국내도서

아직 우리는 생물학의 비밀을 풀어 나가는 초기 단계에 있을 뿐이지만 생물학 역시 하나의 언어다. 지난 한 세기 반 동안 우리는 이 언어를 조금씩 배우기 시작했다. 광대한 생물학적 시스템의 복잡성에 비하면 그렇게 많은 양은 아니지만, DNA, RNA, 아미노산 사슬 등 복잡한 시스템 생물학을 이해하고 추적하는 데 사용한 도구들은 인간 발전에 매우 중요한 역할을 했다. 그러나 고도화된 AI의 관점에서는, 인간이 지금까지 진행한 모든 생물학 관련 작업이 하나의 훈련 세트, 즉 로제타스톤 정도로밖에 보이지 않을 것이다.

‘로제타스톤과 고대 이집트의 재탄생(The Rosetta Stone and the Rebirth of Ancient Egypt)’의 저자 존 레이(John Ray)는 2007년 ‘스미스소니언 매거진(Smithsonian magazine)’에서 이렇게 말했다. “로제타스톤을 해석해 내자... 순식간에 역사의 모든 베일이 벗겨졌다. 로제타스톤은 고대 이집트를 알려 주는 열쇠이자, 그 자체로 암호 해독의 핵심적인 열쇠다.”

이런 맥락에서 단백질 접힘도 단백질 형태의 예측만이 아니라 생물학을 해석하고 이해하고 궁극적으로 재구성하는 것과 관련이 있다. 2022년 11월 메타(Meta) 연구팀은 대형언어모델을 이용해 알파폴드와는 조금 다른 방식으로 단백질 구조를 살펴보는 도구를 만들었다. 먼저 알고리즘에 이미 알려진 단백질과 특성이 규명된 아미노산 서열을 입력한다. 위키피디아나 국회 도서관 자료로 핸드폰에서 사용하는 언어 모델을 훈련시키는 것과 비슷한 방식이다. 이런 식으로 나중에 다른 단백질 아미노산 서열을 일부 삭제하더라도 알고리즘은 높은 정확도로 삭제된 부분을 예측해 냈다.

2024년 11월, 캘리포니아주 아크 연구소(Arc Institute)의 한 연구팀은 새로운 대형언어모델인 ‘에보(Evo)’를 발표했다. 이 AI는 극도로 복잡하고 방대한 생물학적 데이터를 해석하도록 설계되었다. 수백만 개의 미생물 게놈 서열을 분석하여 여기에서 나타나는 미세한 변화가 세포, 나아가 게놈 전체의 기능에 미치는 영향을 높은 정확도로 예측할 수 있다. 연구팀은 자신들의 포부가 에보라는 이름으로 충분히 드러나지 않을 때를 대비해 논문에 더욱 명확하게 밝혀두었다. “에보와 같은 거대 생물학적 서열 모델의 진화가 DNA 합성과 게놈 공학 기술의 발전과 결합한다면 생명체를 설계하는 인간의 능력은 더욱 가속화할 것이다.”

연구팀은 자신의 예측을 실현하려는 듯 2025년 2월에 업데이트 된 모델 ‘에보 2’를 발표했다. 이 모델은 현재까지 관찰된 모든 진화 과정을 담고 있는 게놈들 중 대표적인 부분들만 들어 있는 데이터에서 약 10조 개의 DNA 염기쌍을 가져와 학습했다. 그 후 수많은 유전적 변이의 기능적 영향을 예측하고, 새로운 게놈을 생성하며, DNA와 RNA, 단백질의 기능을 모델링할 수 있었다. 나아가 유전자 발현을 켜고 끄는 잠재력을 지닌 모스 부호까지 만들어 낼 수 있었다. 챗GPT와 같은 대형언어모델 기반 AI는 단어와 이미지 간의 관계를 예측하는 통계 모델을 통해 텍스트와 이미지를 생성한다. 마찬가지로 에보 2는 학습 데이터 세트에서 수집한 통계적 상관관계를 바탕으로 모든 생명체의 게놈을 설계할 수 있었다. 논문 발표 당일, 연구팀은 자신들의 데이터와 컴퓨터 코드, 사용자를 위한 간단한 웹 인터페이스도 함께 공개했다. 점점 더 방대해지는 데이터 세트와 강력해지는 컴퓨팅 파워에 힘입어 향후 몇 년간 에보와 같은 프로그램들이 빠르게 쏟아져 나올 것이다. 간단히 말해 에보는 진화할 것이다.

