인공지능이 이제 바이러스의 유전체 전체를 설계하고, 실제로 기능하는 바이러스를 만들어내는 수준에 이르렀습니다. 단순히 새로운 DNA 서열을 생성하는 정도가 아니라, 인공지능이 설계한 DNA를 합성하여, 실제로 세균을 감염시키고 증식할 수 있는 바이러스를 만들어내는 데 성공한 것입니다.
2026년 8월 Science에 발표된 Generative design of bacteriophages with genome language models라는 논문에서, 미국 스탠퍼드대학교와 Arc Institute의 Brian Hie 교수 연구팀은 Evo라는 유전체 언어모델(genome language model)을 이용하여 박테리오파지(bacteriophage)의 전체 유전체를 설계했습니다. 이렇게 인공지능이 생성한 박테리오파지의 유전체 285개를 합성하고 실험한 결과, 16개의 기능하는 바이러스를 만들어내는 데 성공했습니다. [1]
여기서 ‘유전체 언어모델’이라는 개념이 생소할 수 있겠습니다. 우리가 사용하는 ChatGPT와 같은 거대 언어모델(LLM)은 방대한 양의 인간 언어를 학습하여, 앞서 나온 문맥을 바탕으로 다음에 어떤 단어(정확히는 토큰)가 나올 확률이 높은지를 예측하면서 새로운 문장을 생성합니다. 그렇다면 인간의 언어 대신, 생명의 설계도라고 할 수 있는 DNA를 학습시키면 어떻게 될까요? DNA는 A, T, G, C라는 네 종류의 염기들이 조합된 일종의 언어라고 생각할 수 있습니다. 유전체 언어모델은 자연계에 존재하는 방대한 DNA 서열을 학습하여, 앞선 염기서열을 바탕으로 다음에 어떤 염기가 나올 확률이 높은지를 계산하면서 새로운 DNA 서열을 생성합니다. 마치 ChatGPT가 새로운 문장을 만들어내듯이, 유전체 언어모델은 자연계에 존재하지 않는 새로운 DNA 서열을 만들어내는 것입니다.[2, 3]

이번 연구는 여기서 한 단계 더 나아갔습니다. ChatGPT가 생성한 문장이 문법적으로 자연스럽더라도 그 내용이 반드시 사실인 것은 아니듯이, 유전체 언어모델이 생성한 DNA가 생물학적으로 그럴듯해 보여도 실제로 기능을 가진다는 보장은 없습니다. 그런데 연구진은 인공지능이 생성한 DNA를 선별하고 실제로 합성하여, 그중 일부가 정말로 기능하는 바이러스의 유전체가 될 수 있다는 것을 증명한 것입니다.[1]
저는 이번 연구가 생성형 인공지능을 활용한 생명과학 연구에서 중요한 이정표가 될 수 있다고 생각합니다. 그동안 인공지능은 주로 개별 단백질이나 유전자, 혹은 여러 유전자가 함께 작동하는 시스템을 설계하는 데 활용되어 왔습니다. 하지만 이번에는 여러 유전자와 조절 요소들이 복잡하게 상호작용하는 유전체 전체를 설계하고, 실제로 기능하는 생물학적 시스템까지 만들어낸 것입니다. 어떻게 보면 인공지능이 단순히 생명의 설계도를 읽고 해석하는 것을 넘어, 새로운 설계도를 직접 쓰기 시작한 셈입니다. 이것은 향후 인공지능이 새로운 생명체를 창조해내는 결과의 첫걸음이 될 수도 있습니다.
