[취재파일] "재밌는 것을 쫓다보니 도전적이 되었어요"

제1회 'SBS문화재단 그랜드 퀘스트 프라이즈' 수상자
백민경 서울대 생명과학부 교수, 김상범 서울대 재료공학부 교수

과학·기술 관련 뉴스에 관심있는 사람들이라면 이세돌 9단과 바둑을 뒀던 알파고를 개발했던 업체, '구글 딥마인드'에서 단백질의 RNA, DNA 생체 분자 구조와 결합을 예측할 수 있는 AI를 개발했다는 소식 들어보셨을텐데요. 구글 딥마인드 못지 않은 성능을 보이는 단백질 구조를 예측하는 인공지능을 개발한 국내 학자가 있다는 사실 혹시 알고 계셨나요? 바로 백민경 서울대 생명과학부 교수입니다.

지난 7일, SBS문화재단과 서울대학이 과학기술분야의 난제를 연구하는 신진학자들을 지원하기 위해 SBS문화재단 그랜드 퀘스트 프라이즈를 신설했는데요. 오늘은 제1회 'SBS문화재단 그랜드 퀘스트 프라이즈'의 공동 수상자 가운데 한 명인 백민경 서울대 생명과학부 교수를 소개합니다.

Q. 제1회 SBS 문화재단 그랜드 퀘스트 어워드의 수상을 축하드립니다. 먼저 어떤 연구를 하고 계신지 소개 부탁드릴게요.

안녕하세요? 서울대 생명과학부에 재직 중인 백민경이라고 합니다. 저는 인공지능이라는 계산 도구를 활용해서 저희의 생명현상의 핵심인 단백질 구조가 어떻게 생겼는지, 그리고 그 구조를 기반으로 어떠한 상호작용을 하면서 기능을 하는지를 밝혀내는 연구를 하고 있습니다.

Q. 얼마 전 인간의 유전자 정보가 다 밝혀졌다 이런 기사들도 나오고 구글 딥마인드에서 단백질의 RNA, DNA 생체 분자 구조와 결합을 예측할 수 있는 AI를 개발했다 이런 얘기도 들려오고 있는데요. 교수님께서 하시는 연구와 어떻게 연계되거나 다른 것인지 궁금합니다.

저도 인공지능을 활용한 단백질 구조 예측 혹은 단백질의 기능이나 새로운 단백질을 설계하는 그런 연구를 인공지능과 접목해야겠다고 생각하게 된 계기가 구글 딥마인드가 알파고를 보여줬을 때였어요. 그전까지는 인공지능이라고 하는 게 SF영화 아니야? 이런 느낌이었는데 알파고를 본 순간, 생각보다 인공지능의 성능이 많이 올라왔구나 이게 과연 과학연구에도 접목될 수 있을까라는 질문을 던져주었던 것 같고요. 그래서 저도 인공지능을 뒤늦게 배웠거든요. 뒤늦게 인공지능을 배우면서 원래 연구하고 있던 단백질의 구조와 기능을 예측하는 연구에 인공지능을 어떻게 접목해 볼 수 있을까라는 연구를 많이 했었습니다.

딥마인드가 최근에 발표한 '알파폴드'나 알파폴드의 후속작들은 제가 하는 연구랑 사실 굉장히 비슷해요. 저도 이제 단백질 혹은 생체 분자들이 어떻게 생겼고, 어떻게 기능하는지를 걔네들의 구조를 예측해 보고 그 구조를 기반으로 또 어떤 단백질과 혹은 어떤 다른 분자가 결합하는지, 그 결합 구조를 예측해 보면서 이해하는 연구를 하고 있는데 그런 면에서 많은 부분 사실 맞닿아 있습니다. 어떻게 보면 경쟁자라고 볼 수도 있고 어떻게 보면 서로에게 자극이 되는 좋은 원동력이 되고 있는 거죠.

