A Turing-Style Test for In-Silico Antibodies: How Sampling Mode Makes WGAN-GP Beat VAE in the Wet Lab
본 연구는 Wasserstein GAN이 실험적으로 실행 가능한 데 노보(de novo) 항체를 생성하는 데 있어 변이형 오토인코더보다 우수한 성능을 보였으나(99% 대 5%의 성공률), 이러한 격차는 구조적 우월성보다는 무조건적 생성과 기지의 항체를 이용한 잠재 공간 시딩(latent seeding)이라는 샘플링 전략에 의해 주로 발생했음을 입증한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
항체는 인체의 특화된 보안 요원으로, 바이러스나 박테리아와 같은 침입자를 식려내고 무력화하기 위해 혈류를 순찰하는 Y자 모양의 단백질입니다. 수십 년 동안 질병과 싸울 새로운 항체를 찾는 과정은 생물학 실험실에 크게 의존하며 느리고 비용이 많이 드는 과정이었습니다. 과학자들은 보통 동물을 면역화하고, 그 면체의 면역 세포를 채취한 뒤, 수천 개의 후보군을 스크리닝하여 적절한 약물이 될 만큼 성능이 좋은 단 하나의 분자를 찾아내곤 했습니다. 이러한 전통적인 경로는 불확실성으로 가득 차 있습니다. 많은 유망한 후보들이 나중에 대량 생산이 어렵거나, 서로 엉겨 붙거나, 혹은 보관 및 운송을 위한 안정성을 유지하지 못해 실패하기 때문입니다.
최근 몇 년 사이, 컴퓨터 과학자들은 인공지능을 사용하여 어떤 서열이 기능적인 단백질을 형성할지 예측함으로써, 컴퓨터 내부에서 완전히 새로운 항체를 설계하려는 시도를 시작했습니다. 이 접근 방식은 신약 개발 속도를 높일 것을 약속하지만, 결정적인 난관에 봉착해 있습니다. 컴퓨터가 수학적으로 올바르게 보이는 서열을 생성했다고 해서 그것이 반드시 시험관 안에서 실제로 작동한다는 의미는 아니기 때문입니다. 새로운 약물 후보에 대한 궁극적인 테스트는 컴퓨터 화면에서 얼마나 높은 점수를 받느냐가 아니라, 그것이 실제 실험실에서 성공적으로 제조되고, 정제되며, 연구될 수 있느냐에 달려 있습니다. 디지털 설계와 물리적 실재 사이의 이 간극은 최신 연구가 던지는 단순하지만 심오한 질문, 즉 "컴퓨터 프로그램이 인간 과학자가 실제로 손에 쥘 수 있는 새로운 항체를 발명할 수 있는가?"라는 질문이 파고드는 지점입니다.
모더나(Moderna)의 연구진은 두 가지 서로 다른 유형의 인공지능을 고도의 실험 속에 맞붙임으로써 이 질문에 답하고자 했습니다. 그들은 두 시스템 모두에 방대한 양의 인간 항체 서열 라이브러리를 학습시켜, 이 단백질들이 어떻게 구성되는지에 대한 규칙을 가르쳤습니다. '변이형 오토인코더(Variational Autoencoder)'라고 불리는 한 시스템은 알려진 항체를 단순화된 디지털 요약본으로 압축한 뒤, 그 요약본에 미세한 조정을 가하여 새로운 변형을 생성하는 방식으로 작동합니다. 또 다른 시스템인 '생성적 적대 신경망(Generative Adversarial Network)'은 마치 위조범과 미술 전문가가 끊임없이 벌이는 추격전처럼 작동합니다. 위조범은 순수한 무작위성으로부터 가짜 항체를 만들려고 시도하고, 전문가는 가짜와 진짜의 차이점을 찾아내려 노력합니다. 시간이 흐름에 따라 위조범은 현실을 모방하는 데 매우 능숙해져서 전문가는 더 이상 둘을 구분할 수 없게 됩니다.
