OpenAI 항균제 발견, 탐색 시간을 수년에서 수시간으로 단축

OpenAI 항균제 발견은 César de la Fuente 연구실이 감염 대응 가능성을 지닌 분자를 찾기 위해 수백만 개의 생물학적 서열을 탐색하면서 중요한 시험대에 올랐다. Codex와 ChatGPT는 연구자들이 코드를 개발하고, 데이터세트를 처리하며, 방법을 비교하고, 가설을 구체화하는 데 도움을 준다. 핵심적인 긴장은 분명하다. 소프트웨어는 후보 물질 탐색 시간을 수년에서 수시간으로 압축할 수 있지만, 예측된 분자가 안전한 의약품임을 입증할 수는 없다.

이 작업은 근거 없는 확신이 설 자리가 거의 없는 분야에서 이루어진다. 세계보건기구는 2021년 세균성 항균제 내성이 전 세계 470만 명 이상 사망과 관련이 있었다고 추정한다. 또한 2023년 실험실에서 확인된 세균 감염 약 6건 중 1건이 항생제에 내성을 보였다고 보고했다.

De la Fuente 연구팀은 토양, 식물, 동물 또는 미생물에서 얻은 물리적 시료로 시작하는 전통적인 탐색 경로에 도전하고 있다. 이들의 대안은 디지털 게놈과 프로테옴, 즉 생물체와 연관된 유전자 및 단백질의 전체 집합에서 출발한다. 이 확장된 탐색 범위에는 현존 종뿐 아니라 고대 인류의 친족과 수천 년 전에 사라진 동물도 포함된다.

변화의 본질은 연구자들에게 또 하나의 챗봇이 생겼다는 데 있지 않다. 이 연구실은 전문 생물학 모델과, 학문 분야의 경계를 넘어 계산 작업에 접근할 수 있게 하는 범용 AI 도구를 결합하고 있다. 결정적인 질문은 더 빠른 계산이 더 나은 실험 후보를 만들어 내는지, 아니면 비용이 많이 드는 실험실 검토가 필요한 예측만 더 많이 만들어 내는지다.

OpenAI 항균제 발견, 탐색 공간을 확장하다

즉각적인 변화는 생물학 데이터에서 시험할 가치가 있는 분자 후보군으로 더 빠르게 이동할 수 있다는 점이다.

OpenAI는 2026년 9월 10일 이 협업에 대한 설명을 공개했다. 회사는 생물학을 정보 시스템으로 다루는 University of Pennsylvania 연구 그룹을 소개한다. DNA는 뉴클레오타이드 서열을 사용하고, 단백질과 펩타이드는 아미노산 서열을 사용한다.

펩타이드는 생물학적 기능을 수행할 수 있는 짧은 아미노산 사슬이다. 일부 펩타이드는 미생물 막을 손상시키거나 감염성 생물체가 생존에 필요로 하는 과정을 방해할 수 있다. 이런 특성은 항균 펩타이드를 매력적인 후보로 만들지만, 미생물에 대한 활성이 있다고 해서 자동으로 환자에게 적합한 펩타이드가 되는 것은 아니다.

이 연구실은 항균 활성과 연관된 패턴을 식별하기 위해 딥러닝 모델을 훈련한다. 연구자들은 이후 이 모델을 대규모 게놈 및 단백질 서열 컬렉션에 적용할 수 있다. 모델은 후보의 우선순위를 매겨 과학자들이 제한된 실험실 자원을 더 작은 후보군에 집중하도록 돕는다.

Codex와 ChatGPT는 이 워크플로에서 보조 계층을 담당한다. 연구자 사례 연구에 따르면, 연구실 구성원들은 가설 브레인스토밍, 코드 작성 및 개선, 게놈 데이터세트 전처리, 결과 분석, 분야 간 개념 연결에 이 도구들을 사용한다.