인공지능이 설계한 DNA가 실제 바이러스로 작동하다
이번 연구에서 대상으로 삼은 박테리오파지는 세균을 감염시키는 바이러스입니다. 줄여서 파지(phage)라고도 부르는데요. 세균에 침입하여 자신의 유전체를 복제하고 새로운 바이러스 입자를 만들어내며, 일부 파지는 이 과정에서 세균을 파괴합니다. 이러한 특성 때문에 항생제 내성균을 치료하기 위한 새로운 방법으로도 연구되고 있습니다.[8]
연구진은 박테리오파지 중에서도 ΦX174(파이 X174)라는 바이러스를 설계의 출발점으로 선택했습니다. ΦX174는 대장균을 감염시키는 바이러스로, 약 5,400개의 염기 서열과 11개의 유전자로 구성되어 있습니다. 인간의 유전체가 약 30억 개의 염기 서열과 2만개 정도의 유전자로 이루어져 있다는 점을 생각하면 매우 작은 유전체입니다. 이처럼 유전체가 작기 때문에 DNA 전체를 합성하고 실험적으로 검증하기가 상대적으로 용이하여, 인공지능을 이용한 전체 유전체 설계의 가능성을 검증하는 연구에 적합한 모델이라고 할 수 있습니다. 더구나 ΦX174는 오랫동안 연구되어 유전체의 구조와 기능이 잘 알려져 있습니다. 그렇다고 설계까지 간단한 것은 아닙니다. 작은 유전체 안에서도 여러 유전자들이 서로 겹쳐 있고, 다양한 조절 요소들이 복잡하게 상호작용하기 때문에 전체 유전체 설계의 가능성을 검증하기에는 충분히 까다로운 대상이라고 할 수 있습니다. [1]
연구진은 Evo 1과 Evo 2라는 유전체 언어모델을 이용하여 ΦX174와 유사하지만 자연계에는 존재하지 않는 새로운 유전체들을 생성했습니다. 이 중에서 ΦX174를 템플릿으로 삼고, 생성된 유전체가 실제 바이러스로 기능할 수 있을지, 목표로 하는 대장균을 감염시킬 수 있을지, 기존 자연계의 바이러스와 얼마나 다른지 등을 기준으로 후보들을 평가했습니다. 이렇게 최종적으로 302개의 유전체를 선정했고, 그중 285개를 실제로 합성하고 조립하는 데 성공했습니다.[1]

생성형 인공지능을 활용한 박테리오파지 유전체 설계 과정. 연구진은 목표 세균을 감염시키는 ΦX174의 유전체를 출발점으로 삼아, Evo 모델로 새로운 유전체를 생성하고 여러 조건에 따라 후보를 선별한 후 실험적으로 기능을 검증했다. 오른쪽에는 ΦX174 유전체의 유전자 구성과 바이러스 구조가 나타나 있다.
그렇다면 이렇게 인공지능이 설계한 DNA로 정말 바이러스를 만들어서, 대장균을 감염시킬 수 있었을까요?
연구진은 합성한 DNA를 대장균 세포 안에 넣었습니다. 바이러스는 스스로 단백질을 만들거나 증식할 수 없기 때문에, 숙주 세균의 도움을 받아야 합니다. 대장균 안에 들어간 바이러스의 DNA가 제대로 작동한다면, 대장균은 그 유전정보에 따라서 바이러스의 단백질을 만들고, DNA를 복제하며, 새로운 바이러스 입자를 조립하게 됩니다. 이렇게 만들어진 바이러스가 세균 밖으로 나와 다른 대장균을 감염시키고, 다시 증식할 수 있다면 실제로 기능하는 파지가 만들어졌다고 볼 수 있는 것입니다.
연구진은 이러한 일이 실제로 일어나는지 확인하기 위해 대장균의 증식을 관찰했습니다. 기능하는 파지가 만들어지면 새로운 파지들이 다른 대장균을 감염시키고 파괴하기 때문에, 대장균이 정상적으로 증식하지 못하게 됩니다. 실제로 연구진은 대장균의 증식이 억제되는지 관찰하고, 생성된 파지의 유전정보와 감염성도 확인했습니다. 그 결과 285개의 유전체 중 16개에서 실제로 세균을 감염시키고 증식할 수 있는 파지를 얻었습니다. 즉, 인공지능이 설계한 DNA가 실제 바이러스 입자로 만들어지고, 그 바이러스가 다른 세균까지 감염시킬 수 있다는 사실을 실험적으로 확인한 것입니다.[1]

인공지능이 설계한 DNA로 실제 기능하는 박테리오파지를 만드는 과정과 실험 결과. Fig. 3D는 합성 DNA를 조립하고 세균에서 파지를 생성·검증하는 과정을 보여준다. Fig. 3G는 생성된 파지에 의해 대장균의 증식이 억제되는 결과이며, Fig. 3H는 파지의 감염성을 확인한 실험이다. 연구진은 285개의 합성 유전체 중 16개에서 기능하는 파지를 확인했다.
