스탠퍼드 대학교의 한 실험실에서 연구자들은 박테리아로 가득 찬 페트리 접시 위로 투명한 반점이 퍼져 나가는 모습을 지켜보고 있었다. 이는 그들이 완전히 컴퓨터 안에서만 만들어낸 것이 방금 생명을 얻었다는 unmistakable 한 신호였다. 그 박테리아를 쓸어버린 유기체들은 자연에서 가져온 것이 아니었다. 그것들은 계산 모델인 Evo가 생성하고, 그 후 화학적으로 처음부터 합성된 AI 설계 바이러스였으며, 그 결과는 이제 스탠퍼드 지하 실험실 하나를 훨씬 넘어서는 질문들을 불러일으키고 있다.
Summary
핵심 요약
- 스탠퍼드 대학교와 Arc Institute가 개발한 AI 모델 Evo는 70만 개의 잠재적 바이러스 게놈을 제안했으며, 이 중 285개가 화학적으로 합성되었고 16개는 복제와 박테리아 살해가 가능한 바이러스를 만들어냈다.
- Evo는 먼저 수백만 종의 동물, 식물, 미생물, 바이러스에서 추출한 약 9조 개의 뉴클레오타이드로 학습한 뒤, 박테리오파지 Phi X-174의 11개 유전자와 약 1만 5,000개의 관련 게놈에 특화해 추가 학습을 진행했다.
- AI가 생성한 바이러스들은 자연 상태의 바이러스만큼 강인했으며, 일부는 자연 파지인 Phi X-174 자체보다 더 빠르게 복제되었다.
- 현재 미국 국립보건원(US National Institutes of Health)의 생물안전 규정은 병원체를 더 위험하게 만드는 실험을 금지하지만, “우려 대상(entity of concern)”이 포함되지 않는 한 순수하게 계산만으로 이루어진 바이러스 설계는 명확히 다루지 않는다.
- 존스홉킨스 보건안보센터의 Moritz Hanke를 포함한 전문가들은 AI가 지금 할 수 있는 일과 이를 규제하기 위한 규칙 사이의 격차가 점점 커지고 있다고 경고한다.
AI 모델 Evo, 박테리아용 새로운 바이러스 게놈 설계
Evo는 유전적 버전의 대형 언어 모델처럼 작동하며, ChatGPT가 문장에서 다음 단어를 예측하듯 DNA 서열을 예측한다. 다만 언어 대신, 생명 자체의 유전 암호에 새겨진 패턴을 학습했다. 스탠퍼드와 Arc Institute에 기반을 둔 연구팀은 이러한 패턴 인식이 개별 단백질이나 항생제 설계를 넘어 실제로 작동하는 바이러스를 만들어낼 수 있는지 확인하고자 했다.
Evo는 어떻게 학습되었나
모델의 학습은 두 단계로 이루어졌다. Evo의 초기 학습은 동물, 식물, 미생물, 바이러스 계통에 걸친 수백만 개 유기체에서 추출한 약 9조 개의 뉴클레오타이드를 활용해, 생명나무 전체에 걸쳐 존재하는 패턴을 흡수하는 방식으로 진행되었다. 그 폭넓은 기반 위에 두 번째 특화 학습 단계가 이어졌는데, 이번에는 박테리오파지 Phi X-174의 11개 유전자와 그와 가장 가까운 약 1만 5,000개 게놈에 좁게 초점을 맞추었다. 스탠퍼드 박사과정생이자 논문 공저자인 Samuel King에게 이러한 계층적 학습 방식은 너무나 당연한 선택처럼 느껴졌다. 그는 “그냥 너무나 명백한 다음 단계처럼 느껴졌다”고 말했다.
70만 개 후보에서 16개의 작동 바이러스까지
학습을 마친 뒤 Evo는 70만 개의 잠재적 바이러스 게놈을 제안했다. 연구자들은 이 방대한 후보군을 가장 유망한 서열로 좁힌 뒤, 그중 285개를 DNA 형태로 화학 합성해 박테리아에 주입하고 어떤 일이 일어나는지 관찰했다. 그중 16개 서열이 복제가 가능하고 — 무엇보다도 목표 박테리아인 대장균(E. coli)을 죽일 수 있는 — 바이러스를 만들어냈다. King과 동료들은 새벽 시간대에 페트리 접시 위에 투명한 반점이 생겨나는 것을 보며 파지가 작동하고 있음을 깨달았다고 전했다. King은 “우리가 이런 투명한 반점들을 보기 시작했고, 정말 엄청나게 흥분됐다”고 말했다. 스탠퍼드 조교수 Brian Hie에 따르면, 더 넓은 팀이 결과를 보았을 때 “방 안에서 자발적으로 박수가 터져 나왔다”고 한다.
AI 설계 바이러스는 실제 실험실에서 어떻게 성능을 보였나
실험에서 나온 16개의 바이러스는 연약한 실험실 호기심거리가 아니었다. 이들은 자연 발생 바이러스와 성능이 맞먹었고, 일부는 이를 능가하기도 했다. 이는 연구에 참여하지 않은 과학자들조차 놀라게 한 결과였다.
