여기 Nature Microbiology에 원본 연구가 있음 링크임. 흥미로운 부분을 공유하고 싶음. 대학 보도자료에 따르면, 지금까지 AI는 치료 잠재력을 가진 분자를 예측하는 도구로 이용됐지만, 이번 연구에선 ‘작용기전(MOA)’ 즉, 약물이 질병을 어떻게 공격하는지 밝히는 데 AI를 사용했음. MOA 연구는 약물 개발에 필수임. 이는 과학자들이 안전성을 확인하고, 용량을 최적화하고, 효능을 개선하며, 때로는 새로운 치료 표적까지 발견하게 도와줌. 규제기관도 이 연구를 바탕으로 해당 신약이 인간 사용에 적합한지 판단할 수 있게 됨. 기존에는 MOA 연구에 보통 2년, 약 200만 달러가 걸렸지만, 이번엔 AI를 활용해 6개월에 6만 달러로 끝냈음. 새로운 항생제 발견 후, Stokes는 MIT CSAIL 동료와 협업하여 최신 머신러닝 플랫폼이 MOA 연구를 빠르게 진행할 수 있는지 알아봄. 단 100초 만에 예측이 나왔고, 새 약물이 LolCDE라는 박테리아 생존에 필수적인 미세 단백질 복합체를 공격한다는 걸 확인함. MIT의 Regina Barzilay 교수(DiffDock 개발자)는 “우리는 이번 사례에서 AI가 단순 분자 탐색을 넘어, 개발 프로세스 전반에 필수적인 기전 설명도 줄 수 있음을 보여줌”이라고 설명함
연구실에서 새 항생제를 발견한 후, Stokes가 MIT CSAIL의 동료들과 협업하는 과정이 정말 멋지게 느껴짐. 대학에 있으면 캠퍼스 내에서 다양한 전문가를 쉽게 만날 수 있고, 관심 있는 문제를 최첨단 분야의 힘을 빌려 해결하는 게 가능한 환상적인 환경임
DiffDock이 대형 언어 모델(LLM)인지 궁금함. 일반 대중은 AI란 말을 들으면 곧바로 ChatGPT 같은 LLM을 떠올리는데, OpenAI도 자기들이 ‘생각하는 기계’를 만들고 있다고 하고, 기사 헤드라인에도 “예측했다”라고 쓰여져 있으니 더욱 헷갈림
사전 공개본(pre-print) 있는지 궁금함. 나는 더 이상 대학에 소속되어 있지 않아서, 예전처럼 누가 밤새 논문을 올려놓는 현실이 아니라 아쉬움
뭔가 이상하다고 느낌. LolCDE가 E. coli의 취약점이라는 건 2016년 이전부터 알고 있었고, 이를 억제할 수 있는 globomycin 같은 것도 1978년부터 알려져 있었음 참고링크1 참고링크2. 그러면 enterololin은 globomycin의 새로운 변종일 뿐인지 의문임. AI가 똑똑한 건지, 아니면 과학자들이 점점 둔해지는 건지 모르겠음
MOA 연구에 기존엔 2년, 200만 달러가 들었는데, 이번엔 AI로 6개월, 6만 달러에 끝낸 점이 정말 아름다움. 이젠 코드 자동완성이나 이미지 생성이 아닌, AI/머신러닝의 진짜 가치 가운데 하나가 제대로 나온 듯함. 앞으로 10년간 이 분야가 어떻게 진화할지 정말 기대됨. Protein folding의 AlphaFold와 이번 기전 예측을 통한 비용 절감과 임상시험의 신속화를 꾸준히 지켜보고 싶어짐
이 기사가 ‘AI가 연구자의 일자리를 대체한다’는 관점을 강화한 것 같지만, 실제로 내가 직장에서 AI 툴을 쓸 때와 매우 비슷하게 느껴짐. Stokes는 예측 결과가 흥미롭긴 하지만, 어디까지나 예측일 뿐이고, (전통적인) 실험적 MOA 연구를 반드시 수행해야 한다고 강조함. AI가 ‘정확할 수 있다’는 점이 우리 다음 단계를 고민하는 시간을 아껴줌. 그래서 MIT 예측을 바탕으로 실험을 시작했고, 몇 달 후 AI 예측이 사실로 밝혀짐. 결국 표준 MOA 실험을 통해 예측이 맞음을 검증했고, 이렇게 진행해서 정상보다 1.5년을 아낄 수 있었음
