What Makes a Virtual Cell a World Model? Three Gaps, Three Experiments, and a Roadmap

날씨를 예측한다고 상상해 보십시오. 지금 당장 하늘을 찍은 고해상도 사진 한 장을 찍고는 "구름이 끼어 있다"라고 말할 수 있습니다. 그것은 현재에 대한 아주 훌륭한 묘사입니다. 하지만 내일 비가 올지, 혹은 갑작스러운 돌풍이 구름을 어떻게 변화시킬지를 알고 싶다면 사진 한 장으로는 부족합니다. 당신에게는 대기의 '규칙'—공기가 어떻게 움직이는지, 수증기가 어떻게 비로 변하는지, 그리고 한 곳에서의 변화가 전체 시스템에 어떻게 파동을 일으키는지—을 이해하는 모델이 필요합니다. 이것이 정적인 사진과 '월드 모델(world model)'의 차이입니다.

이제 이 아이디어를 하늘에서 생명의 가장 작은 단위인 세포로 축소해 봅시다. 수년 동안 과학자들은 인공지능을 사용하여 '가상 세포'를 구축해 왔습니다. 어떤 가상 세포들은 세포의 유전자와 단백질의 스냅샷을 찍어 현재 상태를 설명하는 초고성ful한 사진 앨범과 같습니다. 또 다른 것들은 의사가 약을 투여했을 때 세포가 어떤 모습이 될지 추측하는 점술가와 같습니다. 하지만 이 분야에는 큰 의문이 하나 남아 있습니다. 이 가상 세포들이 실제로 생명이 '어떻게 작동하는지'를 이해하고 있는 것일까요, 아니면 그저 추측을 매우 잘하고 있는 것뿐일까요? 만약 우리가 새로운 약을 설계하거나 질병을 치료하기 위해 AI를 사용하고자 한다면, 우리는 우리의 가상 세포가 단순히 현재를 묘사하는 것을 넘어 진정으로 미래를 시뮬레이션할 수 있는지 알아야 합니다.

"무엇이 가상 세포를 월드 모델로 만드는가?(What Makes a Virtual Cell a World Model?)"라는 제목의 이 논문은 이 고도의 승부에서 엄격한 심판 역할을 합니다. 저자들은 어떤 컴퓨터 프로그램이 '월드 모델'이라는 화려한 용어를 사용한다고 해서, 그것이 실제로 월드 모델인 것은 아니라고 주장합니다. 그들은 이러한 시스템을 테스트하는 새로운 방법을 제안하며, 현재의 기술이 미치지 못하고 있는 세 가지 주요 '간극(gaps)'을 지적합니다.

세 가지 큰 간극: 왜 "좋은 추측"만으로는 충분하지 않은가

저자들은 현재의 가상 세포들이 우리를 속여 실제보다 더 똑똑하다고 믿게 만드는 세 가지 구체적인 방식을 식별했습니다.

1. 스냅샷 vs. 영화 (표현력 ≠ 역학):
   수백만 장의 자동차 사진이 있는 도서관을 상상해 보십시오. 당신은 컴퓨터가 빨간 스포츠카를 완벽하게 인식하도록 훈련할 수 있습니다. 하지만 만약 당신이 그 컴퓨터에게 "브레이크를 밟으면 어떻게 되지?"라고 묻는다면, 컴퓨터는 답하지 못할 수도 있습니다. 컴퓨터는 자동차가 어떻게 '생겼는지'는 알지만, 자동차가 어떻게 '움직이는지'에 대한 물리 법칙은 모릅니다. 논문은 많은 현재의 AI 모델들이 세포의 유전자를 더 잘 묘-사하는(표현하는) 것에 불과하다고 보여줍니다. 이 모델들은 세포가 '지금' 어떤 상태인지 설명하는 데는 뛰어나지만, 세포가 미래에 어떻게 변할지를 예측하는 데는 실패합니다. 한 실험에서, 이 모델들은 현재 상태를 설명하는 능력은 크게 향상되었지만(+0.21), 세포의 미래 운명을 예측하는 능력은 거의 개선되지 않았음(+0.019)을 발견했습니다. 이는 당신이 입고 있는 옷이 무엇인지는 정확히 알려주지만, 5초 뒤에 신발 끈에 걸려 넘어질지는 알려주지 못하는 수정구슬을 가진 것과 같습니다.