<백민경 교수가 개발한 단백질 구조 예측 인공지능 '로제타폴드'는 '사이언스'지에
구글 딥마인드가 개발한 '알파폴드'는 '네이처'지에 같은 날, 같은 시간 공개>

제가 미국에 있을 때 '로제타폴드'라는 단백질 구조 예측하는 인공지능을 개발했는데 운이 좋게도 구글 딥마인드가 개발한 알파폴드랑 같은 날 같은 시간에 공개가 됐습니다. 제가 만든 것은 '사이언스'에, 구글 딥마인드는 '네이처'가 논문이 공개됐는데요. 그때 사람들이 처음으로 생명과학이라는 게 그동안은 실험으로만 연구되는 학문이라고 생각을 했는데 실험이 아닌 다른 계산 방법, 혹은 AI를 활용해서도 큰 도움을 얻을 수 있다는 것을 알게 되는 좋은 계기가 됐습니다. 워낙 임팩트가 컸었고 2021년 한 해 총 결산하면서 사이언스 저널에서 올 한 해 가장 혁신적인 연구로 10개를 뽑은 뒤 독자와 에디터들에단게 투표를 하게 됐는데 둘이 일치한 게 단백질 구조 예측 인공지능이 생명과학 연구를 한 단계 업그레이드시켜 줬다고 해가지고 올해의 최고 혁신연구로 선정됐습니다.

단백질에 대해서는 구조나 결합정보를 굉장히 정확하게 예측해 볼 수 있습니다. 좋은 경우 90% 이상 어려운 경우에도 7,80% 나옵니다. 그런데 항체는 좀 얘기가 다릅니다. 항체는 우리 몸 안에 외부 침입 물질이 들어왔을 때 맞서 싸우는 방어막 역할을 하는데요. 어떤 침입물질이 들어와도 대비할 수 있어야 돼서 굉장히 유연한 저희가 룹이라고 부르는 손끝이 이렇게 쉽게 움직일 수 있는 것처럼 유연한 구조로 우리 몸에 들어온 외부 침입 물질을 붙잡습니다. 침입물질에 따라 붙잡아야 하는 형태가 달라질 텐데 굉장히 잘 바뀌기도 하고 유연성이 뛰어난 친구들이라서 정확한 구조 예측이 상당히 어렵습니다. 최근에 나온 알파폴드3도 연산을 1천 번 넘게 시도를 해야 얘가 어디에 붙을지 50~60% 정도 알 수 있다 하거든요. 제가 개발하고 있는 항원-항체 결합구조 예측 인공지능도 알파폴드3랑 비슷한 수준의 성능을 보여주고 있습니다. 저희는 앞으로 더 나아가 단순하게 주어진 항원에 주어진 항체가 결합할까? 결합한다면 어떤 구조로 붙을까? 의 문제가 아니라 주어진 항원 단백질에 맞서 싸울 수 있는 항체를 우리가 과연 설계할 수 있을까? 그러려면 항원-항체 결합 구조의 예측 정확도가 거의 90% 가까이까지 올라가야 하고 예측을 넘어 설계까지 할 수 있는 기술로 확장되어야 한다고 생각하고 있습니다.

< 인공지능 단백질 구조 모델링 기술 '알파폴드'와 '로제타폴드'
-단 몇 분 내에 단백질의 고정확도 구조 예측 가능>

Q. 산업계가 아닌 학계에서 이런 결과를 내셨다니 더욱 대단하게 느껴집니다. 멋진데요. 교수님들 하시는 연구를 통해 궁극적으로 이루고 싶은 것은 무엇일까요?

저는 항체 설계 관련 연구들도 많이 하고 있지만 기존의 생명과학 연구는 대부분 상관관계 파악에 그치는 경우가 많습니다. 어떤 병에 걸린 환자분 데이터를 분석해 보니까 유전자에 살짝 문제가 있더라 이 유전자랑 이 병이 서로 상관관계가 있는 것 같다 하는 연구들이지 인과관계를 아는 것은 아닙니다. 현재로는 인과관계까지 설명하기는 굉장히 어렵습니다. 그래서 궁극적으로 제가 하고 싶은 것은 저희 세포 안, 혹은 몸을 이루는 세포 사이들의 상호작용 지도를 인공지능 혹은 다른 계산 기법들을 활용해 밝혀내는 연구를 하고 싶습니다. 그런 지도가 있다면 어디가 고장 났을 때 저쪽의 전혀 상관없는 데에서 시그널이 온다고 하면 저희가 지도가 있으면 여기에서 저기까지 어떻게 연결되는지를 보고 그거에 따른 인과관계를 추론해 볼 수가 있잖아요. 질병 치료에도 이렇게 하면 되겠다 더 효율적으로 전략도 세울 수 있고, 생명 과학 연구 측면에서도 왜 그러한 현상이 생기는지에 대한 더 합리적인 가설을 세움으로써 새로운 발견들을 더 촉진할 수 있을 것이라 믿습니다. 저 개인적으로는 특정 질병을 치료하는 약을 만들겠습니다 보다는 굉장히 폭넓게 영향을 미칠 수 있는 정말 기초적인 도구를 만드는 데 더 관심이 많습니다.