금세기 초, 훨씬 더 강력하고 정확하며 비용이 저렴하고 사용하기 쉬운 게놈 편집 도구가 발명되면서 유전공학은 또 한 번 획기적으로 진전했다.

2009년, 미국 유전학자 에런 거츠(Aron Geurts)와 하워드 제이컵(Howard Jacob)은 징크핑거핵산분해효소(zinc-finger nucleases, ZFN)로 알려진 단백질이 어떻게 게놈의 표적 위치로 가서 DNA 이중나선의 가닥을 자르도록 설계하는지 설명했다. 2년 후에는 이보다 더 빠르고 정확하게 표적지로 가는 게놈 편집 도구가 나왔다. 탈렌(transcription activator-like effector nucleases, TALENS)이라는 이 도구의 발명은 세계를 뒤흔들고도 남았다. 탈렌은 ZFN보다 처리 시간이 오래 걸리고 가격도 비쌌지만, 게놈의 위치를 훨씬 정확하게 겨냥할 수 있었다. 또한 다양한 실험실과 농장의 동물 게놈을 편집하고, 생쥐의 유전적 안질환을 치료하거나, 병원체 저항성이 강한 벼를 생산하는 데 신속하게 사용되었다. ‘네이처 메소드(Nature Methods)’ 저널은 탈렌을 2011년도 ‘올해의 메소드’로 선정했다.

DNA 재조합 능력과 DNA, RNA, 단백질, 대사산물 등 서열을 분석, 측정, 합성할 수 있는 기계의 능력은 신진 합성생물학자들에게 힘을 실어 주었다. 그들은 인간 공학의 틀을 생물에 덧씌워 기존의 진화한 생물학을 최대한 ‘재구성’하려 하고 있다. 이런 기술은 장기적으로 생명을 재구성하는 우리의 능력에 가장 큰 영향을 미치겠지만, 단기적으로는 생명을 더 잘 이해할 수 있게 해준다는 점에서 중요한 의미를 갖는다.

또한 이해의 폭이 넓어짐에 따라 이제 생명의 설계를 그 어느 때보다 더 전략적이고 체계적으로 생각할 수 있게 되었다. 이 과정을 체계화하기 위한 노력의 일환으로 연구자들은 ‘표준 생물학 부품 등록부(Registry of Standard Biological Parts)’를 구축해 왔다. 이 공개 저장소는 생물학적 시스템을 조작할 수 있는 다양한 생물학적 부품을 모아둔 곳으로, 각 연구를 매번 처음부터 시작하는 수고 없이 부품을 혼합하거나 조립할 수 있게 한다. 간단히 말해 생물학적 레고(Legos)라 할 수 있다.

레고 부품은 표준화된 플라스틱 조각으로 구성된다. 컴퓨터 역시 전기 공학자가 설계하고 조직하여 표준화된 집적 회로와 기타 부품으로 구성된다. 마찬가지로 생물학도 생물학적 부품인 ‘바이오브릭(biobrick)’과 표준화된 유전자 구조로 응용할 수 있다. 이 아이디어는 새롭고 다양한 가능성을 열고 있다. 합성생물학자들은 생물학적 시스템을 이해하고 설계할 때 엔지니어가 쓰는 ‘설계-제작-시험-학습’ 방식을 점점 더 많이 택할 수 있게 되었다. 단순한 바이오브릭은 합성 암호의 비활성 구간으로 구성될 수 있다. 반면 더 발전된 바이오브릭은 살아 있는 세포를 포함하며, 이 세포에서 소스 코드와 시스템을 가져와 원하는 다양한 기능을 수행할 수 있도록 조작된다. 합성생물학의 기반은 일련의 새로운 생물학적 응용 가능성을 만들어 가고 있으며, 이것이 오늘날에는 마법처럼 느껴질 수도 있다. 그러나 결국에는 이것이 우리의 일반적인 작업 방식이 될 것이다.