이 구분은 중요하다. OpenAI는 Codex가 승인된 의약품을 독자적으로 발견했다고 말하지 않는다. 연구실에는 자체 생물학 모델과 실험 방법이 있다. 범용 AI는 연구자들이 그 주변 워크플로를 구축하고 운영하도록 돕는다.

그럼에도 이 지원은 계산생물학을 수행하는 주체를 바꿀 수 있다. 평소 프로그래밍을 하지 않는 생물학자는 Codex에 데이터 처리 스크립트 초안 작성을 요청할 수 있다. 프로그래머는 연구실 동료와 모델을 논의하기 전에 ChatGPT를 이용해 익숙하지 않은 생물학 용어를 명확히 이해할 수 있다.

연구실의 실험 과학자인 Angela Cesaro는 Codex를 사용해 실험 전반에서 데이터를 일관되게 시각화하는 스크립트를 작성한다고 설명했다. Erik Hartman은 이를 아이디어를 빠르게 구현할 수 있는 코파일럿이라고 표현했다. 이 사례들은 자율적 과학 발견보다 더 좁지만, 더 신뢰할 수 있는 실질적 이점을 보여 준다.

탐색 자체도 이례적으로 광범위하다. 디지털 데이터베이스를 통해 연구자들은 모든 생물체를 직접 채집하지 않고도 생물학적 물질을 조사할 수 있다. 기존 항생제로 진화한 적이 없는 단백질 조각도 항균 행동과 연관된 패턴을 포함할 수 있다.

멸종 생물은 이 영역을 한층 더 넓힌다. 재구성된 단백질 서열은 멸종 종과 연관된 이용 가능한 단백질 정보를 뜻하는 검색 가능한 “extinctome”을 만든다. 이 접근법은 사라진 생물체에 암호화된 분자가 현재 유행하는 병원체에 작용할 수 있는지를 묻는다.

이 모델은 전통적인 탐사의 순서를 뒤집는다. 연구자들은 천연 물질을 분리한 뒤 그것이 무엇을 하는지 묻는 방식으로 시작하지 않는다. 저장된 생물학 서열에서 출발해 어떤 조각이 주목할 가치가 있는지 예측하고, 시험을 위해 선택된 후보를 합성한다.

이 방법은 초기 탐색 단계의 경제성을 바꾼다. 과학자들이 물리적 분자를 만드는 데 시간을 쓰기 전에 컴퓨터는 가능성이 낮은 수많은 서열을 걸러낼 수 있다. 이것이 실험실 작업을 없애지는 않지만, 모델이 더 큰 가치를 예측하는 곳에 작업을 집중시킨다.

또한 이는 까다로운 데이터 관리 문제를 만든다. 팀은 모델 버전, 스크립트, 매개변수, 후보 식별자, 분석 결과, 그리고 실패한 아이디어를 추적해야 한다. 검색 가능한 기술 지식 베이스는 전문 분야가 다른 구성원들 사이에서 이러한 의사결정 기록을 보존하는 데 도움이 될 수 있다.

그 결과는 하이브리드형 발견 과정이다. 머신러닝은 대규모 필터링을 제공하고, Codex는 연구 의도를 소프트웨어로 옮기는 데 도움을 주며, ChatGPT는 분야 간 추론을 지원한다. 어떤 질문을 던지고 어떤 예측이 물리적 실험을 정당화하는지는 인간 연구자가 결정한다.

약물 내성이 탐색 속도를 중요하게 만든다

항균제 내성이 진전하는 동안 의약품 파이프라인은 여전히 빈약하기 때문에 더 빠른 스크리닝이 중요하다.

항균제 내성은 세균, 바이러스, 진균 또는 기생충이 이를 통제하도록 설계된 의약품에 더 이상 반응하지 않을 때 발생한다. 내성 감염은 치료하기 더 어려워지고, 신뢰할 수 있는 감염 통제가 사라지면 일상적인 의료 시술도 더 위험해진다.