연구팀은 두 시스템으로부터 수천 개의 새로운 항체 설계를 생성하여 엄격한 현실 검증을 위해 습식 실험실(wet lab)로 보냈습니다. 그들은 각 설계를 세포 내에서 완전한 단백질로 발현시키고, 결과물을 정제한 뒤, 안정성, 용해성 및 위험한 응집 현상 유무를 확인하기 위해 9가지 표준 테스트를 거치도록 했습니다. 결과는 성능의 극명한 차이를 보여주었습니다. 적대적 네트워크(adversarial network)에 의해 설계된 항체들은 놀라울 정도로 성공적이었습니다. 테스트된 93개의 후보 중 92개가 실험실에서 성공적으로 생산되고 특성화되었으며, 이는 거의 99%에 달하는 성공률이었습니다. 이 디지털 창조물들은 승인된 의약품처럼 행동하며 모든 물리적 테스트를 쉽게 통과했습니다.
반면, 조정 기반 시스템(adjustment-based system)에 의해 생성된 항체들은 성적이 좋지 않았습니다. 연구진이 이 그룹의 후보 40개를 테스트했을 때, 단 2개만이 성공적으로 생산되어 연구될 수 있었습니다. 대다수는 단백질으로 아예 발현되지 못한 채, 테스트되기도 전에 붕괴되었습니다. 연구진은 이러한 실패가 반드시 밑바탕이 되는 컴퓨터 구조의 결함 때문이 아니라, 시스템에 요구된 생성 방식 때문임을 발견했습니다. 조정 기반 시스템은 작동하기 위해 시작점, 즉 '시드(seed)'가 필요했습니다. 연구팀이 시스템의 일반화 능력을 테스트하기 위해 원래의 학습 데이터에 포함되지 않은 시드를 사용했을 때, 생성된 설계들은 불안정한 영역으로 표를 벗어나 기능할 수 없는 퇴보된 서열들을 만들어냈습니다. 그러나 적대적 시스템은 시드가 필요하지 않았습니다. 이 시스템은 무작위 노이즈로부터 각 항체를 처음부터 새로 만들었기에, 불안정한 패턴에 갇히지 않고 훨씬 더 넓고 다양한 가능성을 탐색할 수 있었습니다.
또한 연구는 컴퓨터의 내부 점수 체계가 실험실에서의 성공을 예측할 수 있는지 조사했습니다. 연구진은 형태, 전하, 자기 응집 경향 등을 고려하여 항체가 얼마나 '의약품에 가까운지' 측정하는 복잡한 디지털 지표들을 개발했습니다. 그들은 이 점수들이 실험실에 도달하기 전 최상의 후보를 걸러내는 필터 역할을 하기를 희망했습니다. 그러나 데이터에 따르면, 이러한 디지털 점수들은 실제 성공을 예측하는 데 있어 약한 예측력을 보였습니다. 컴퓨터 상의 설계 점수와 시험관 내에서의 실제 성능 사이에는 상관관계가 거의 없었습니다. 이 발견은 컴퓨터가 다양한 서열을 생성하는 능력은 향상되고 있지만, 우리는 여전히 컴퓨터의 내부 계산 결과만을 믿고 그것이 실제로 작동할지 판단할 수는 없음을 시사합니다. 새로운 항체가 실행 가능한지를 알 수 있는 유일하고 신뢰할 수 있는 방법은 여전히 물리적 실험입니다.
궁극적으로, 이 논문은 인공지능이 실제로 현실 세계에서 사용 가능한 새로운 항체를 설계할 수 있음을 입증하면서도, 생성 방식이 매우 중요하다는 점을 보여줍니다. 적대적 접근 방식은 화면에서 실험대로 넘어가는 과정에서 살아남는, 다양하고 고품질인 후보 라이-브러리를 만들기 위한 견고한 도구임이 증명되었습니다. 이 연구는 신약 개발의 앞날이 실험실을 컴퓨터로 대체하는 것이 아니라, 두 영역을 통합하는 것임을 강조합니다. 강력한 AI를 사용하여 폭넓고 다양한 가능성을 생성하고, 엄격한 실험적 검증을 통해 이를 확인하는 과정을 거침으로써, 과학자들은 단백질 설계라는 복잡한 지형을 더욱 효과적으로 헤쳐 나갈 수 있습니다. 컴퓨터는 후보를 제안할 수 있지만, 그 가치를 확정하는 것은 여전히 실험실의 몫입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.