사람들은 코로나 mRNA 백신이 하늘에서 뚝 떨어진 것처럼 생각한다. 하지만 사실 이 백신은 최소 150년에 걸친 연구의 산물이다. 1860년대 핵산의 발견에서부터 1세기 후 메신저 RNA의 발견에 이르기까지, 이것은 전 세계 수백 개 연구실과 기업에 속한 수천 명의 연구자가 60년간 꾸준히 공헌했기에 가능했다. 이러한 성과를 바탕으로 연구자들은 mRNA를 합성하고, 인체의 면역체계에 의해 조기에 파괴되지 않도록 mRNA를 조작했다. 또한 전기적 자극을 준 아주 작은 지방 덩어리인 ‘지질 나노입자’로 이 물질을 감싸, 인간의 지시를 이행할 수 있을 만큼 오래 안정을 유지하도록 설계했다. 코로나 19가 발생하기 10년 전부터 미국 국립보건원 과학자들은 백신 개발 프로세스 속도를 더 높이기 위해 적극적으로 연구를 진행했다. 특히 AI 분석 기술을 활용해서 다양한 바이러스를 가장 효과적으로 공략할 수 있는 특정 표적을 식별하는 데 집중했다.

많은 사람이 코로나 백신을 개발한 모더나의 실험실에는 비커, 한천 배지, 현미경, 경고음이 들리는 기계들로 가득할 거라 상상한다. 하지만 현실은 완전히 다르고, 그 광경은 매우 새롭기도 하다. 바이러스는 이런 과학 기구 안이 아닌, 바이러스 게놈 지식이 담긴 디지털 파일에 있었다. 연구자들은 실험실에서 용액을 가지고 연구를 하는 게 아니라 유전학 혁명에 가장 필수적인 두 가지 도구를 사용했다. 바로 컴퓨터와 알고리즘이다.

바이러스의 게놈 서열 정보가 담긴 컴퓨터 파일을 받고 이틀 후, 연구자들은 모더나 백신을 만들 레시피를 생각해 냈다. 이 파일에는 다양한 과학자들, 특히 미국 국립보건원, 텍사스와 펜실베이니아대학의 수많은 과학자가 수십 년간 연구하고 발전시켜 온 작업물이 들어 있었다. 단순히 한곳의 독립적인 실험실에서 나온 결과만을 기반으로 한 게 아니었다.

두 달 후 첫 번째 인간 실험이 진행되었고 9개월 후에는 미국 식품 의약국(FDA)에서 긴급 사용 승인을 받아 첫 번째 백신이 투여되었다. 2024년 기준으로 전 세계에서 약 120억 회의 코로나19 백신이 접종되었고, 대부분은 mRNA 백신이었다.

모더나와 바이오엔테크를 포함해 임상 시험용 개인 맞춤형 mRNA 암 백신을 생산하는 기업들은 AI 알고리즘을 이용해 암세포의 게놈 서열을 정밀하게 분석한다. 이러한 연구를 통해 어떤 단백질이 암을 일으키고 어떤 단백질이 암을 없애는 T세포 훈련을 돕는지 알아내고자 한다. 코로나19 mRNA 백신은 코로나바이러스의 스파이크 단백질과 모양이 똑같지만 인간 세포에 무해한 복제품을 생산하도록 유도한다. 마찬가지로 암 mRNA 백신 역시 암 환자의 세포를 유도해 암세포의 특정 마커를 생성하도록 명령하는 방식을 따른다. 이렇게 하면 환자의 면역세포가 이를 이물질로 인식하여 신체 능력을 강화하고 암 덩어리도 효과적으로 해결할 수 있을 것이다. 흑색종과 일부 대장암, 췌장암을 예방하는 개인 맞춤형 mRNA 백신은 상당한 가능성을 보여 준다. 또한 미국과 영국을 비롯한 일부 국가에서 규제 기관의 승인이 점점 더 확대될 것으로 예상된다. 이러한 고비용 개인 맞춤형 치료법에서 벗어나기 위해, 바이오엔테크 및 여러 기업들은 다수의 종양에서 공통으로 발견되는 DNA 조각을 겨냥한 범용 암 백신을 적극적으로 개발하고 있다.

