Large language models miss protein quality in vegan meals

기술 요약: 대규모 언어 모델(LLM)의 비건 식단 내 단백질 품질 결여

문제 제기
범용 대규모 언어 모델(LLM)이 식단 계획 수립에 점점 더 많이 활용되고 있으나, 특히 단백질의 질(quality)과 관련한 영양학적 신뢰성은 아직 검증되지 않은 상태이다. 이러한 격차는 식물 기반 식단으로의 식이 변화가 진행됨에 따라 매우 중요하다. 식물성 단백질을 의도적으로 조합하지 않을 경우, 이러한 식단은 흔-히 낮은 품질의 단백질을 제공할 수 있기 때문이다. 특히 근육량 보존과 근감소증 대응이 필수 아미노산(IAA)의 섭취에 달려 있는 노인들에게 이 문제는 더욱 심각하다. 이때 중요한 것은 일일 총량이 아니라 '식사(meal)' 단위의 섭취이다. 식물성 단백질은 IAA 구성과 소화율이 다양하지만, 현재 임상 영양 분야에서의 LLM 평가는 정량적 벤치마크인 식사 단백질 품질 점수(MPQS)와 같은 도메인 특화된 정량적 기준 없이 주로 정성적인 수준에 머물러 있다.

방법론
본 연구는 두 가지 최첨단 LLM인 ChatGPT(OpenAI, GPT-5.4)와 Claude(Anthropic, Claude Opus 4.6)를 대상으로 최초의 식사 단위, 아미노산 해상도 벤치마크를 수행하였다.

• 생성 프로토콜: 각 모델은 노인을 위한 비건 저녁 식사 레시피를 각각 250개씩, 총 500개를 생성하였다. 생성 과정은 25가지 요리 영감과 10가지 식사 형태에 걸쳐 결정론적으로 분배되었으며, 이는 최적화 과업을 동일하게 유지하면서 문화적 및 요리 형태의 프레이밍을 다양화하기 위함이다.
• 제약 조건: 프롬프트는 1회 제공량당 단백질 20g 이상을 포함하고, 스마트한 식물성 단백질 조합을 통해 "좋은 단백질 품질"을 확보할 것을 요청하였다. 또한 보충제, 강화 식품, 대체 식품은 명시적으로 제외하였다. 프롬프트는 실제 전문가의 사용 사례를 반영하기 위해, 품질을 달로 하는 구체적인 방법론에 대한 지시를 피하고 최소한의 정보만을 제공하였다.
• 평가: 식재료는 네덜란드 식품 성분 데이터베이스(NEVO)에 매핑되었으며 Alpha-Tool을 통해 처리되었다. 이 도구는 소화율이 조정된 IAA 섭취량, 총 단백질, 그리고 참조 노인 모델을 위한 개인별 요구량을 통합하여 MPQS를 계산한다. MPQS 점수가 100점 이상이면 적절한 단백질 품질을 의미한다.
• 통계 분석: 연속 변수 비교에는 Welch의 t-검정을, 이진 결과(품질 임계값 충족 여부)에는 Fisher의 exact test를 사용하였다. 선형 회귀 분석을 통해 요리 유형과 식사 형태가 MPQS에 미치는 영향을 평가하였다.

주요 결과

• 단백질 양 vs. 질: 생성된 500개의 레시피 모두 단백질 양 목표(≥20g)는 충족하였다. 그러나 상당 부분에서 품질 임계값(MPQS ≥ 100)을 통과하지 못했다. ChatGPT는 81.2%의 사례에서 품질 목표를 달나한 반면, Claude는 59.6%에 그쳤다. 결과적으로 ChatGPT 레시피의 18.8%, Claude 레시피의 40.4%는 단백질 양 목표는 달성했으나 아미노산 구성 측면에서는 영양학적으로 부적절했다.
• 전략적 차이: 두 모델은 서로 다른 전략을 사용했다. ChatGPT는 완전 단백질원에 가까운 두부(97.2%의 레시피)에 크게 의존하였으며, 그 결과 평균 단백질 함량(38.5g)과 MPQS(118.8)가 더 높았다. 반면, Claude는 견과류, 씨앗류, 완두콩 등 더 다양한 식재료를 활용했으나, "고전적 상보성 함정(classical complementarity trap)"에 더 자주 빠졌다. 메티오닌이 주요 제한 아미노산으로 작용하였으며, 이는 ChatGPT(19.6%)에 비해 Claude(40.4%)의 레시피에서 더 높은 빈도로 나타났다.
• 문화 및 형태에 따른 가변성: 식사의 품질은 문화적 프레이밍에 강하게 의존했다. 일본, 인도네시아, 한국, 태국 요리에서 영감을 얻은 레시피와 커리 및 곡물 요리 형태가 가장 높은 MPQS를 기록했다. 반대로 터키, 스페인, 카리브해 요리와 수프 및 스튜 형태는 가장 낮은 점수를 나타냈다. 이는 문화적으로 프레이밍된 프롬프트가 체계적으로 불균등한 아미노산 적절성을 초래할 수 있음을 시사한다.

의의 및 주장
본 논문은 LLM이 언어적으로 그럴듯하고 양적으로 준수하는 식단 계획을 안정적으로 생성할 수는 있지만, 정량적 과학적 제약이 요구되는 도메인 특화 과업에서는 실패한다고 주장한다. 본 연구는 총 단백질 섭취량이 적절성을 판단하는 불완전한 지표이며, 특히 노인들에게 더욱 그러함을 강조한다.

저자들은 이 연구가 "품질 대 강건성(quality-versus-robustness)"의 트레이드오프를 보여준다고 주장한다. 즉, ChatGPT의 높은 적절성은 두부(tofu)라는 좁은 식재료 전략에 의존한 것이며, 이는 알레르기나 식재료 수급과 같은 실제 환경의 제약에 대한 탄력성이 부족할 수 있다. 반면 Claude의 다양성은 오히려 영양학적 부적절함으로 이어졌다. 핵심 결론은 '그럴듯함(plausibility)'을 '영양학적 적절성(nutritional adequacy)'으로 오인해서는 안 된다는 것이다. 논문은 AI 식단 계획이 신뢰를 얻기 위해서는 생성 과정이 검색 증강 생성(RAG)과 MPQS와 같은 자동화된 식사 단위 품질 검사를 결합한 큐레이션된 영양 인프라에 기반해야 한다고 제안한다.

한계점
저자들은 본 연구가 하루 전체의 완결성이 아닌 단일 저녁 식사를 평가했다는 점, 소비자의 수용성, 비용 또는 실행 가능성을 평가하지 않았다는 점, 그리고 단일 식품 성분 데이터베이스에 의존했다는 점을 언급하였다. 본 결과는 두 가지 특정 모델에 대한 최소한의 프롬프트 하에서의 스냅샷이다.