 

Q. 교수님 하는 연구를 통해 사람들이 처음으로 생명과학도 실험으로만이 아니라 AI를 활용해서도 큰 도움을 얻을 수 있다는 것을 알게 된 계기가 됐다고 하셨는데요. 실험실에서 하는 연구와 AI로 접목할 때 가장 달라지는 장점은 무엇일까요?

실험실에서 그동안 연구를 해왔기 때문에 AI를 접목할 수 있는 것인데요. AI는 기본적으로 데이터를 먹고 자라는 친구입니다. 실험을 하면서 끊임없이 데이터가 누적이 되어 있었고 그게 버려지지 않고 어딘가에 잘 축적이 되어 왔기 때문에 지금의 단백질 구조 예측 인공지능 '알파폴드', '로제타폴드'와 같은 방법들이 개발될 수 있었던 것인데요. 그래서 점점 더 실험 데이터의 중요성을 저희가 인식하고 있습니다. 예전에는 대부분의 실험 데이터들이 버려지는 것들이 많았습니다. 특히 제가 연구하는 분야 중에 하나인 단백질 설계, 항체 설계 이런 것들은 실험하면 성공한 데이터만 남았습니다. 실패한 건 사실 굳이 기록으로 남길 이유가 없었잖아요. 그래서 대부분 버려졌어요. 그래서 열심히 데이터를 긁어모아도 성공한 사례만 있고 실패한 사례는 없습니다. 결국 인공지능을 학습하려면 성공한 사례를 잘 보여주는 것도 중요하지만 어떻게 했을 때 실패한다를 보여줘야지 얘네들이 좀 더 밸런스 있게 잘 배울 수가 있습니다. 그래서 데이터의 중요성이 더 인식되고 있습니다. 실험과 AI는 사실 함께 발전해야 합니다. 실험에서 성공과 실패의 사례 모두를 계속 검증해서 끊임없이 AI에게 피드백을 주고 AI는 그 데이터를 받아서 먹고 자라면서 실험하시는 분들이 좀 더 효율적으로 실험할 수 있게 도와주고 하는 상생의 관계에 있다고 생각합니다.

<예측된 항체구조 확인 작업을 하고 있는 백민경 교수>

Q. 이번에 SBS문화재단과 서울대학교에서 당장은 해법이 나오지 않을 수 있지만 개발되면 패러다임이 바뀔 정도로 큰 중장기적인 연구를 하는 신진학자들을 지원하는 상을 신설하게 됐는데요. 1회 수상자로서 어떤 의미가 있는지 궁금합니다.

'그랜드 퀘스트'라고 하는 프로그램에 참여한 것 자체가 한번 더 항체 설계가 중요한데 왜 안되지? 뭐가 문제지? 어떻게 해결해야 되지? 하는 질문을 끊임없이 던지고 윤태영 교수님과 같이 대화를 해가면서 앞으로 어떤 식으로 연구를 진행하면 좋겠다에 대한 새로운 아이디어를 얻는 시간이었습니다. 그리고 단순히 일회성 그랜드 퀘스트 프로젝트로 '이런 난제가 있습니다'를 발표하는데서 끝나는 게 아니라 '그랜드 퀘스트 프라이즈'를 통해 연구를 실행해 볼 수 있는 계기가 된 것은 어떻게 보면 저희에게 '응원가' 같이 느껴지기도 하거든요. '너네가 얘기한 것 정말 중요한 문제니까 정말 한번 해봐' 이렇게 응원하시는 것처럼 느껴져서 앞으로도 좀 이런 중장기적 계획, 좀 더 도전적인 연구들을 할 수 있는 환경이 조성됐으면 좋겠습니다.

