|
젠슨 황 엔비디아 최고경영자(CEO)는 기조연설에서 AI 에이전트가 전문적인 작업을 수행하려면 각 분야에 특화된 도구가 필요하다고 강조했다. 그는 생명과학 분야를 사례로 들며 “연구실 보조 AI를 개발하는 기업들은 단백질과 세포를 이해하고 단백질과 화합물을 생성하도록 설계된 바이오네모 모델을 활용한다”며 “신약 개발에는 바이오네모와 CUDA-X 도구를 사용한다”고 설명했다.
단백질 설계 속도 13배…실험 후보 탐색 지원
RFD4-Proteina는 연구자가 원하는 단백질의 기능과 결합 조건 등을 입력하면 이에 맞는 단백질 서열과 3차원 구조를 생성하는 모델이다. 질병과 관련된 특정 분자에 결합하거나 진단에 활용할 단백질 등을 설계하는 데 사용할 수 있다.
기존에는 연구자가 방대한 단백질 구조와 조합을 탐색하고 가능성이 있는 후보를 선별해야 했다. 새 모델은 AI를 통해 이러한 설계와 탐색 과정을 수행하도록 지원한다.
엔비디아에 따르면 RFD4-Proteina는 아미노산 200개로 구성된 단백질을 생성하는 벤치마크에서 기존 ‘RFdiffusion3’보다 약 13배 빠른 생성 속도를 기록했다. 엔비디아는 단백질 결합과 소분자 결합, 효소 구조 설계, DNA 결합 등 네 가지 벤치마크에서도 기존 비교 모델보다 높은 설계 성공률과 생성 처리량을 기록했다고 설명했다.
다만 13배라는 수치는 특정 조건에서 측정한 컴퓨터상 단백질 설계 생성 속도다. 실제 신약 후보물질의 효능 검증이나 임상시험을 포함한 전체 개발 기간이 그만큼 단축됐다는 의미는 아니다. 생성된 단백질이 의도한 기능을 수행하는지도 별도의 실험을 통해 확인해야 한다.
엔비디아는 해당 모델을 허깅페이스와 깃허브 등에서 공개하고, 클라우드·AI 개발 플랫폼을 통해서도 이용할 수 있도록 했다.
AI가 실험 설계·수행 지원…암 치료 기술도 개발
신약 연구에 AI 에이전트를 적용하는 움직임도 확대되고 있다. 황 CEO는 기조연설에서 라일라 사이언시스(Lila Sciences)의 사례를 소개했다.
|
황 CEO는 “AI 에이전트가 바이오네모 도구를 사용해 단백질 설계와 RNA 최적화를 위한 수백만 건의 가상 실험을 수행한다”고 설명했다. 그는 이어 유망한 후보가 실제 연구시설로 전달되고 실험 결과가 다시 AI에 반영되는 연구 과정을 소개했다.
엔비디아는 이 같은 연구 방식의 확산을 위해 바이오네모와 AI 에이전트 개발 도구를 제공하고 있다. 벤치링, 볼츠, 다나허 등 생명과학·연구장비 기업들도 관련 기술을 활용해 실험 데이터 분석과 신약 후보 설계, 자동화 연구시설의 연계를 추진하고 있다.
의료 분야에서는 지멘스 헬시니어스와 차세대 적응형 방사선 치료 기술을 개발한다. 양사는 AI가 의료진의 환자별 치료계획 수립을 돕고, 방사선 조사량 계산과 실시간 센서 데이터 분석을 연계해 치료 정확도를 높이는 기술을 개발하고 있다.
황 CEO는 기조연설에서 “치료 중에도 종양의 형태와 환자의 신체 상태는 변한다”며 “적응형 방사선 치료 시스템은 변화하는 환경을 인식하고 종양의 위치를 정확히 파악해 방사선을 정밀하게 조사해야 한다”고 강조했다.
지멘스 헬시니어스와 엔비디아의 협력은 AI를 활용한 치료계획 수립과 환자별 시뮬레이션, 실시간 제어 기술을 개발하는 단계다. 실제 진료 현장에 해당 기능이 모두 도입됐거나 치료 효과가 임상적으로 입증됐다는 발표는 아니다.
2024년 노벨화학상 수상자인 데이비드 베이커 워싱턴대 교수는 “우리는 자연에 존재하는 단백질을 발견하던 시대에서 완전히 새로운 단백질을 설계할 수 있는 시대로 나아가고 있다”며 “RFD4-Proteina는 신약 개발에 기여할 수 있는 단백질부터 농약을 분해하는 효소까지 과학자들이 설계할 수 있는 범위를 넓혀준다”고 밝혔다.