현재 부담은 이미 상당하다. WHO의 업데이트된 AMR 팩트시트는 내성이 질병, 장애, 치료 복잡성 및 사망을 증가시킨다고 설명한다. 또한 항균제의 오용과 과용을 주요 원인으로 지목한다.

접근성 역시 문제의 한 부분이다. 일부 지역사회는 적절한 진단, 백신 또는 의약품을 구할 수 없는 반면, 다른 곳에서는 항생제를 불필요하게 사용한다. 두 상황 모두 효과적인 치료 수단을 보존하는 세계의 역량을 약화시킨다.

발견 과정에도 병목이 있다. 연구자들은 시료를 수집하고, 화합물을 분리하며, 특성을 규명하고, 실험을 반복하는 데 수년을 보낼 수 있다. 많은 후보는 활성이 충분하지 않거나, 인간 세포에 해를 끼치거나, 너무 빠르게 분해되거나, 감염 부위에 도달할 수 없기 때문에 실패한다.

De la Fuente는 계산 스크리닝이 최초 탐색 단계를 5~6년에서 몇 시간으로 줄일 수 있다고 주장한다. 이 발언은 후보 식별에 관한 것이며, 전체 의약품 개발 주기에 관한 것은 아니다. 이후 단계에는 여전히 광범위한 최적화, 동물 연구, 제조 작업, 규제 심사 및 인체 임상이 필요할 수 있다.

이 구분은 탐색 속도와 의학적 진전을 분리한다. 더 빠른 필터는 후속 시험에서 기존 선택지보다 뛰어난 후보를 고를 때 가치가 있다. 이 필터가 생물학 시스템에서 실패하는 매력적인 점수의 후보를 다수 만들어 낸다면 영향력은 줄어든다.

따라서 압력은 두 집단에 가해진다. 전통적 항균제 프로그램은 더 느리고 좁은 스크리닝 방식을 정당화해야 한다. AI 중심 프로그램은 그 속도가 화학, 살아 있는 조직, 진화하는 병원체와 맞닿은 뒤에도 유효함을 보여야 한다.

이 비교는 현장 시료 채취를 포기하자는 주장이 아니다. 토양, 물, 식물, 동물 및 미생물 군집은 여전히 가치 있는 화학 물질의 원천이다. 물리적 시료에는 서열 데이터베이스가 포착하지 못할 수 있는 환경적 관계도 담겨 있다.

대신 계산 스크리닝은 연구자들이 관심을 배분하는 방식을 바꾼다. 모델은 실험실이 합성할 수 있는 것보다 훨씬 많은 서열을 살펴볼 수 있다. 과학자들은 익숙한 화학 계열만 따르기보다 예측된 다양한 후보군을 선택할 수 있다.

기존 항생제를 반복적으로 변형하는 방식은 수익이 감소할 수 있기 때문에 이러한 폭넓은 탐색이 중요하다. 세균은 이미 많은 확립된 기전에 노출돼 왔으며, 내성은 돌연변이 또는 유전 물질의 교환을 통해 확산될 수 있다. 덜 익숙한 기전으로 작동하는 분자는 다른 출발점을 제공할 수 있다.

항균 펩타이드는 그러한 경로 중 하나다. 많은 펩타이드는 미생물 막에 작용하며, 이 때문에 여러 생물체에 대해 활성을 보일 수 있다. 그러나 펩타이드는 불안정성, 독성, 생산 제약, 생리학적 조건에서의 활성 저하 등 개발상의 과제를 수반한다.

OpenAI의 이야기는 공공 기관들이 관리와 혁신을 모두 강조하는 시점에 나왔다. 2026년 WHO 회원국들은 2026년부터 2036년까지를 포괄하는 업데이트된 글로벌 계획을 채택했다. 한 목표는 예방, 감시, 접근성 및 책임 있는 사용을 포함하는 더 폭넓은 접근법을 유지하면서 항균제 연구를 가속하는 것을 요구한다.