AI라는 용어가 요즘 이해하기 어려운 개념이 됐다고 여김. 대중은 AI=ChatGPT로 생각해서 “ChatGPT가 신약을 발견했다”고 상상함. 하지만 실제 연구에서는 트랜스포머(LLM)뿐만 아니라 여러 ML 도구를 다양하게 쓰는데, 절대 LLM이나 ChatGPT와 관계 없는 것이 대부분임
나도 공감함. 너가 LLM을 직접 쓰는지, 아니면 네 분야에 맞는 ML/딥러닝 도구를 쓰는지 모르겠음. 최근 1년간 LLM 성공담 대부분은, 이런 도구가 “실전 전선”에 있는 전문가(이미 해당 분야의 최첨단 논문들을 다 읽은 사람)에게 훨씬 큰 도움이 된다는 데 있다고 느낌. “환각(hallucination)”에 대한 불만은 실제 흐름의 맨 앞에 있는 사람들이 아니라, 다른 곳에 기대거나 추가 정보를 찾을 곳이 없는 비전문가의 경험에서 나온다고 생각함. 오히려 LLM이 내 관심분야와 전혀 몰랐던 이웃 분야까지 연결해서 가설이나 실마리를 던져주는 데서 엄청난 효과가 있다고 여김. 결국, 실험이나 검증은 연구자가 직접 해야 하고, 때론 내가 내린 결론이 확신이 안 서면 LLM에 내 데이터를 넣어 같은 결론에 도달하는지 테스트함. 환각은 전혀 걱정하지 않음. 오류에 대한 책임자는 결국 나임. 그리고, 지식의 최전선에서는 엉뚱한 조언도 신선한 아이디어로 이어질 수 있음. 요즘엔 정보를 어디서 찾아야 좋을지 며칠, 몇 주, 몇 달 동안 막히는 일이 거의 사라졌음. 예전에 Palantir가 인간/컴퓨터 협업의 ‘워크플로우’가 중요하다는 체스대회 포스팅에서, 결국 아마추어+최고 워크플로우가 우승했다고 했었는데, 이제는 새로운 도구들이 전문가에 더욱 힘을 실어주는 사회가 됐다는 생각임 링크
이번 연구에서 AI와 연구진이 발견한 것은 IBD(염증성 장질환) 자체의 치료제가 아님. 오히려 IBD 환자나 광범위 항생제 치료를 받은 이들은 장내에 enterobacter 종(일부 E. coli 포함)이 과도하게 증식하는 경우가 많음. 이들은 기존 항생제에 내성이 있어 장 건강에 좋지 않은 상태임. 연구진은 이 enterobacter류만 선택적으로 억제하고, 전체 마이크로바이옴은 그대로 남기는 신물질을 발견함. 이는 장내 박테리아 불균형으로 고생하는 사람들(특히 IBD 환자)이 좀 더 건강한 장 환경을 되찾는 데 도움을 줄 수 있음. 단, 마우스 실험 단계임
IBD 환자에서 마이크로바이옴 균형을 완전히 바로 잡으면 질병 사이클이 끊어지고 휴지기에 들어갈 수 있을 것이란 가설이 오랫동안 존재했음(아직 공식적으로 입증된 건 아님)
기사에 따르면 “이 신약은 수백만 IBD 환자에게 아주 유망한 치료제가 될 수 있음. 현재로선 완치 방법이 없기 때문에, 증상을 의미 있게 완화해 삶의 질을 높여줄 수 있음”
IBD가 E. coli 때문에 생긴다는 게 잘 입증된 사실인지 궁금함. 혹시 E. coli에 민감하게 반응하는 구조인지 헷갈림
아직 확실치 않음. 유전적 요인과 균(미생물)이 복합적으로 작용하는 듯함. 상황이 꽤 복잡함. 염증이 생긴 피부의 배양조직(혹은 생검)만 보고 ‘아하! 이거구나!’ 할 수 없기 때문임. 가장 효과적인 치료법들도 결국 면역체계 일부를 차단하는 전략이고, 일부 환자들에게 다양한 면역억제제를 써보고 또 혼합해서 그럭저럭 관리하는 게 현실임
우리 모두가 E. coli를 가지고 있기 때문에 직접적인 원인은 아님. 기사 내용이 혼동을 주는데, 이번에 발견된 건 기존보다 좁은 스펙트럼(대상 세균)이어서 인체의 자연스러운 세균층을 덜 훼손하게 됨. 반대로, 내성 있는 enterobacter(주요종이 e coli지만 전부는 아님)가 더 쉽게 과다 증식할 수 있음. IBD와 e coli 과다 증식된 마이크로바이옴 간 상관관계가 있음. 관련있는 e coli 아형도 발견되고 있음 참고링크