더구나 이렇게 만들어진 바이러스들은 자연계의 바이러스와 동일하지 않았습니다. 기능을 확인한 16개 파지의 유전체는 가장 유사한 자연계의 유전체와 비교하더라도 염기서열 유사성이 약 93.2~98.8% 수준이었습니다. 일부는 유전체의 길이나 유전자 구성이 달라지기도 했습니다.[1]
이 수치가 어느 정도의 차이를 의미하는지 감이 잘 오지 않을 수도 있겠습니다. 일반적으로 사람과 사람의 DNA 염기서열은 약 99.9%가 동일하다고 알려져 있습니다. 이는 주로 개별 염기의 차이를 비교한 것으로, DNA 일부가 삽입되거나 삭제되는 경우, 더 큰 구간의 구조가 달라지는 경우까지 고려하면 인간 개인 간 유전체의 일치도는 약 99.6%로 추정됩니다.[12]
인간과 침팬지는 서로 비교 가능한 DNA 영역에서 약 98.8%의 염기서열이 일치하며, 인간과 붉은털원숭이(rhesus macaque)는 약 93~94%가 일치하는 것으로 알려져 있습니다.[10, 13] 단순 비교는 어려울 수도 있겠지만, 이번 연구에서는 인공지능이 기존에 존재하던 바이러스와 그만큼 큰 차이가 있는 유전체를 설계하고도, 실제로 기능하는 바이러스를 만들어냈다는 것입니다.
중요한 것은 단순히 기존 바이러스와 염기서열이 다르다는 사실만이 아닙니다. 연구진은 자연계에서 발견된 ΦX174 계열 바이러스들뿐만 아니라, 실험실에서 약 180일 동안, 약 13,000세대에 걸쳐 진화시킨 바이러스들과도 비교했습니다. 그 결과 인공지능이 설계한 바이러스들은 이러한 자연계 및 실험실 진화 바이러스들보다 가장 가까운 자연계 바이러스와의 염기서열 유사성이 더 낮고, 유전체의 길이와 유전적 구성에서도 더 다양한 변화를 보여주었습니다. 일부에서는 단백질을 만드는 유전자뿐만 아니라 유전자 사이의 조절 영역이나 유전자 구성 자체도 달라졌습니다.[1]
이는 인공지능이 단순히 자연계에 존재하는 바이러스의 유전체를 모방한 것이 아니라, 자연선택을 거쳐 지금까지 진화한 유전체와는 다른 새로운 유전적 조합을 만들어냈다는 의미입니다. 자연계에서 돌연변이가 발생하고 진화하는 과정을 기다리지 않고도, 인공지능이 기능할 가능성이 있는 새로운 유전체를 직접 만들 수 있다는 것입니다.
단백질 하나가 아니라, 유전체 전체를 설계한다는 것
그렇다면 유전체 전체를 설계하는 것이 왜 그렇게 어려운 문제일까요?
2024년 노벨화학상을 수상한 데미스 하사비스(Demis Hassabis)와 존 점퍼(John Jumper)가 개발한 구글 딥마인드의 알파폴드(AlphaFold)는 단백질의 아미노산 서열을 기반으로 3차원 구조를 예측하는 인공지능입니다. 이후에는 RFdiffusion과 같이 자연계에 존재하지 않는 새로운 단백질을 설계하는 인공지능들도 등장했습니다.[4, 5] 하지만 단백질 하나를 설계하는 것과 유전체 전체를 설계하는 것은 전혀 다른 문제입니다.