이 맥락은 Codex 이야기가 단순한 소프트웨어 성공 서사가 되는 것을 막는다. 더 나은 후보 생성은 복잡한 보건 문제의 한 부분을 해결한다. 이는 감염 관리, 예방접종, 진단 또는 신중한 처방을 대체하지 않는다.

그럼에도 탐색 병목은 실재한다. 연구 그룹이 코딩 인력을 비례적으로 늘리지 않고도 더 넓은 생물학적 영역을 평가할 수 있다면, 이색적인 후보를 찾을 기회도 더 많아진다. Codex 항생제 연구는 실험 처리량과 후보 다양성을 모두 높일 때 의미를 갖는다.

가장 큰 압력은 드라이랩 과학과 웻랩 과학의 경계에 놓인다. 드라이랩 작업은 계산과 데이터를 사용하고, 웻랩 작업은 물리적 물질을 시험한다. 어느 한쪽만으로는 이 과제를 완수할 수 없다.

멸종 단백질이 이 메커니즘의 가능성을 보여 준다

가장 강력한 근거는 대화형 AI 도구 자체가 아니라, 연구실의 전문 모델을 사용한 동료 심사 실험에서 나온다.

가장 분명한 사례는 연구실의 분자적 탈멸종 연구다. 이 접근법은 현재의 문제를 해결할 수 있는 분자를 찾기 위해 멸종 생물체에서 재구성된 생물학 서열을 탐색한다. 이는 생물체 전체가 아니라 분자 정보를 되살리는 방식이다.

연구팀은 2024년 Nature Biomedical Engineering에 발표한 연구에서 멸종 프로테옴 채굴을 위한 멀티태스크 딥러닝 시스템 APEX를 소개했다. 프로테옴은 생물체가 생성하거나 암호화하는 단백질의 전체 집합이다.

연구자들은 208종의 멸종 생물에서 단백질 서열 12,860개를 수집했다. 중복 항목을 제거한 뒤 5,190개 단백질을 남겼다. 이 단백질들은 8개에서 50개의 아미노산 잔기를 포함하는 조각으로 나뉘었다.

이 작업으로 계산 평가를 위한 펩타이드 서열 10,311,899개가 생성됐다. APEX는 이 가운데 37,176개가 광범위 항균 활성을 지닌다고 예측했다. 예측된 서열 중 11,035개는 연구자들이 조사한 현존 생물체에서는 나타나지 않았다.

순위화 단계는 1,000만 개가 넘는 가능성을 더 다루기 쉬운 후보군으로 압축했다. 이후 연구팀은 합성 및 실험 검증을 위해 69개의 펩타이드를 선정했다. 실제 실험은 세균성 병원체에 대한 항균 활성을 확인했다.

동료 심사를 거친 멸종생물체 연구에서는 주요 후보물질이 피부 농양 또는 대퇴부 감염 마우스 모델에서도 효과를 보였다고 보고했다. 연구진은 털매머드, 거대 나무늘보, 고대 해우, 멸종한 거대엘크 등과 연관된 펩타이드를 시험했다.

여러 후보물질은 세포질막의 탈분극을 통해 세균을 죽이는 것으로 보였다. 탈분극은 세포 기능에 필요한 전기적 균형을 무너뜨린다. 연구진은 이러한 활성을 대체로 외막을 표적으로 삼는 것으로 알려진 항균 펩타이드와 대비했다.

이 결과는 머신 랭킹을 거친 고대 서열이 실험적으로 활성을 보이는 분자를 만들어낼 수 있음을 입증한다. 다만 Codex나 ChatGPT가 APEX 발견을 만들어냈다는 점을 입증하는 것은 아니다. 특화 예측 모델, 데이터세트 구축, 후보 선정, 합성, 생물학적 실험은 여전히 핵심 요소다.

이 경계는 OpenAI 항균제 발견의 작동 방식을 분명히 한다. Codex는 연구자가 서열을 내려받거나 처리하는 스크립트를 작성하도록 도울 수 있다. ChatGPT는 방법론을 비교하거나 초기 직관을 검증 가능한 질문으로 발전시키는 데 도움을 줄 수 있다.

