[Techmeme 요약] AI, 방대한 과학 문헌 속에서 신약 가설을 찾아내다: 구글과 퓨처하우스의 혁신
41
설명
과학 연구는 끊임없이 쏟아지는 정보의 홍수 속에서 의미 있는 연결고리를 찾아내는 지난한 과정입니다. 특히 신약 개발은 막대한 시간과 비용이 소요되죠. 최근 구글(Google)과 비영리 단체 퓨처하우스(FutureHouse)가 개발한 인공지능(AI) 기반 과학 보조 도구들이 이러한 난관을 극복할 실마리를 제공하며 주목받고 있습니다. 이 AI 시스템들은 방대한 과학 문헌을 분석해 새로운 약물 재창출(drug retargeting) 가설을 성공적으로 도출해냈습니다.
### 배경 설명
신약 개발은 보통 새로운 물질을 처음부터 합성하는 데서 시작하지만, 이미 안전성이 검증된 기존 약물에서 새로운 효능을 찾아내는 '약물 재창출(drug repurposing)'은 시간과 비용을 크게 절감할 수 있는 효과적인 전략입니다. 하지만 전 세계에서 매일 쏟아지는 수많은 과학 논문과 데이터 속에서 특정 질병에 효과가 있을 만한 약물 후보를 찾아내는 것은 인간 과학자에게 거의 불가능에 가까운 일입니다. 특정 분야에 집중하는 과학자들은 다른 분야에서 발견된 중요한 단서를 놓치기 쉽습니다. 이러한 '정보 과부하' 문제를 해결하기 위해 구글의 '코-사이언티스트(Co-Scientist)'와 퓨처하우스의 '로빈(Robin)' 같은 AI 기반 과학 보조 도구들이 등장했습니다. 이들은 대규모 언어 모델(LLM, Large Language Model)을 기반으로 수많은 논문을 분석하고, 인간 과학자가 미처 발견하지 못했던 비직관적인 연결고리를 찾아내 새로운 가설(hypotheses)을 제시하는 역할을 합니다.
### 정보의 홍수 속 과학자들의 고민과 AI의 등장
오늘날 과학계는 온라인 출판의 용이성 덕분에 엄청난 양의 논문과 연구 결과가 쏟아져 나오고 있습니다. 이는 과학자들이 자신의 전문 분야는 물론, 관련 분야의 최신 동향을 파악하는 것조차 어렵게 만듭니다. 예를 들어, 눈 발달에 관여하는 특정 신호 전달 시스템이 신장에도 영향을 미칠 수 있지만, 각 분야의 전문가는 서로의 연구 결과를 놓치기 쉽습니다. 퓨처하우스가 지적했듯이, 과학 지식의 '구획화(compartmentalization)'로 인해 인간 전문가가 간과할 수 있는 '낮은 곳에 열린 과일(low-hanging fruit)', 즉 비직관적인 연결고리를 찾아내는 것이 AI에게는 매우 적합한 작업입니다. AI는 인간이 다른 연구에 집중하는 동안 방대한 동료 심사(peer-reviewed) 문헌을 배경에서 처리하며 잠재적인 가설을 생성합니다.
### 구글의 '코-사이언티스트': 인간과 AI의 협업
구글의 '코-사이언티스트'는 구글의 대규모 언어 모델인 제미니(Gemini)를 기반으로 합니다. 이 시스템은 인간 과학자가 제시한 연구 목표를 해석하고, 관련 문헌을 검색하여 가설을 형성합니다. 생성된 가설들은 '토너먼트(tournament)' 방식으로 서로 비교 평가되며, '반영 에이전트(Reflection agent)'가 그 결과를 분석합니다. 이후 '진화 에이전트(Evolution agent)'가 살아남은 아이디어를 개선하고, 이 과정은 반복됩니다. 이 모든 과정에서 '인간 개입형 시스템(scientist in the loop)'이라는 개념에 따라 과학자들이 지속적으로 개입하여 시스템을 지시하고 판단을 내립니다. 코-사이언티스트는 급성 골수성 백혈병(acute myeloid leukemia) 치료를 위한 약물 후보를 제안하는 데 활용되었으며, 전문가 패널의 검토를 거쳐 일부 약물이 특정 백혈병 세포 유형에 효과적임을 확인했습니다. 시스템은 모델에 구애받지 않아(model agnostic) 더 나은 AI 모델로 교체할 수 있지만, '환각 현상(hallucination)'과 같은 LLM의 내재적 한계를 물려받는다는 점도 명시했습니다.
### 퓨처하우스의 '로빈': 데이터 분석까지 확장
퓨처하우스의 '로빈' 시스템은 구글과 유사하지만 몇 가지 중요한 차이점이 있습니다. 로빈은 '크로우(Crow)'라는 도구를 통해 논문의 간결한 요약을 생성하고, '팔콘(Falcon)'을 통해 논문 정보의 심층적인 개요를 제공하는 등 전문화된 문헌 검색 도구에 접근합니다. 로빈은 30분 만에 551편의 논문을 분석하는데, 이는 인간이 540시간을 소요할 것으로 추정되는 작업량입니다. 로빈은 황반변성(macular degeneration)의 질병 메커니즘에 대한 가설을 형성하고, 각 가설에 대한 증거를 상세 보고서로 제공합니다. 특히 로빈의 핵심 차이점은 '핀치(Finch)'라는 도구를 포함한다는 것입니다. 핀치는 유세포 분석(flow cytometry) 및 RNA 시퀀싱(RNA-seq)과 같은 표준 생물학적 스크리닝 분석에서 나오는 데이터를 자동화하여 평가할 수 있습니다. 즉, 로빈은 가설 생성뿐만 아니라 일부 실험 데이터 평가까지 시스템 내에서 수행할 수 있는 능력을 갖추고 있습니다. 로빈은 망막 세포가 세포 외부 잔해를 흡수하는 능력을 증가시키는 것이 황반변성으로부터 보호할 수 있다는 새로운 가설을 제시하고, 이를 뒷받침하는 약물을 식별했습니다. 또한, OpenAI의 도구를 사용했을 때 환각 현상이 45%까지 발생한 반면, 로빈의 전문화된 도구는 환각 현상을 0%로 유지하여 과학 문헌 인터페이스에 특화된 도구의 중요성을 보여주었습니다.