유전체에는 단백질을 만드는 유전자뿐만 아니라, 유전자를 언제 읽기 시작하고 어디에서 멈출지, 어떤 단백질을 얼마나 만들어야 할지 등을 조절하는 다양한 정보가 포함되어 있습니다. 예를 들어 프로모터(promoter)는 유전자의 전사가 시작되도록 하는 DNA 서열이며, 전사 종결 서열은 그 과정을 멈추도록 하는 신호입니다. RNA에서 단백질이 만들어지는 과정에도 별도의 조절 서열이 관여합니다. 바이러스의 유전체에는 DNA를 복제하거나 바이러스 입자 안에 포장하는 과정에서 필요한 인식 서열도 존재합니다. 이런 요소들이 적절한 위치에 배치되어야 할 뿐만 아니라, 바이러스의 감염과 증식 과정에서 필요한 순서와 양에 맞춰 작동해야 합니다.[1]
또한 각 유전자에서 만들어진 단백질들은 다른 단백질이나 RNA, DNA 등과 상호작용해야 합니다. 심지어 동일한 유전자에 발생한 돌연변이라도 주변의 다른 유전자에 따라서 전혀 다른 영향을 미칠 수 있습니다. 결국 전체 유전체를 설계한다는 것은 개별 유전자들을 잘 만드는 것을 넘어, 유전자와 조절 요소, 그리고 이들이 만들어내는 여러 분자들이 하나의 시스템으로 조화롭게 작동하도록 설계한다는 의미입니다.
자동차를 비유적으로 설명하면, 기존의 연구가 엔진과 같은 일부 중요 부품을 만드는 것이었다면, 이번 연구는 모든 부품들이 조화롭게 작동하는 달릴 수 있는 자동차 자체를 만들어내는 것이라고 말씀드릴 수 있습니다.
유전체 언어모델 EVO
이러한 문제를 해결하기 위해 개발된 인공지능이 바로 Evo입니다. Evo는 2024년 11월 Science에 발표된 Sequence modeling and design from molecular to genome scale with Evo라는 논문에서 처음 소개되었습니다. 연구진은 약 270만 개의 원핵생물 및 박테리오파지 유전체를 학습하여, 70억 개의 파라미터를 가진 유전체 파운데이션 모델을 개발했습니다. 특히 Evo는 개별 유전자의 기능을 예측할 뿐만 아니라, 단백질과 RNA가 함께 작동하는 새로운 CRISPR-Cas 시스템을 설계하고, 실제로 DNA를 절단하는 기능까지 검증하는 데 성공했습니다.[2]
이후 2026년 Nature에는 후속 모델인 Evo 2가 발표되었습니다. Evo 2는 최대 400억 개의 파라미터를 가지고, 9조 개가 넘는 DNA 염기 토큰을 학습했습니다. 기존 Evo가 주로 세균과 박테리오파지의 유전체를 학습했다면, Evo 2는 인간을 포함한 다양한 진핵생물의 유전체까지 학습했습니다. 이를 통해 인간의 유전자 변이가 미치는 영향을 예측할 수 있었으며, 미토콘드리아나 작은 세균의 유전체, 효모의 염색체와 유사한 긴 DNA 서열까지 생성할 수 있었습니다.[3]
사실 Evo는 2024년부터 이미 100만 개가 넘는 염기로 이루어진 DNA 서열을 생성할 수 있었습니다. 하지만 여기에는 중요한 한계가 있었습니다. 생성된 DNA가 자연계의 유전체와 비슷한 특징을 가진다는 것은 확인했지만, 실제로 기능하는 유전체인지는 증명하지 못했던 것입니다.[2, 3]
이번 연구는 바로 이 한계를 넘어섰습니다. 비록 훨씬 작은 약 5,400개 염기의 유전체를 대상으로 했지만, AI가 생성한 DNA를 실제로 합성하여 기능하는 바이러스까지 만들어냈기 때문입니다. 컴퓨터상에서 생물학적으로 그럴듯한 DNA를 생성하는 것과, 실제로 기능하는 유전체를 설계하는 것 사이에는 중요한 차이가 있습니다.
기존에는 불가능했던 유전자 조합도 기능하게 만들었다
이번 연구에서 특히 흥미로운 결과는 인공지능이 기존에는 서로 호환되지 않는다고 알려진 유전자 조합까지 기능하도록 만들었다는 점입니다.
