[리뷰] 알파폴드 : AI 신약개발 혁신, 그리고 한계

알파폴드: AI 신약개발 혁신
남궁석 지음 / 바이오스펙테이터 / 2024년 3월

딥마인드가 꾸준히 단백질 구조 예측 연구를 하던 학계 연구팀에 비해 압도적인 결과를 낼 수 있었던 비결은 무엇일까? 이는 알파폴드2가 매우 다양한 시도가 포함된 단백질 구조 예측을 위한 새로운 딥러닝 시스템이라는 점에 있다(p221)... 한편 딥마인드는 오랫동안 딥러닝 및 단백질 구조 연구를 수행해 온 경험 많은 연구자로 대규모 연구팀을 꾸렸다. 여기에 구글의 방대한 컴퓨팅 자원을 자유롭게 사용할 수 있다는 것도 큰 격차를 불러왔을 것이다. _ 남궁석, <알파폴드 : AI 신약개발 혁신>, p223

<알파폴드 : AI 신약개발 혁신>은 독자들에게 최근 AI혁명이 바이오산업에 가져온 혁신과 변화를 알려준다. 아미노산 서열과 같은 1차 구조, 알파 나선과 베타 병풍 구조 등의 2차 구조, 2차 구조들의 접힘을 통해 이루어지는 3차 구조와 화학적 상호작용 등에 의한 단백질 기능 결정은 단백질 구조를 파악하고 예측하는데 큰 장애였다. 이를 전자현미경 등 장비 기술의 발전과 AI를 활용한 추론으로 극복하고 있는 단백질 연구와 신약개발의 현황을 <알파폴드 : AI 신약개발 혁신>은 잘 보여준다.

1990년대 후반에 3D 게임이 등장하자 3D 그래픽을 처리하기 위해 GPU가 만들어졌고, GPU가 3D 그래픽 처리 외에도 행렬연산 등을 CPU보다 훨씬 빠르게 처리하자 과학 기술 분야에서 계산이 필요할 때도 쓰이기 시작했다. 결과적으로 이는 2010년대 이후 '딥러닝(Deep Learning)으로 대표되는 인공지능의 비약적인 발전의 물적 기반이 되었다. _ 남궁석, <알파폴드 : AI 신약개발 혁신>, p198

바이오 산업에서 이러한 변화를 가져온 것은 AI 혁명의 결과임은 분명하다. 그렇지만, 알파폴드의 성공에서 우리가 주목해야 할 것은 AI의 가능성에 그치지 않는다. 이러한 연구를 성공할 수 있었던 배경 중 하나로 보다 전문화된 인력의 대규모 투입임을 간과해서는 안된다. AI의 대표적인 문제점인 할루시네이션(Hallucination) 검증을 위해서 이전보다 전문연구원의 투입이 요구되며 이는 알파폴드의 산출물의 품질과 직결된다. 이러한 점을 고려해본다면, AI시대에도 여전히 19세기와 같은 자본재와 노동의 결합이라는 자본주의 생산구조는 유효하다고 볼 수 있지 않을까. 결합되는 노동력과 자본재의 내용은 달라지겠지만.

효율적인 DNA 서열 결정이 가능해지면서 이후 DNA에 근거하여 유전자의 염기 서열을 결정할 수 있게 되었다. 또한 특정한 유전자가 만들어 내는 단백질의 아미노산 서열 역시 유전자 암호를 번역하여 얻을 수 있게 되었다... 단백질 서열 결정법의 개발은 단백질의 가장 중요한 정보인 단백질이 어떤 아미노산 순서로 되어 있는지 손쉽게 파악하는 계기가 되었다. _ 남궁석, <알파폴드 : AI 신약개발 혁신>, p46

<알파폴드 : AI 신약개발 혁신>은 딥마인드와 알파폴드의 사례를 통해 AI시대의 혁신과 변화가 이전과는 얼마나 다른지 그리고 얼마나 큰 것인지 보여준다. 그와 동시에 자본재와 노동의 결합이라는 기본적 틀은 달라지지 않았다는 점에서 AI 혁명의 구조적 한계 그리고 결합 내용의 변화에 대응하기 위한 과제를 단백질 연구와 신약개발이라는 바이오 산업을 통해 보여주는 책이라 생각한다...