### AI의 한계와 잠재력
이러한 AI 시스템의 성공은 신약 개발의 초기 단계, 즉 세포 배양 단계에서 나타난 것입니다. AI가 완전히 새로운 분자를 설계하거나 동물 및 임상 시험 단계의 복잡한 문제를 해결하는 수준은 아닙니다. 하지만 기존 약물을 재창출하는 것은 이미 안전성이 검증된 약물을 활용하므로 개발 기간을 단축하고 비용을 절감할 수 있다는 큰 장점이 있습니다. 현재 AI는 '이 메커니즘이 저 질병의 원인이고, 이 약물이 그것을 표적으로 삼을 수 있다'와 같은 비교적 구체적인 가설을 다루는 데 능숙합니다. '이 돌연변이를 가진 쥐가 여러 조직에서 다양한 결함을 보이는데, 단일 메커니즘이 있을까?'와 같은 더 개방적이고 복잡한 과학적 질문에는 아직 한계가 있습니다. 그럼에도 불구하고, 많은 분야에서 문헌 과부하 문제는 심각하며, AI 시스템은 수십 년 동안 방치되었던 중요한 정보들이 연결되지 못하는 상황을 방지하는 데 크게 기여할 수 있습니다.
### 가치와 인사이트
이러한 AI 기반 과학 보조 도구들은 인간 과학자의 능력을 확장하고, 신약 개발의 초기 단계를 혁신할 잠재력을 가지고 있습니다. 방대한 과학 문헌 속에서 인간이 놓치기 쉬운 비직관적인 연결고리를 찾아내 새로운 가설을 제시함으로써, 약물 재창출 프로세스를 가속화하고 비용을 절감하는 데 결정적인 역할을 할 수 있습니다. 특히 퓨처하우스의 로빈처럼 데이터 평가까지 자동화하는 시스템은 연구 효율성을 극대화하여 과학자들이 더 심층적인 실험 설계와 분석에 집중할 수 있도록 돕습니다. 이는 단순히 정보 처리 속도를 높이는 것을 넘어, 과학적 발견의 지평을 넓히는 새로운 패러다임을 제시합니다.
### 기술·메타
- 대규모 언어 모델(LLM)
- 구글 제미니(Gemini)
- 에이전트 기반(Agentic) 시스템
- 유세포 분석(Flow cytometry)
- RNA 시퀀싱(RNA-seq)
### 향후 전망
이러한 AI 기술은 미래 사회에 광범위한 변화를 가져올 것입니다.
**산업:** 제약 및 바이오 산업의 연구개발(R&D) 방식이 근본적으로 바뀔 것입니다. 신약 후보 물질 발굴 기간이 단축되고, 개발 비용이 절감되어 더 많은 질병에 대한 치료법이 빠르게 시장에 나올 수 있습니다. 특히 희귀 질환이나 난치병처럼 기존 방식으로는 연구가 어려웠던 분야에서 AI의 역할이 더욱 중요해질 것입니다.
**일:** 과학자들의 업무는 단순 문헌 검토나 데이터 스크리닝에서 벗어나, AI가 제시한 가설을 검증하고, 더 복잡하고 창의적인 실험을 설계하며, 심층적인 분석과 해석에 집중하는 방향으로 변화할 것입니다. AI는 과학자를 대체하는 것이 아니라, 과학적 발견의 조력자이자 증폭기로 기능할 것입니다.
**사회:** 더 빠르고 저렴하게 개발된 신약들은 환자들에게 새로운 치료 기회를 제공하고, 전반적인 공중 보건 수준을 향상시킬 것입니다. 개인 맞춤형 의학(personalized medicine)의 발전에도 기여하여, 각 환자에게 가장 적합한 약물을 찾아내는 데 AI가 활용될 수 있습니다.
**규제:** AI가 생성한 가설과 데이터 분석 결과에 대한 신뢰성 및 검증 절차에 대한 새로운 규제 프레임워크가 필요해질 것입니다. AI의 '환각 현상'과 같은 한계를 극복하고, 안전하고 효과적인 약물 개발을 위한 엄격한 기준 마련이 중요해질 것입니다.
📝 원문 및 참고
- Source: Techmeme
- Techmeme 리버: [techmeme.com](https://www.techmeme.com/260520/p11#a260520p11)
- 원문 기사: [링크 열기](https://arstechnica.com/science/2026/05/two-ai-based-science-assistants-succeed-with-drug-retargeting-tasks/)
---
출처: Techmeme ([Original Article](https://arstechnica.com/science/2026/05/two-ai-based-science-assistants-succeed-with-drug-retargeting-tasks/))


댓글 0
아직 댓글이 없습니다. 첫 댓글을 남겨 보세요.