코로나19 백신을 만들어 본 경험을 바탕으로, 이제 백신이 컴퓨터 파일에서 제품 생산 단계로 넘어가는 속도는 엄청나게 빨라졌다. 덕분에 현재 암세포의 염기서열을 읽고 분석하고, 맞춤형 암 백신이 나오는 데 한 달 정도면 충분하다. 췌장암, 대장암, 피부암 등을 치료하기 위해 AI 기반 맞춤형 mRNA 치료의 효용성을 탐구하는 수많은 임상시험이 진행 중이다. 또한 나노입자를 흡입하는 방식으로 mRNA를 폐까지 전달하는 새로운 치료법도 연구 중이다.

2023년 4월 모더나와 화이자는 흑색종을 치료하는 맞춤형 mRNA 백신을 개발하는 데 긍정적인 결과가 있었다고 발표했다. 다음 달, 뉴욕 마운트 시나이 병원 의사들은 바이오엔테크와 협력하여 ‘네이처’에 논문을 게재했다. 이들은 16명의 환자를 대상으로 한 맞춤형 췌장암 mRNA 백신 실험에서 절반에 해당하는 참가자에게 직접적이고 긍정적인 면역반응을 일으킨 놀라운 결과를 얻었다고 설명했다. 연구자들은 암 및 다른 질환을 치료하고 위험한 바이러스에서 보호하는 것 이외에도 이 기술을 활용해 유당분해효소결핍증을 완화하고, 콜레스테롤 수치를 안전한 수준으로 유지하며, 우주에서 인간의 방사선 피해를 막을 수 있는 특별한 능력 개발에도 힘을 쏟고 있다.

이런 모든 노력이 새로운 현실의 등장을 알린다. 즉 인간 세포가 궁극적으로 단백질을 생성하는 기계라면, 이 기계가 생산할 수 있는 것의 한계는 어느 순간 인간 상상력의 경계와 생명 시스템이 감당할 수 있는 기술적 한계의 교차점에 놓이게 될 것이다.

인간의 유전자 암호는 분명 그 사람의 정체성과 본질, 가지고 있는 잠재력을 결정하는 데 중요한 역할을 한다. 하지만 암호 자체는 진공 속에 있는 하나의 바이러스 또는 종이에 인쇄된 컴퓨터 코드 한 줄처럼 비활성 존재일 뿐이다. 이 암호는 복잡한 생물학적 시스템 속에서 비로소 살아 움직일 수 있다.

그래서 생물학을 이해하려면 단순히 유전자를 포함한 게놈의 구조를 번역하고 디지털화하는 데 만족하면 안 된다. 그 외에도 유전자 발현을 규제하는 시스템인 후성유전체학(epigenomics), RNA가 게놈의 메시지를 리보솜으로 전달하는 방식인 전사체학(transcriptomics), RNA를 규제하는 시스템인 후성전사체학(epitranscriptomics), 단백질이 발현되는 방식인 단백질체학(proteomics), 표현체학(phenomics), 대사체학(metabolomics), 신체 내 분자 화학 프로세스 등도 이해해야 한다. 이런 시스템은 끊임없이 바뀌고 서로 간, 더 넓게는 주변 환경과도 상호작용한다. 따라서 우리 작업 역시 꾸준히 진행되어야 한다. 다시 말해 80억 명의 게놈을 분석하는 이니셔티브를 진행하더라도 이 프로젝트는 80억 명의 표현체 및 환경 정보를 측정하는 프로젝트와 짝을 이루어야 한다. 그래야만 동적인 생물학적 시스템이 발현되는 모든 방식을 측정할 수 있다.