연구실 자체 모델은 도메인 특화 순위화를 수행한다. 이후 연구자들은 예측이 생물학적으로 타당한지 평가한다. 습식 실험팀은 선택된 펩타이드를 제조하고 통제된 조건에서 병원체에 노출한다.

결과는 인간의 해석과 후속 모델 개발로 다시 이어진다. 이는 계산이 후보를 제안하고, 실험이 이를 검증하며, 새로운 증거가 향후 의사결정을 개선하는 설계-시험-학습 주기와 닮아 있다.

이 메커니즘에는 세 가지 레버리지가 있다. 첫째, 디지털화된 생물학 데이터베이스가 방대한 탐색 공간을 제공한다. 둘째, 특화 모델이 펩타이드 데이터에서 학습한 패턴을 이용해 후보를 순위화한다. 셋째, 범용 AI가 이 분석을 둘러싼 코딩 및 소통 부담을 줄인다.

세 번째 요소는 공개된 이야기에서 가장 새로운 부분이다. 그렇다고 앞선 두 요소를 대체하지는 않는다. 그 가치는 과학자의 질문과 실행 가능한 분석 사이의 거리를 단축하는 데 있다.

De la Fuente의 연구실에는 생물학자, 화학자, 컴퓨터 과학자, 엔지니어가 있다. 각 분야는 서로 다른 용어와 증거 기준을 사용한다. ChatGPT 항균 연구는 구성원들이 관련 전문가와 상담하기 전에 맥락을 파악하도록 도울 수 있다.

같은 도구는 발전 중인 아이디어에 관한 공유 기록도 만들 수 있다. De la Fuente는 연구실의 ChatGPT 워크스페이스를 문제를 서로 다르게 접근하는 사람들이 의견을 더하는 공동의 아이디어 검토 공간으로 설명한다.

이러한 공유 맥락은 예상치 못한 연결을 촉진할 수 있다. 화학자는 모델이 선호한 서열에서 안정성 문제를 알아차릴 수 있다. 머신러닝 연구자는 실험이 어떻게 수행됐는지 파악한 뒤 데이터 불균형을 식별할 수 있다.

하지만 생산적인 협업에는 추적 가능성이 필요하다. 연구자들은 어떤 데이터세트가 주장을 뒷받침했는지, 어떤 스크립트가 그림을 만들었는지, 어떤 모델이 순위를 생성했는지 알아야 한다. 감사 가능한 연결고리 없는 유창한 설명은 과학적 증거로 기능할 수 없다.

따라서 가장 방어 가능한 결론은 구체적이다. Codex와 ChatGPT는 연구실이 계산 작업을 정의하고 실행하는 능력을 향상시키는 것으로 보인다. 동료 심사를 거친 생물학 연구는 더 폭넓은 AI 보조 파이프라인이 활성 있는 전임상 후보를 식별할 수 있음을 보여준다.

이는 의미 있는 진전이지만, 처방약과는 아직 거리가 멀다. 이 두 결과 사이의 거리가 이 이야기의 핵심 긴장을 규정한다.

빠른 예측이 완성된 항생제는 아니다

결정적 검증은 AI가 유망한 서열을 찾는지 여부가 아니라, 그 서열이 예측 이후의 모든 단계를 통과하는지에 달려 있다.

후보 발견은 초기 필터에 불과하다. 과학자들은 분자가 실용적인 농도에서 목표 병원체를 죽이는지 확인해야 한다. 또한 인간 세포를 손상시키거나 유익한 생물에 교란을 일으키는지도 판단해야 한다.

유망한 펩타이드는 실험실 배양 접시에서는 효과가 있어도 혈액 속에서 빠르게 분해될 수 있다. 효소는 펩타이드가 감염 부위에 도달하기 전에 이를 분해할 수 있다. 연구자들은 안정성을 높이기 위해 화학적 변형이나 전달 시스템이 필요할 수 있다.