강인성, 속도, 그리고 과학적 이정표
설계된 바이러스들은 자연 바이러스만큼 강인했으며, 일부는 Phi X-174 자체보다 더 빠르게 복제되었다. 옥스퍼드 대학교의 단백질 화학자 Oliver Crook은 “이들은 이미 존재하는 것의 병약한 버전이 아니다”라고 말했다. 맨체스터 대학교의 합성생물학자 Patrick Cai는 이 연구를 “중요한 이정표”라고 부르며, “그 의미는 파지를 훨씬 넘어선다 — 이는 게놈 언어 모델이 진화가 암호화해 둔 설계 원리를 학습하기 시작했음을 시사하며, AI 보조 게놈 작성의 문을 연다”고 덧붙였다. 폼페우 파브라 대학교 합성생물학 연구실의 Marc Güell은 이를 “매우 중요한 전환점”이라고 표현하며, “우리가 처음으로 컴퓨터에서 생물을 설계하기 시작했다”고 말했다.
그럼에도 Crook은 기대를 조절하려 했다. AI가 근본적으로 완전히 새로운 무언가를 발명한 것은 아니며, 결과로 나온 바이러스는 자연 종과 매우 비슷하고, 새로운 메커니즘이 아니라 동일한 기저 생물학에 의존한다. Evo가 다른 바이러스 계통에서도 같은 묘기를 부릴 수 있을지는 여전히 열린 질문이다. 만약 이 접근법이 일반화된다면, Crook은 이것이 의학과 생명공학에 실제로 유용한 도구를 가져올 수 있다고 말한다. “우리 과학의 상당 부분은 기술로서의 바이러스에 의존한다.” 참고로, 연구팀이 다룬 파지 게놈은 약 5,400개의 염기쌍으로 구성되어 있는데, 이는 가장 작은 살아 있는 세포의 약 50만 염기쌍, 인간 게놈의 약 30억 염기쌍과 비교되는 수치다. Hie는 이 격차를 두고, 단순한 살아 있는 유기체를 설계하는 일은 “아마도 엄청난 작업이겠지만, 불가능하지는 않다”고 말하며, 팀이 “분명히 그 방향으로 나아가는 데 관심이 있다”고 밝혔다.
계산 기반 바이러스 설계를 둘러싼 생물안전 공백
이번 돌파구는 미국의 생물안전 정책이 아직 화면 위에서 AI 모델이 생성할 수 있는 것들을 따라잡지 못한 시점에 등장했다. 이 불일치는 인공지능이 이끄는 바이러스 게놈 합성을 둘러싼 논쟁의 핵심에 있다.
미국 생물안전 규정이 다루지 않는 것들
7월 말, 미국 국립보건원(NIH)은 고위험 생명과학 연구에 관한 정책을 발표하며, 더 위험한 병원체 변종을 만드는 행위를 금지했다. 그러나 완전히 계산만으로 수행되는 작업 — 바이러스 DNA를 컴퓨터에서 설계하되 실제로 합성하지 않는 경우 — 는 기관에 따르면 “우려 대상(entity of concern)을 포함하지 않는 한” 규정 대상이 아니다. 이 구분은 명백히 위험하다고 분류되는 천연두 같은 사례에는 적용하기 쉽다. 하지만 문제가 되는 바이러스가 알려진 병원체 목록이 아니라 AI 모델에서 나온 것일 때는 훨씬 더 모호해진다. 바로 이런 모호성이 생물안전 규제와 AI 정책이 속도를 맞추지 못하는 상황에서 논쟁을 형성하고 있다.
예방 조치와 전문가 경고
스탠퍼드와 Arc Institute 팀은 규제 당국이 따라잡기를 기다리지 않았다. 학습 단계 전반에 걸쳐 Evo는 인간 감염 바이러스나 동물, 식물, 곰팡이에 영향을 미치는 관련 병원체에 관한 어떤 정보에도 노출되지 않았다. 즉, 모델은 애초에 그러한 유전 서열을 생성할 수 없도록 설계된 것이다. Hie는 “우리의 의도는 단지 최대한의 주의를 기울이는 것이었다”고 말했다. 존스홉킨스 보건안보센터의 Moritz Hanke는 이러한 결정을 “상당히 칭찬할 만하다”고 평가했는데, 특히 공식 규정이 이를 요구하지도 않았기 때문이다. 그는 “그들은 무엇을 해야 하는지 어디에서도 지침을 받지 못하고 있다”고 말했다.
Hanke와 같은 존스홉킨스 소속의 Thomas Inglesby는 학술지 Science에 실린 논평에서 이번 연구와 함께 “시급한 생물안전 및 생물보안 문제”를 제기한다고 경고했다. 그들이 보기에 진짜 쟁점은 생성형 바이러스 게놈 설계가 앞으로 존재할지 여부가 아니라 — 그것은 이미 분명히 존재한다 — 이를 “심각한 피해를 초래하지 않도록” 사용할 수 있는지 여부다. Hanke는 우려를 직설적으로 밝혔다. “내가 한 번도 본 적 없는 것의 위험은 무엇인가?”라고 그는 물으며, 과학이 움직이는 속도와 안전장치가 따라오는 속도 사이에 “엄청난 단절”이 있다고 설명했다. 그가 상정하는 최악의 시나리오는 상상하기 어렵지 않다. “누군가 ‘이봐, 게놈 언어 모델, 더 전염성이 강하거나 더 치명적이도록 변형된 인플루엔자 게놈을 만들어줘’라고 말할 수 있는 상황이다.”