세계 각국의 연구자들은 ‘자율주행 실험실’이라는 새로운 모델을 구축하고 있다. 이 실험실은 AI 시스템과 높은 처리량을 자랑하는 고급 자동화 기계를 합쳐 신약 개발, 실험 과정, 인간이 설계한 모든 생물학적 연구를 훨씬 빨리 진행시킬 것이다. 다시 말해 머신러닝 알고리즘으로 선별한 수천 번, 수백만 번의 실험을 신속하게 진행하여 인간 연구자들이 정한 목표에 이를 수 있다는 뜻이다.

이 중 하나가 스탠퍼드 연구팀의 ‘버추얼 랩(Virtual Lab)’으로, 각자 다른 역할을 맡은 다섯 개의 AI를 하나로 모으는 방식을 따른다. 인간의 감독 아래 이 시스템은 연구 책임자 역할을 하는 하나의 AI가 면역학, 머신러닝, 계산 생물학을 담당하는 세 AI의 작업을 감독하고 조율하도록 설계되었다. 나머지 하나의 AI는 일종의 전자 보조 관리자처럼 다른 AI의 작업들을 점검한다. 이런 시스템은 아직 독립적으로 작동하지 못하고 오류도 수없이 발생하지만, 앞으로 계속해서 발전해 나갈 것이다. 또한 로봇 공학 및 여러 분야의 발전과 결합하여 과학의 진보를 가속화할 것이다. 2023년 1월 ‘네이처’에서는 이 프로세스가 전문가의 전체 연구 생산량을 30배가량 높임으로써 연구자들의 남은 에너지가 더 어려운 과학 문제를 푸는 데 할당될 것이라고 설명했다.

이에 발맞추어 2023년 8월 ‘네이처’의 ‘AI 시대의 과학적 발견’이라는 기사에는 이런 내용이 실렸다. “AI 시스템의 성능이 인간에 필적하거나 오히려 인간을 넘어서면서 일상적인 실험실 업무는 AI로 대체할 수 있게 되었다. 이에 연구자들은 실험 데이터를 기반으로 예측 모델을 반복적으로 개발하고, 손이 많이 가는 반복 작업을 하지 않고도 모델을 개선하는 실험을 선택할 수 있다.”

우리는 산업화로 인한 끔찍한 대가에 대해 솔직해져야 한다. 그러나 동시에 산업화로 인한 엄청난 이점에 대해서도 진실해져야 한다. 1760년부터 현재까지 세계가 이룬 산업화의 직접적인 혜택에는 국가적 차원과 세계적 차원에서 역사상 예상할 수 없을 만큼 성장한 경제, 기념비적인 생산성의 성장이 있다. 또한 과거에는 상상할 수도 없었던 전반적인 의료/교육/생활 수준의 향상, 마법과도 같은 수준의 혁신과 발명, 현재 대부분의 사람이 거주하는 도시의 성장이 있다.

산업화로 인한 비용은 매우 현실적이고 빠르게 증가하지만 그렇다고 우리 삶에 기반이 되는 것들을 포기하면서 문제를 해결할 수도 없다는 게 딜레마다. 전 세계 수십억 명의 빈곤층이 이 책을 읽는 대부분의 사람과 비슷한 삶을 꿈꾸고 있다는 사실을 생각해 볼 때 현재의 기술을 포기하는 문제는 비도덕적이지는 않더라도 비생산적인 일인 것은 분명하다. 우리가 답해야 할 핵심 질문은 산업화 속도를 어떻게 늦출 것인가가 아니라 더 많은 사람의 필요를 충족하는 문제에서 더 좋은 방식으로, 더 지속 가능하게, 더 큰 규모로 빠르게 행동하기 위해서 어떤 방법을 취할 것인가다.

여기에는 우리가 택할 수 있는 여러 방법이 있다. 먼저 선진국 국민들은 쓸데없는 소비를 줄여야 한다. 현대화라는 혜택을 더 넓게 확산시켜 더 많은 지구촌 사람들이 양질의 교육을 받도록 하고, 새로운 아이디어와 유용한 혁신을 한데 모을 수 있는 수단을 적극적으로 확보해야 한다. 계속해서 증가하는 인구를 위해 필요한 재화와 서비스를 생산할 방법을 찾는 동시에 여기에서 발생할 수 있는 기후, 환경, 자원의 발자국을 줄여야 한다. 이 모든 작업은 최대한 동시에 일어나도록 해야 한다. 지금쯤이면 당신도 이 목표를 이루기 위해 우리가 어느 길로 나아가야 하는지 대충 예상할 수 있을 것이다.