분포도 중요하다. 피부 감염을 치료하는 화합물이 폐, 혈류, 뇌 또는 요로에는 효과적인 농도로 도달하지 못할 수 있다. 각 표적은 서로 다른 생물학적·제조적 요건을 만든다.

유효 용량에 가까운 수준에서 독성이 나타날 수 있다. 세균막을 교란하는 펩타이드는 포유류 세포에도 해를 끼칠 수 있다. 연구자들은 유효 노출과 유해 노출 사이에 유용한 차이가 있는 충분한 치료역을 확보해야 한다.

병원체 역시 적응할 수 있다. 막 표적 분자는 기존 항생제와 다른 내성 양상을 보일 수 있지만, 다르다고 해서 내성에 강한 것은 아니다. 반복 노출 시 내성이 얼마나 빨리 발달하는지 실험으로 살펴봐야 한다.

동물 결과는 증거를 보태지만, 인간에서의 안전성이나 효과를 보장하지는 않는다. 마우스 감염 모델은 인간 질환의 일부 측면을 단순화한다. 용량, 면역 반응, 대사, 감염 위치는 모두 임상 환경에서 다르게 작동할 수 있다.

제조는 또 다른 필터를 만든다. 어떤 서열은 합성 비용이 높거나 정제가 어렵고, 보관 중 불안정할 수 있다. 의약품은 규제기관이 광범위한 사용을 평가하기 전에 적절한 규모로 일관되게 생산될 수 있어야 한다.

이러한 현실은 몇 시간의 계산이 수년의 신약 개발을 대체했다는 주장을 약화시킨다. 계산은 선별을 가속한다. 연구자에게 어디를 먼저 살펴볼지 알려주며, 이는 가치 있지만 더 제한적인 역할이다.

AI 계층은 추가적인 불확실성을 도입한다. 생물학 학습 데이터에는 일관되지 않은 실험 조건, 중복 서열, 누락된 음성 결과, 특이한 생물종에 대한 제한적 범위가 포함될 수 있다. 모델은 실제 생물학적 패턴과 함께 이러한 왜곡도 학습할 수 있다.

익숙한 벤치마크에서 측정한 성능 역시 실제 환경의 신뢰성을 과장할 수 있다. 밀접하게 연관된 서열이 학습 및 시험 세트에 모두 나타나면, 모델은 일반화 가능한 규칙을 발견하기보다 유사성의 이점을 얻을 수 있다.

확신에 찬 순위를 생성하는 모델이 항상 불확실성을 잘 표현하는 것은 아니다. 연구자들은 점수가 약한 증거를 감추고 있는 예측을 검증하는 데 자원을 쓸 수 있다. 더 나은 불확실성 추정은 팀이 유망하면서도 과학적으로 유익한 후보를 선택하도록 도울 수 있다.

펩타이드 발견의 한계에 관한 2026년 연구 관점 논문은 분절된 워크플로, 제한적인 해석 가능성, 취약한 실험 피드백을 계속되는 문제로 지목한다. 이 논문은 예측, 생물학적 제약, 불확실성, 반복 시험을 통합하는 시스템이 필요하다고 주장한다.

이 비판은 ChatGPT 항균 연구에 직접 적용된다. 범용 언어 모델은 용어를 설명하고 유용한 코드를 만들 수 있지만, 잘못된 진술이나 결함 있는 구현도 생성할 수 있다. 유창함은 오류를 더 쉽게 간과하게 만든다.

De la Fuente는 사용자들에게 AI 출력을 반드시 재확인하라고 명시적으로 경고한다. 과학 컴퓨팅에서 이는 단순히 응답을 주의 깊게 읽는 것 이상을 의미한다. 연구자들은 코드를 점검하고, 데이터 출처를 검증하며, 결과를 재현하고, 예측을 통제된 실험과 비교해야 한다.