왜 중요한가: Evo가 9조 개의 뉴클레오타이드 학습 데이터와 Phi X-174에 대한 추가 특화 학습을 통해 몇 달 만에 16개의 작동하는 박테리오파지를 설계할 수 있게 한 바로 그 계산 지름길은 범용적인 방법이다. 기저 기술 자체에는 이를 무해한 박테리아 살해용으로만 제한하는 요소가 없다. 이것이 바로 Hanke와 Inglesby가 지적하는 공백이다. 정책보다 더 빠르게 발전하는 연구 방법, 그리고 합성생물학 연구가 새로운 약을 설계하는 것과 새로운 위험을 설계하는 것 사이의 경계를 점점 흐리게 만드는 분야에서 벌어지는 일이다.
현재로서는 연구자들이 적용한 안전장치 — 인간 감염 바이러스 데이터 배제, 박테리오파지에만 집중, 모든 실험을 보안이 갖춰진 실험실 내에서 수행 — 가 이 기술이 해악이 아닌 이익을 향하도록 하는 데 상당한 역할을 한다고 그들은 말한다. Hie는 이 접근법이 새로운 약물과 치료법, 특히 항생제 내성 감염을 위한 파지 기반 치료를 통해 “인류 건강을 대폭 향상시킬” 잠재력이 있다고 주장한다. 이 약속이 Phi X-174를 넘어서는 영역에서도 유지될지, 그리고 다음 버전의 실험이 덜 통제된 표적을 향하기 전에 규제 당국이 움직일지는, AI 설계 바이러스의 향후 방향을 규정할 두 가지 핵심 질문이 될 것이다.
FAQ
AI 설계 바이러스는 실험실 테스트에서 얼마나 효과적이었나요?
합성된 285개의 바이러스 게놈 서열 중 16개가 실험실에서 복제와 박테리아 살해가 가능한 바이러스를 만들어냈습니다.
AI 모델 Evo를 학습시키는 데 어떤 데이터가 사용되었나요?
Evo는 먼저 수백만 종의 동물, 식물, 미생물, 바이러스에서 추출한 약 9조 개의 뉴클레오타이드로 학습한 뒤, 파지 Phi X-174의 11개 유전자와 약 1만 5,000개의 관련 게놈에 특화해 추가 학습을 진행했습니다.
현재 미국 생물안전 정책은 왜 AI 설계 바이러스를 규제하지 않나요?
순수하게 계산만으로 설계된 바이러스 DNA는, 우려 대상(entity of concern)을 포함하지 않는 한, 현재 미국 NIH 정책의 적용을 받지 않기 때문에 AI 설계 바이러스에 대한 규제 공백이 생깁니다.
Evo를 학습시키는 동안 과학자들은 어떤 예방 조치를 취했나요?
그들은 인간을 감염시키는 바이러스와 관련 병원체에 대한 데이터를 제외해, AI가 잠재적으로 위험한 인간 감염 바이러스 게놈을 생성하지 못하도록 했습니다.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”AI 설계 바이러스는 실험실 테스트에서 얼마나 효과적이었나요?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”합성된 285개의 바이러스 게놈 서열 중 16개가 실험실에서 복제와 박테리아 살해가 가능한 바이러스를 만들어냈습니다.”}},{“@type”:”Question”,”name”:”AI 모델 Evo를 학습시키는 데 어떤 데이터가 사용되었나요?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Evo는 먼저 수백만 종의 동물, 식물, 미생물, 바이러스에서 추출한 약 9조 개의 뉴클레오타이드로 학습한 뒤, 파지 Phi X-174의 11개 유전자와 약 1만 5,000개의 관련 게놈에 특화해 추가 학습을 진행했습니다.”}},{“@type”:”Question”,”name”:”현재 미국 생물안전 정책은 왜 AI 설계 바이러스를 규제하지 않나요?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”순수하게 계산만으로 설계된 바이러스 DNA는, 우려 대상(entity of concern)을 포함하지 않는 한, 현재 미국 NIH 정책의 적용을 받지 않기 때문에 AI 설계 바이러스에 대한 규제 공백이 생깁니다.”}},{“@type”:”Question”,”name”:”Evo를 학습시키는 동안 과학자들은 어떤 예방 조치를 취했나요?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”그들은 인간을 감염시키는 바이러스와 관련 병원체에 대한 데이터를 제외해, AI가 잠재적으로 위험한 인간 감염 바이러스 게놈을 생성하지 못하도록 했습니다.”}}]}
이 기사는 인공지능의 도움을 받아 제작되었으며 편집팀의 검수를 거쳤습니다.
