마찬가지로, 치료용 DNA를 세포로 운반하기 위해 설계된 공학적 바이러스인 유전자 치료 벡터 또한, 기존 균주를 수정하는 대신 처음부터 설계된다면 더 정밀하고 면역 반응을 덜 일으키는(less immunogenic) 방식으로 발전할 수 있습니다.
드러난 규제의 사각지대
미국 자금 지원 기관들은 현재 알려진 병원균을 더 위험하게 만드는 실험을 제한하고 있지만, 순수하게 계산적인 설계를 통해 새로운 병원균을 생성하는 문제는 명시적으로 다루지 않습니다. Evo의 연구는 모델이 학습 과정에서 인간 감염 바이러스를 전혀 접하지 않았기 때문에 이 조항을 피할 수 있었습니다. 연구진은 인간 병원균을 유발할 수 있는 모든 서열을 의도적으로 제외했습니다. 그럼에도 불구하고, 그러한 안전장치가 없다면 AI가 자연적 전례가 없는 바이러스, 즉 기존 검토 위원회가 경고를 울리지 못할 수도 있는 "합성된 미지의 존재(synthetic unknown)"를 고안해낼 가능성은 여전히 남아 있습니다.
이 격차는 단순히 학술적인 차원에 머물지 않습니다. 만약 모델이 더 광범위한 바이러스 데이터 세트로 학습하도록 허용된다면, 높은 전염성이나 면역 회피의 구성 요소를 학습할 수 있으며, 이렇게 생성된 게놈은 합성될 경우 팬데믹 규모의 위협이 될 수 있습니다. 현재의 감독 메커니즘은 습식 실험실(wet-lab) 조작에 집중되어 있으며, 원격으로 대규모 수행이 가능한 인 실리코(in silico) 설계의 위험을 평가할 명확한 권한이 부족합니다.
생성된 바이러스는 박테리오파지, 즉 인간이 아닌 박테리아를 감염시키는 바이러스였습니다. 이들의 용도는 주로 박테리아 제어 및 실험실 연구에 국한되어 있어, 즉각적인 공중 보건상의 우려는 제한적입니다.
핵심 요약
Evo는 AI가 단백질 구조 예측을 넘어 전체적이고 기능적인 바이러스 게놈을 설계하는 단계로 나아갈 수 있음을 보여줍니다. 이 기술은 약제 내성 박테리아에 대응하고 유전자 치료를 전달하기 위한 더 빠르고 다재다능한 도구를 제공할 가능성을 제시하지만, 동시에 규제 당국으로 하여금 자연계에 존재하지 않았던 생명체의 디지털 설계도라는 새로운 종류의 위험에 직면하게 만듭니다.