단백질을 그리는 AI, 신약의 속도보다 검증의 깊이가 먼저다

AI가 단백질을 설계한다는 소식에서 내가 먼저 떠올린 것은 ‘신약개발이 빨라진다’는 기대보다 검증의 병목이다. 컴퓨터가 그럴듯한 설계도를 내놓는 일과 환자에게 쓸 약을 만드는 일 사이에는 합성, 실험, 제조, 임상이라는 긴 계단이 놓여 있다. 이 간격을 지운 채 속도만 말하면 혁신은 곧 과장이 된다.

예측에서 설계로, 질문이 달라졌다

단백질은 아미노산이라는 작은 부품이 길게 이어져 특정한 입체 모양으로 접힌 분자다. 그 모양이 다른 분자와 어떻게 붙고 어떤 일을 하는지를 좌우한다. 알파폴드가 주로 ‘주어진 아미노산 배열이 어떤 3차원 구조가 될까’를 푸는 전환점이었다면, 단백질 설계 AI는 ‘원하는 기능을 내려면 어떤 배열과 구조가 필요할까’를 거꾸로 묻는다. 후보를 우연히 찾는 탐색에서 목적에 맞춰 만드는 공학으로 질문이 이동한 셈이다. 치료 표적에 붙는 단백질이나 기존에 없던 기능성 분자를 더 넓게 상상할 수 있다는 점에서 나는 이 변화를 높이 평가한다.

AI의 답안보다 실험의 반박이 중요하다

다만 단백질은 화면 속 구조처럼 고정된 조형물이 아니다. 몸속 환경에서 흔들리고, 예상 밖의 분자와 상호작용하며, 잘 만들어지지 않거나 쉽게 분해될 수 있다. 계산상 결합이 좋아 보여도 독성, 면역반응, 생산성에서 탈락할 수 있다. 그래서 설계 모델의 성능을 후보 생성 개수나 계산 점수로만 평가해서는 안 된다. 실제 실험실에서 단백질을 만들어 기능을 확인하는 ‘습식실험’, 반복 생산 가능성, 안전성까지 이어진 성공률을 봐야 한다. 실패한 설계와 실패 이유도 숨길 부산물이 아니라 다음 모델을 정직하게 만드는 핵심 데이터다.

한국은 모델 경쟁보다 검증 생태계를 세워야 한다

우리 산업이 준비할 것도 분명하다. 거대한 AI 모델 하나를 뒤쫓는 데 자원을 몰기보다 생물학자, 화학자, 임상의, 제조공정 전문가가 같은 기준으로 설계와 실험 결과를 주고받는 체계를 만들어야 한다. 공공 연구시설에는 표준화된 측정과 재현성 검증 기반을 넓히고, 기업과 대학은 성공 데이터뿐 아니라 조건이 명확한 실패 데이터도 축적해야 한다. 특허와 책임 기준 역시 AI가 제안한 서열의 권리, 학습 데이터의 출처, 안전성 검증 주체를 중심으로 미리 정비할 필요가 있다. 알파폴드 이후의 신약 시대를 여는 것은 AI가 내놓은 첫 답이 아니다. 그 답을 의심하고 시험해 환자에게 닿는 지식으로 바꾸는 사회적 능력이라고 나는 본다.