좋은 소식은 유전학, 생명공학, AI 혁명이 교차하는 곳에 우리에게 도움이 될 방법이 존재한다는 점이다.

초기 바이오연료들은 작물에서 먹을 수 있는 부분만 사용해서 만들었다. 사용 가능한 에너지가 대부분 이곳에 저장되어 있었기 때문이다. 그러나 새로운 방식은 버려지는 부분까지 포함해서 식물 전체를 사용하기 때문에 더 많은 부분을 합성 세포에 먹이로 줄 수 있었다. 또한 현재 개발 중인 새로운 버전의 유전자 변형 식물은 더 쉽게 바이오매스를 에너지로 전환할 수 있다.

많은 조류는 이미 태양 빛을 수소로 바꾸는 작업을 오랫동안 해왔다. 그래서 이 작업을 바탕으로 조류가 더 효율적으로 작업하도록 설계하는 일이 진화로 얻은 능력과 동떨어진 작업을 하게 만드는 것보다 쉬울 것이다. 이뿐만 아니라 다른 부분에서도 노력이 이어지고 있다. 예를 들어 일부 연구자들은 대장균이 먹이를 먹고 에탄올을 합성하도록 유전자를 조작했다. 다른 연구자는 효모를 조작하여 식물의 부산물을 먹고 바이오연료인 이소부탄올을 생산하도록 하고, 그 과정에서 이산화탄소가 아닌 수소를 부산물로 내보내도록 했다. 이 외에도 합성 효소인 CelA를 개발하여 식물 바이오매스를 단순당 형태로 더 쉽게 분해하고 빠르게 당을 발효하여 바이오연료로 전환했다. 또한 크리스퍼-카스9 기술을 이용해서 일반 효소를 바이오연료 생산에 유용한 종류로 빠르게 진화하도록 만들었다.

그러나 이런 방법들에는 여러 가지 문제가 있다. 그중에서 가장 큰 두 가지는 세포 배양육과 관련된 문제와 매우 흡사하다. 첫째는 이러한 종류의 생물학적 시스템에는 구조적으로 내재된 자기 제한적 특성이 있어서 이들을 대규모로 성장시켜 현재의 화석연료 공급량을 맞추기가 매우 어렵다는 점이다. 그러나 사람들이 화석연료의 공급량이 머지않아 한계에 다다를 것이라고 예상하거나, 많은 정부와 국민이 화석연료에 대한 지속적인 의존의 피해가 너무 커서 이 방향을 바꿀 필요성을 느낀다면 첫 번째 문제는 그렇게 심각하지 않을 수도 있다.

둘째는 비용이다. 현재 화석연료는 대부분의 바이오연료를 포함한 다른 대체 에너지 자원보다 더 저렴하다. 그러나 화석연료의 가격이 순수 추출 비용과 석유수출국기구 OPEC 카르텔의 시장 조작이 아닌 전체 사회 비용을 기준으로 책정되거나, 기적적으로 세계 탄소세가 부과되거나, 사용 가능한 화석연료가 고갈되기 시작하면 이 문제 역시 미래에는 해결될 소지가 있다.

화석연료를 더 지속 가능하고 비용 효율적인 대체 에너지로 만들려면 차세대 바이오연료를 뒷받침할 기초 과학과 응용과학에 대한 지원을 늘려야 하고, 투자와 세금 감면, 규제 변화도 필요하다. 현재는 유전공학 부품 표준화를 위한 바이오브릭 사용, 세포의 복잡한 생태계를 해독하는 멀티오믹스 시스템 생물학, 새로운 게놈 편집 능력, 자율주행 실험실, 확장 중인 강력한 바이오파운드리(biofoundry), 첨단 AI 시스템, 향상된 컴퓨팅 성능의 적용과 같은 기술 역시 우리가 앞으로 나아가는 데 도움을 준다.