생성된 코드는 미묘한 문제를 일으킬 수 있다. 잘못된 서열 방향을 사용하거나, 결측치를 잘못 처리하거나, 시험 데이터를 학습에 유출하거나, 부적절한 통계 검정을 적용할 수 있다. 깔끔한 차트는 이런 오류 하나하나를 감출 수 있다.

연구실의 학제 간 구조는 하나의 방어 수단이 된다. 생물학자는 비현실적인 출력을 문제 삼을 수 있고, 프로그래머는 구현 세부 사항을 검토할 수 있으며, 화학자는 서열의 실용성을 평가할 수 있다. 어느 한 모델이나 연구자도 전체 증거 부담을 떠안지 않는다.

그럼에도 OpenAI의 설명은 기업이 제작한 사례 연구다. 이는 고객이 자사 제품을 어떻게 사용하는지 설명하고 참여자의 증언을 담고 있다. 생산성, 코드 품질, 발견 성과 또는 임상 결과에 관한 통제된 평가는 아니다.

이 이야기는 같은 연구실이 Codex와 ChatGPT 없이 어떻게 수행하는지를 보여주는 비교 시험을 제공하지 않는다. 프로젝트 전반에서 절감된 시간을 정량화하지도, 생성된 제안이 얼마나 자주 거절되는지도 공개하지 않는다. 이러한 누락된 측정치는 더 폭넓은 결론을 제한한다.

공개된 설명에는 이 특정 워크플로에 기인한 승인 의약품도 없다. 가장 강력한 결과는 연구실의 더 큰 계산 플랫폼을 통해 발견된 전임상 후보와 관련된다. 이 구분은 사례를 논의할 때마다 분명히 유지돼야 한다.

공정한 비교는 AI 대 인간 과학자가 아니다. 통합된 워크플로와 더 느리고 분절된 워크플로의 비교다. 통합된 방식은 계산, 전문가 검토, 물리적 실험이 서로를 지속적으로 교정할 때에만 성공한다.

따라서 Codex 항생제 연구는 후속 단계 전환율로 평가해야 한다. 제안된 분석 중 몇 개가 정확히 실행되는가? 순위화된 후보 중 몇 개가 재현 가능한 활성을 보이는가? 최적화 후에도 몇 개가 허용 가능한 안전성과 안정성을 유지하는가?

전환 없는 속도는 잡음을 늘릴 수 있다. 규율 있는 검증을 동반한 속도는 연구실이 수행하는 신뢰할 만한 실험의 수를 늘릴 수 있다. 다음 증거는 어느 결과가 나타나고 있는지 보여줘야 한다.

워크플로의 성과를 보여줄 세 가지 신호

다음 장은 재현성, 전임상 진전, 그리고 범용 AI 계층에서 얻는 측정 가능한 이점에 달려 있다.

첫 번째 신호는 독립적인 실험 재현이다. 다른 연구실도 주요 펩타이드를 합성하고, 공개된 방법을 따르며, 관련 병원체에 대해 비교 가능한 활성을 관찰할 수 있어야 한다. 재현은 모델이 일반화 가능한 생물학적 신호를 찾고 있다는 주장을 강화할 것이다.

원래의 순위가 인상적으로 보였더라도 재현에 실패한다면 근거는 약화될 것이다. 실험 조건의 차이가 일부 변이를 설명할 수는 있지만, 큰 격차는 데이터 품질, 후보 선정 또는 보고된 메커니즘에 대한 의문을 제기할 수 있다.

두 번째 신호는 초기 동물 모델을 넘어서는 진전이다. 연구자들은 화합물이 몸에 들어오고, 체내를 이동하며, 몸을 빠져나가는 방식을 설명하는 약동학 데이터가 필요하다. 더 광범위한 독성, 안정성, 용량, 내성 연구도 필요하다.