연구진이 생성한 Evo-Φ36이라는 파지에는 바이러스의 DNA를 단백질 외피인 캡시드(capsid) 안에 포장하는 데 관여하는 J라는 단백질이 있습니다. 그런데 이 단백질은 원래 ΦX174의 J 단백질보다는 진화적으로 멀리 떨어진 G4라는 파지의 단백질과 유사했습니다. G4의 J 단백질은 25개의 아미노산으로 구성되어 있어서, 38개의 아미노산으로 이루어진 ΦX174의 J 단백질보다 훨씬 짧습니다.[1]
흥미롭게도 기존 연구에서는 ΦX174의 J 단백질을 G4의 J 단백질로 단순히 교체하면 바이러스가 기능하지 못한다는 사실이 알려져 있었습니다. 그런데 인공지능이 설계한 Evo-Φ36에서는 이러한 형태의 J 단백질이 기능했습니다. 연구진은 극저온 전자현미경(cryo-EM)을 이용하여 실제 바이러스의 구조까지 분석했으며, 새로운 J 단백질이 캡시드와 상호작용하면서 기능을 유지하고 있다는 것을 확인했습니다.[1]
이는 무엇을 의미할까요? 개별 유전자 하나만 교체하면 기능하지 않던 것이, 주변의 다른 유전체 요소들이 함께 변화하면 기능할 수 있다는 것입니다. 이를 생물학에서는 상위성(epistasis), 혹은 유전자간 상호 의존이라는 개념으로 설명합니다. 어떤 유전자의 기능을 위해서는 유전체 다른 곳의 여러 염기가 함께 바뀌어야 한다는 것인데, 인공지능이 이를 해냈다는 것입니다.
저는 이 부분이 이번 연구의 중요한 성과라고 생각합니다. 인공지능이 유전자 하나하나를 독립적으로 설계한 것이 아니라, 여러 유전자와 그 주변의 조절 요소들이 서로 호환될 수 있는 새로운 조합을 만들어냈을 가능성을 보여주기 때문입니다. 물론 유전체 언어모델이 이러한 상호작용의 생물학적 원리를 인간처럼 명시적으로 이해하고 있다고 단정할 수는 없습니다. 하지만 방대한 유전체 데이터를 학습하면서 자연계의 유전체에 내재된 복잡한 제약 조건을 어느 정도 학습하고, 이를 새로운 유전체의 설계에 활용했을 가능성은 충분히 생각해볼 수 있습니다.
인공지능이 설계한 바이러스가 세균의 내성을 극복하다
이번 연구의 또 다른 흥미로운 결과는 인공지능이 설계한 파지들을 이용하여 세균의 내성을 극복할 수 있었다는 것입니다.
박테리오파지는 세균을 감염시켜 파괴할 수 있기 때문에 항생제 내성균을 치료하는 대안으로 연구되고 있습니다.[8] 하지만 파지 치료에도 중요한 문제가 있습니다. 세균 역시 박테리오파지에 대해서 내성을 획득할 수 있다는 것입니다. 이러한 문제를 극복하기 위해 서로 다른 종류의 파지를 혼합하여 사용하는 파지 칵테일(phage cocktail)이 연구되고 있습니다.
그렇다면 인공지능이 설계한 새로운 파지들을 혼합해서, 인공지능 파지 칵테일을 만들면 어떻게 될까요? 연구진은 ΦX174에 내성을 가진 두 종류의 대장균을 만들고, 기존 ΦX174만 사용한 경우, 자연계의 파지 16종을 혼합한 경우, 그리고 인공지능이 설계한 파지 16종을 혼합한 경우를 비교했습니다.
처음에는 세 가지 조건 모두에서 내성 대장균의 증식을 억제하지 못했습니다. 하지만 연구진은 여기서 실험을 끝내지 않았습니다. 파지들이 증식한 배양액의 일부를 새로운 세균 배양액으로 옮겨 다시 증식시키는 과정을 반복했습니다. 이렇게 미생물이나 바이러스를 새로운 배양 환경으로 옮겨가며 계속 증식시키는 것을 계대 배양(serial passage)이라고 합니다. 이러한 과정을 반복하면 파지에 새로운 돌연변이가 발생하거나 기존 파지들 사이에 유전자가 재조합되면서, 새로운 환경에 더 잘 적응하는 파지가 선택될 가능성이 있습니다.