Q. 지난해 '그랜드 퀘스트' 연구를 얘기하실 때 이정동 교수님께서 지속적으로 강조한 게 '기술주권'이었거든요. 기술주권의 차원에서는 지금하시는 연구를 어떻게 볼 수 있는지 궁금합니다.

글로벌 시대이고 자유로운 시대라고 하지만 경쟁력을 갖출 수 있는 기술에 대해서는 국가 간 유출되지 않도록 조심하는 부분들이 많잖아요. 우리나라는 어떤 기술을 가져야 하느냐 고민을 해봐야 할 필요가 있다고 생각하고요. 항체 관련해서도 우리나라가 바이오 제조에 대해서는 상당히 경쟁력이 있습니다 삼성바이오로직스도 있고요. 셀트리온도 있고 항체를 잘 생산할 수 있는 기술력을 가진 회사들은 많고 SK바이오사이언스는 백신 제조에 특화돼 있고요. 그런데 항체나 백신을 설계할 수 있는 바이오 관련 설계 기술을 우리가 가지고 있나 하면 그렇지는 않습니다. 정작 우리가 자체 설계할 수 있는 기술이 부족한 거죠. 제 생각에는 제조만 가지고는 주권을 확보하기 힘들다는 생각이 들고요. 그래서 기술 주권을 제대로 갖추려면 바이오 제조뿐 아니라 설계할 수 있는 능력까지 와야 한다고 생각하고요. 이제 그랜드 퀘스트의 한 꼭지로 생각을 하긴 했지만 항체 설계뿐 아니라 전반적인 바이오와 관련된 AI든 어떤 도구든 간에 이런 것들을 활용해 좀 더 이해도를 쌓아 이 기반으로 새로운 걸 설계하는 기술에 있어서도 투자가 더 많이 이뤄져야 하지 않나 생각합니다.

<글로벌 의약품 매출 순위 가운데 항체와 관련된 치료제>

Q. 중장기적인 난제를 풀기 위해 이런 지원이 조금 더 있었으면 좋겠다는 바람이 있다면?

중장기적인 연구를 더 잘 수행하려면 결국에는 인프라가 잘 갖춰져야 합니다. 지금 계속 AI와 바이오의 접목이 중요하다. 엔비디아의 젠슨 황도 "AI를 공부할 게 아니라 바이오를 공부해야 한다"고 얘기할 정도로 AI와 바이오가 같이 가는 것에 관심이 많은데요. 저희가 그런 연구를 할 수 있는 인프라가 이미 국내에 갖춰졌나 하면 대부분 없습니다. AI를 개발하는데 특수한 컴퓨터들이 필요하거든요. GPU가 많이 달린 슈퍼 컴퓨터가 필요한데 연구실별로 각개 전투하고 있어요. 어떻게든 연구비를 따서 자기 랩에 구축하고 있는 상황이죠. 국가적인 컴퓨팅 센터를 만들어야 되지 않냐 논의는 계속되는데 사실 좀 느리게 진행되고 있습니다. 그래서 일단 연구 인프라가 가장 중요하다고 생각하고요. 그래야 관련 연구를 하는 인력도 많아질 것이고 중장기적으로 계속 성장해 나갈 수 있지 않을까 생각합니다.

국내에도 이렇게 도전적인 과제에 치열하게 노력하는 수준 높은 신진학자가 있다는 사실이 새삼 뿌듯함을 느꼈는데요. 마지막으로 더 하고 싶은 얘기가 있는지 물었더니 아래와 같이 전해주었습니다.

"연구할 때 즐겁거든요. 그래서 꼭 '이런 연구자가 될 거야' 해서 지금의 자리에 온 게 아니라 그냥 재미있어하던 걸 쫓다 보니 이 자리에 오게 됐는데 연구를 할 때 장기적인 관점에서 이게 중요하니까 '정말 중요한 문제니까 이것을 풀어야 해'라기보다 '이런 문제 좀 재밌는데?' '어떻게 풀 수 있을까?' 이런 식으로 생각하다 보니 장기적인 프로젝트, 파급력이 여기까지 갈 수 있겠구나 이런 식으로 흘러가는 것 같아요. 환경도 점점 좋아지고 있어서 저희 연구에도 더 많은 관심과 응원 부탁드린다는 말씀 마지막으로 전하고 싶습니다."

(글: 이정애 기자, calee@sbs.co.kr)