후보물질이 정식 전임상 개발에 진입한다고 해서 승인이 보장되는 것은 아니다. 그러나 최소 한 분자가 계산적 새로움 외의 여러 필터를 통과했음을 보여준다. 이러한 전환은 또 하나의 대규모 예측 수치보다 더 강한 증거가 될 것이다.

세 번째 신호는 Codex와 ChatGPT의 기여도를 직접 측정하는 것이다. 연구실은 도구 도입 전후의 작업 완료 시간, 코드 검토 오류, 재현성 또는 성공적인 분석을 비교할 수 있다. 또한 숙련된 프로그래머와 습식 실험 과학자를 별도로 평가할 수도 있다.

이러한 증거는 도구가 주로 전문가를 가속하는지, 참여 범위를 넓히는지, 또는 학제 간 소통을 개선하는지 분명히 할 것이다. 또한 인간 검토가 처음에 절감한 시간을 어디에서 소모하는지도 드러낼 것이다.

OpenAI의 이전 연구실 프로필에는 몇 초 만에 스크립트가 나타나고 몇 시간 만에 분자가 식별되는 생생한 사례가 포함돼 있다. 다음으로 유용한 설명에는 그러한 경험과 함께 결과 측정치가 필요하다.

더 광범위한 과학적 흐름은 어느 단일 제품과 관계없이 계속될 것이다. 게놈 데이터베이스는 성장하고, 펩타이드 모델은 개선되며, 연구실은 계산을 자동화된 실험과 더 긴밀하게 연결하고 있다. 경쟁사들도 다른 코딩 보조 도구와 과학 모델로 유사한 워크플로를 구축할 수 있다.

이는 범용 AI를 제품 차원에서는 대체 가능한 존재로 만들지만, 워크플로 차원에서는 중대한 영향을 미치게 한다. 지속적인 변화는 더 많은 연구자가 별도의 소프트웨어 개발 대기열을 기다리지 않고도 질문을 계산 절차로 전환할 수 있게 된다는 점이다.

우위는 더 빠르게 움직이면서도 과학적 엄밀성을 지키는 팀에 돌아갈 것이다. 이들은 프롬프트를 문서화하고, 생성된 코드를 검토하며, 데이터셋의 버전을 관리하고, 가설을 사전 등록하며, 다른 이들이 자신의 연구를 검증할 수 있을 만큼 충분한 세부 정보를 공개할 것이다.

독자들은 두 가지 오해를 경계해야 한다. 하나는 챗봇이 항생제 내성 문제를 해결했다는 주장이다. 다른 하나는 실험실 검증이 여전히 필요하다는 이유로 코딩 지원을 평가절하하는 주장이다.

둘 다 핵심 메커니즘을 놓친다. 탐색, 우선순위 선정, 그리고 분야 간 번역은 실제 과학 연구의 병목이다. 이를 줄이면 연구자들은 분자가 실제로 작동하는지를 판단하는 실험을 수행할 기회를 더 많이 얻는다.

따라서 OpenAI의 항균제 발견은 과학적 조율에 대한 시험으로 이해하는 것이 가장 적절하다. 전문화된 모델은 생물학을 탐색하고, 범용 AI는 사람들이 파이프라인을 운영하도록 돕고, 어떤 예측이 살아남을지는 실험이 결정한다.

최종적인 척도는 스크리닝된 시퀀스 수나 생성된 스크립트 수가 아니다. 안전성, 안정성, 제조 및 임상 평가 단계를 통과하는 재현 가능한 후보물질의 수다.

연구자와 AI 사용자라면 모든 과학적 워크플로에 다음의 실용적인 질문을 적용할 가치가 있다. 이 도구는 더 많은 주장을 만들어 내는가, 아니면 더 나은 증거를 생산하도록 돕는가? 재현된 분석 결과, 개발 단계로 진입하는 후보물질, 그리고 측정된 워크플로 개선을 주시해야 한다. 이러한 신호가 몇 시간 만에 완료된 탐색이 궁극적으로 의학 발전에 기여할 수 있는지를 보여줄 것이다.