이러한 과정을 반복하자 결과가 달라졌습니다. 인공지능이 설계한 파지 칵테일은 첫 번째 계대 배양을 마친 뒤 한 종류의 내성 대장균의 증식을 억제할 수 있게 되었고, 두 번째 계대 배양 이후에는 다른 종류의 내성 대장균까지 억제할 수 있게 되었습니다. 반면 기존 ΦX174만 사용하거나 자연계의 파지들을 혼합한 경우에는 다섯 차례의 계대 배양 이후에도 내성균을 억제하지 못했습니다.[1]

AI가 설계한 파지 칵테일의 세균 내성 극복 실험. Fig. 6C는 파지를 반복적으로 배양하면서 내성균에 적응시키는 실험 과정을, Fig. 6D는 그 결과를 보여준다. 파란색 선은 내성 대장균의 증식 정도를 나타내며, 선이 낮게 유지될수록 세균의 증식이 잘 억제되었다는 뜻이다. AI 설계 파지 칵테일에서는 반복 배양을 거치면서 내성균의 증식이 억제되었지만, 자연계 파지 칵테일이나 ΦX174 단독군에서는 그렇지 않았다.
여기에 중요한 점은 인공지능이 처음부터 내성균을 감염시키는 바이러스를 직접 만들어낸 것은 아니라는 것입니다. 연구진이 내성을 극복한 파지의 유전체를 분석한 결과, 인공지능이 생성한 여러 파지들의 유전체 일부가 재조합되고, 추가적인 돌연변이가 발생하면서 내성균을 감염시킬 수 있는 파지가 출현한 것으로 추정되었습니다.[1]
저는 오히려 이 부분이 더 흥미롭다고 생각합니다. 인공지능이 처음부터 원하는 기능을 정확하게 설계하지 못하더라도, 새로운 유전적 다양성을 만들어냄으로써 이후 진화 과정에서 새로운 기능이 나타날 수 있는 가능성을 넓혀줄 수 있다는 것입니다.
우리가 현재 자연계에서 관찰하는 유전체가 생물학적으로 가능한 모든 유전체의 조합을 대표하는 것은 아닙니다. 자연계에서 우연히 등장하지 않았거나, 특정 환경에서는 선택되지 않았던 수많은 조합들이 존재할 수 있습니다. 생성형 인공지능은 이러한 유전체의 가능성을 탐색하고, 자연계에 존재하지 않는 새로운 조합을 제안하는 도구가 될 수 있습니다. 그리고 이러한 조합들이 진화 과정에서 새로운 환경에 적응할 수 있는 출발점이 될 수도 있는 것입니다.[1, 9]
AI는 새로운 생명체를 설계하는 시대
이번 연구가 전체 유전체의 설계라는 문제를 완전히 해결한 것은 아닙니다. 실제로 합성한 285개의 유전체 중 기능한 것은 16개에 불과했으며, 이 중에서도 7개는 DNA 합성이나 파지를 만드는 과정에서 추가적인 돌연변이가 발생했습니다. 일부는 이러한 돌연변이가 있어야만 기능할 수 있었던 것으로 분석되었습니다. 또한 생성된 유전체가 자연계의 유전체와 유사할수록 기능할 가능성이 높아지는 경향도 관찰되었습니다.[1]
특히 이번 연구의 대상은 약 5,400개의 염기로 구성된 비교적 작은 바이러스입니다. Evo 2가 이미 100만 개 이상의 염기로 구성된 DNA를 생성할 수 있다고 하더라도, 이것이 그만큼 크고 복잡한 유전체를 실제로 기능하도록 설계할 수 있다는 뜻은 아닙니다.