2. 수정구슬 vs. 핸들 (예측 ≠ 개입):
   이제, "비가 오면 땅이 젖는다"라고 말할 수 있는 기상 앱을 상상해 보십시오. 그것은 예측입니다. 하지만 진정한 '월드 모델'이라면 "내가 구름 씨 뿌리기를 해서 비를 내리게 만든다면?"이라고 물었을 때, 그 이후에 이어지는 '전체' 사건의 연쇄를 보여줄 수 있어야 합니다. 논문은 AI 모델에게 다음과 같은 일련의 사건을 시뮬레이션하도록 요청함으로써 이를 테스트합니다: "만약 우리가 유전자 A를 바꾸고, 그다음 유전자 B를 바꾼다면 어떤 일이 벌어질까?" 연구진은 모델들이 단일 변화의 최종 결과는 맞출 수 있었지만, 그 결과를 다음 변화의 시작점으로 사용하는 데는 실패했다는 것을 발견했습니다. 즉, 변화를 연속적으로 연결하여 예측하려고 했을 때 오차가 크게 증가했으며(295.67에서 320.12로 급증), 결합된 변화의 결과를 예측하는 데는 완전히 실패했습니다(성공률 0%). 이는 AI가 이야기의 중간에 일어나는 반전을 이해하는 것이 아니라, 단지 결말을 짐작하고 있을 뿐임을 의미합니다.

3. 멀티툴 vs. 교향곡 (다중 양식 ≠ 다중 척도):
   과학자들은 이제 AI 모델에 다양한 데이터를 동시에 입력하고 있습니다: RNA(세포의 지침), 단백질(일꾼), 그리고 크로마틴(파일 캐비닛). 이것은 마치 AI에게 드라이버, 칼, 병따개가 있는 멀티툴을 주는 것과 같습니다. 하지만 모든 도구를 가지고 있다고 해서 집을 짓는 법을 아는 것은 아닙니다. 논문은 이러한 모델들이 서로 다른 도구 사이의 연결 고리를 찾아낼 수는 있지만(예: 특정 드라이버가 특정 나사와 자주 함께 쓰인다는 점을 알아차리는 것), 한 부분이 변할 때 전체 기계가 어떻게 변하는지를 실제로 이해하지는 못한다는 것을 보여줍니다. 한 실험에서, 연구진은 "파일 캐비닛(크로마틴)"을 바꾸는 것이 "지침(RNA)"을 어떻게 바꾸는지 확인하려 했습니다. 모델은 둘 사이의 관계를 알고 있었음에도 불구하고, 실제 지침의 변화는 매우 미미했습니다(약 10⁻³). 이는 모델이 세포의 서로 다른 층위들이 어떻게 함께 작동하는지를 진정으로 학습하지 못했음을 증명합니다.

로드맵: 진짜 가상 세포를 구축하기 위하여

그렇다면 우리는 무엇을 해야 할까요? 저자들은 모델 구축을 멈추라고 말하는 것이 아니라, 모델이 할 수 있는 것에 대해 정직해져야 한다고 말합니다. 그들은 시스템에 단일 등급을 매기는 대신, 능력치를 측정할 수 있는 '사다리'를 제안합니다.

• 레벨 0: 단순한 스냅샷. 세포를 묘사하지만 미래를 예측할 수 없습니다.
• 레벨 1: 다음 단계를 추측할 수 있지만, 단 한 번만 가능합니다.
• 레벨 2: 단순한 변화에 한해서는 일련의 변화를 계속해서 시뮬레이션할 수 있습니다.
• 레벨 3: '성배(Holy Grail)'. 이것이 진정한 월드 모델입니다. 복잡하고 긴 일련의 변화를 시뮬레이션할 수 있고, 분자에서 조직에 이르기까지 세포의 서로 다른 부분들이 어떻게 소통하는지 이해하며, 자신의 예측에 대해 얼마나 확신하는지를 말해줄 수 있습니다.

논문은 여기에 도달하기 위한 로드맵을 제시합니다. 먼저, 단순히 결말을 짐작하는 것이 아니라 일련의 사건을 실제로 전개(roll out)할 수 있는 '후보(Candidate)' 모델을 구축해야 합니다. 다음으로, 분자적 변화가 어떻게 조직 전체로 퍼져나가는지 모델이 이해할 수 있도록 생물의 다양한 척도를 연결해야 합니다. 마지막으로, 과학자와 루프(loop) 안에서 협업할 수 있는 '상호작용형(Interactive)' 모델을 구축해야 합니다. 즉, AI가 실험을 제안하면 과학자가 실제 실험실에서 이를 실행하고, AI가 그 결과로부터 배워 더 나아지는 방식입니다.

핵심 요약

이 글의 핵심 메시지는 부드럽지만 단호한 현실 점검입니다. 우리는 현재 세포를 묘사하고 단일 실험의 결과를 추측하는 AI를 만드는 데 매우 능숙합니다. 하지만 우리는 아직 생명의 규칙을 진정으로 이해하고 미래를 시뮬레이션할 수 있는 '가상 세포' 단계에 도달하지 못했습니다. 저자들은 이 도구들이 쓸모없다고 말하는 것이 아니라, 테스트를 통과하기 전까지는 "월드 모델"이라고 부르는 것을 멈춰야 한다고 말합니다. 명확한 기준을 설정함으로써, 그들은 과학자들이 더 나은 약을 설계하고 생명의 복잡하고 역동적인 춤을 이해하는 데 진정으로 도움이 될 수 있는 AI를 구축하도록 이끌기를 희망하고 있습니다.