정확하게 IBD를 E. coli가 유발하는 건 아니지만, E. coli와 다른 Enterobacteriaceae가 실제로 염증을 기회 삼아 번식할 수 있음. 염증은 질산염을 분비시키는데, Enterobacteriaceae는 이것을 최종 전자수용체로 이용해 번식함. 또, 보호점액층이 얇아지거나 구멍이 많을 때(종종 마이크로바이옴이 망가져서 생기는 현상임), 이들이 더 쉽게 침투하여 증식함. 이런 균 증식이 오히려 염증을 유발, 관해(remission)을 어렵게 만듬. 최근엔 E. coli가 점막에 달라붙을 때 쓰는 인자들을 차단해서 염증을 줄이는 임상 결과도 일부 있음
연구자들에게 GPU 크레딧을 직접 지급하지 않는 이유를 잘 모르겠음. 번거로운 법적 과정 말고, 이메일 주소로 runpod/prime-intelect 혹은 x-gpu 제공 업체에 계정 만들어 5천 달러 만큼 입금해주면 됨. 실제로 받을 만한 사람이 누구인지 Github, Huggingface 히스토리 보면 충분히 걸러낼 수 있음
“AI 모델이 항상 옳다고 가정할 수 없다”는 점에 대해, 왜 우리가 그런 전제를 가져야 되는지 의문임. 그리고 “옳을 수 있다”는 가능성 덕분에 다음 단계에서의 시행착오를 줄인 것으로 보임. 하지만 이것이 단순히 confirmation bias(확증 편향)는 아닌지 생각해봄. 예를 들어, 100개의 사례 중, AI에게 “이건 어떻게 작동하는가?”라고 묻고 99번은 말도 안 되거나 그럴싸하지만 틀린 솔루션인데, 1번 맞았던 것만 기사에서 보는 것일 수 있음. 그게 실험실에서 맞았다고 해서 AI가 시간 단축했다고 볼 수 있나 의문임. 고장난 시계도 하루 두 번은 맞게 됨. “고장난 시계지만 맞을 때 대박이다!”라고 할 수 없는 것처럼, 우리가 “생산적인 AI”가 아니라 단순히 운 좋은 사례만 보는 게 아닌가 싶음. 정말 이 분야가 발전했다고 말하려면, 실패 사례도 데이터로 공개하거나 인정해야 진정성 있다고 봄. 그렇지 않으면 기껏 hype(과대 광고)만 키우는 격임
실제로 연구진은 여전히 과학적 방법론을 사용하고 있음. AI가 해주는 건 검증할 가설 제공임. 그래서 AI는 ‘설득력 있는 가설 브레인스토밍’에는 엄청난 힘이 있음
인간 전문가도 첨단 연구 현장에선 자주 틀림. 대부분의 가설이나 실험은 실패로 돌아감. 그런데 우리가 연구자가 돌파구를 마련할 때 칭찬하는 건, 그들이 100% 성공해서가 아니라 남들보다 더 빨리, 무작위보다는 더 높은 확률로 맞았기 때문임. AI로 인해 100개의 사례에서 1/99 성공이 2/99 혹은 3/99로 올라간다면, 효율이 두세 배 증가한 것임. 그리고 만약 AI가 100초 안에 이 모든 직감을 시험할 수 있다면, 인간보다 훨씬 빠른 진도가 가능해짐
내가 이해한 바로는, 이 연구는 IBD 치료제가 아니라, IBD 환자에게 더 안전한 항생제로 보임
McMaster University가 농담처럼 들릴 수 있지만, 실제로 1887년에 설립된 대학임 [위키 참조]
캐나다 내 최상위 대학 중 하나임. 내 생각에 의학 연구 쪽으론 캐나다에서 최고라고 봄 참고링크
런던에도 Goodenough College라는 곳이 1930년부터 운영되고 있는데, 이름이 의미하는 것과 달리 정말 제대로 운영되고 있음
머신러닝이 과학 연구에 사용된 지 10년이 넘음. 근데 이번에 뭐가 달라진 것인지 궁금함. 일반 언론이야 용어를 마구잡이로 쓰는 게 그렇다고 해도, NATURE가 ‘인공지능’이라는 단어를 왜 쓰는지 모르겠음