하지만 이번 연구가 보여준 가능성은 결코 작지 않습니다. 중요한 것은 인공지능이 설계한 DNA가 실제로 기능하는지, 그리고 우리가 원하는 생물학적인 특성을 얼마나 정확하게 구현할 수 있는가 하는 점입니다. 이러한 관점에서 앞으로는 인공지능이 새로운 유전체를 설계하고(Design), 실제로 합성하고(Build), 기능을 실험적으로 검증하고(Test), 그 결과를 분석하여(Learn) 더 나은 설계를 만드는 방식이 더욱 중요해질 것으로 생각합니다. [11]
더 나아가, 이번 연구의 의미를 조금 더 확장해서 생각해볼 수도 있겠습니다. 이러한 기술이 발전하여 훨씬 크고 복잡한 유전체를 자유롭게 설계할 수 있게 된다면 어떻게 될까요? 자연계에 존재하지 않는 새로운 생물학적 기능을 가진 유전체를 설계하고, 이를 실제로 구현하는 것까지 가능해진다면 말입니다.
어쩌면 이번 연구는 인공지능이 자연계에 존재하지 않는 새로운 기능을 가진 생명체 자체를 설계하는 시대의 출발점이 될지도 모르겠습니다. 지금까지 인공지능이 유전자나 단백질의 기능을 예측하거나, 자연계의 유전체와 유사한 DNA를 생성하는 데 활용되었다면, 이제는 인공지능이 설계한 전체 유전체가 실제로 작동하는지를 실험적으로 검증하는 단계에 이르렀기 때문입니다. 물론 생명체는 단순히 기능하는 유전체만으로 만들어지는 것이 아니며, 세포 구조와 대사, 유전자 발현을 비롯한 복잡한 생물학적 시스템이 함께 필요하기 때문에 아직은 갈 길이 멀기는 합니다. 하지만 이번 연구가 이러한 변화의 출발점이 되는 중요한 성과를 보여주었다는 점은 부인할 수 없습니다.
지금까지 인류가 유전체를 읽고(sequencing), 합성하고(synthesis), 수정하는(editing) 기술을 발전시켜왔다면, 이제는 생성형 인공지능을 활용하여 유전체 전체를 설계하는(design) 능력까지 확보하기 시작했습니다. 앞으로 이러한 설계 능력이 더 복잡한 유전체와 생물학적 시스템으로 확장된다면, 지금까지와는 전혀 다른 방식으로 생명 현상을 연구하고 활용하는 길이 열릴 수도 있겠습니다. 인공지능이 유전체 전체를 설계하는 시대. 그러한 시대가 이제 열리고 있습니다.
참고문헌
[1] King, S. H., et al. (2026). Generative design of bacteriophages with genome language models. Science, 393, eaec2657.
[2] Nguyen, E., et al. (2024). Sequence modeling and design from molecular to genome scale with Evo. Science, 386, eado9336.
[3] Brixi, G., et al. (2026). Genome modelling and design across all domains of life with Evo 2. Nature, 652, 1349–1361.
[4] Jumper, J., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589.
[5] Watson, J. L., et al. (2023). De novo design of protein structure and function with RFdiffusion. Nature, 620, 1089–1100.
[6] Sanger, F., et al. (1977). Nucleotide sequence of bacteriophage φX174 DNA. Nature, 265, 687–695.
[7] Smith, H. O., et al. (2003). Generating a synthetic genome by whole genome assembly: φX174 bacteriophage from synthetic oligonucleotides. PNAS, 100, 15440–15445.
[8] Dedrick, R. M., et al. (2019). Engineered bacteriophages for treatment of a patient with a disseminated drug-resistant Mycobacterium abscessus. Nature Medicine, 25, 730–733.
[9] Zheng, J., Payne, J. L., & Wagner, A. (2019). Cryptic genetic variation accelerates evolution by opening access to diverse adaptive peaks. Science, 365, 347–353.
[10] Rhesus Macaque Genome Sequencing and Analysis Consortium, et al. (2007). Evolutionary and biomedical insights from the rhesus macaque genome. Science, 316, 222–234.
[11] Hillson, N., et al. (2019). Building a global alliance of biofoundries. Nature Communications, 10, 2040.
[12] National Human Genome Research Institute. Human Genomic Variation.
[13] The Chimpanzee Sequencing and Analysis Consortium. (2005). Initial sequence of the chimpanzee genome and comparison with the human genome. Nature, 437, 69–87.
최윤섭의 디지털 헬스케어에서 더 알아보기
구독을 신청하면 최신 게시물을 이메일로 받아볼 수 있습니다.







