개요
펜실베이니아대 공대(Penn Engineering)팀이 항생제 후보 분자를 평가만 하던 기존 AI를 새로 그려내는 AI로 바꿨습니다. 모델 이름은 ApexGO(APEX Generative Optimization)입니다. 2년 전 같은 연구실이 공개한 APEX는 “이 펩타이드가 박테리아를 죽일 가능성이 얼마나 되는지” 점수만 매기는 분류기였습니다. ApexGO는 거기서 한 발 더 나가, “이 분자를 이렇게 바꾸면 더 잘 죽일 것 같다"는 변형안을 직접 만들어 줍니다. 연구진이 합성해 시험한 결과 85%가 실제로 박테리아를 죽였고, 72%는 원본 템플릿보다 강했습니다. 살아있는 쥐 실험에서는 일부 FDA 최후의 항생제보다도 강한 억제력이 나왔습니다.
핵심 요약
- 모델: ApexGO. 2024년경 공개됐던 평가 모델 APEX의 후속이자 생성형 확장판입니다.
- 연구진: 펜실베이니아대 공대 César de la Fuente 부교수 그룹, 정신의학과 Marcelo Torres 연구조교수, CIS 학과 Jacob Gardner 부교수, 2025년 박사 졸업생 Natalie Maus.
- 하는 일: 단순 후보 스코어링이 아니라, “유망한 후보"와 “모델이 아직 불확실한 영역"을 동시에 골라 다음 합성 대상을 추천합니다.
- 습식 실험 결과: 합성된 분자의 85%가 실제로 박테리아 살균력 보유. 변형 후보의 72%가 원본 템플릿보다 강함.
- 생체 실험: 살아있는 쥐 모델에서, 일부 FDA 최후의 항생제(다른 항생제가 모두 들지 않는 내성균에 쓰는 약)보다 강한 억제력 확인.
- 배경 위기: 항생제 내성 감염(AMR)은 현재 전 세계 연 500만 명의 사망과 연결되어 있고, 2050년에는 1,000만 명까지 늘어날 것으로 추산됩니다.
본문 — APEX에서 ApexGO로
기존 APEX는 한쪽 방향으로만 도는 모델이었습니다. 누가 펩타이드 시퀀스를 가져오면, “항균 활성이 있을 확률이 얼마"라고 점수를 매기는 분류기에 가까웠습니다. 후보를 빠르게 걸러내는 데는 유용했지만, 새 후보를 만들어 주지는 못했죠. ApexGO는 그 빈자리를 메우는 모델입니다. de la Fuente 교수는 ApexGO를 “별로인 항균제를 개선하는 방법“이라고 표현했습니다. 시작점이 그저 그런 펩타이드여도, 모델이 변형안을 제시해 더 강한 후보로 다듬어 준다는 뜻입니다.
핵심 아이디어는 의외로 단순합니다. 후보 공간이 너무 크다는 점입니다. Maus는 이렇게 정리합니다.
“wet lab 실험을 하루 종일, 일 년 내내 해도, 가능한 분자 공간의 아주 작은 일부밖에 시험할 수 없습니다.”
펩타이드 가능 조합은 사실상 무한대에 가깝습니다. ApexGO는 모델이 이미 학습한 생물학적 시퀀스 패턴을 바탕으로, 검증 가치가 높은 작은 부분 집합을 골라줍니다. 그래야 사람이 실제로 합성하고 시험할 수 있는 규모로 줄어들기 때문입니다.
Torres가 설명한 작동 원리를 풀어 쓰면 이렇습니다.
“모델은 생물학적 시퀀스의 패턴을 학습해, 항균 활성을 가질 가능성이 높은 후보를 우선순위에 놓습니다. 무작위로 분자를 시험하는 대신, 시스템은 자신이 유망하다고 예측하는 영역과 아직 불확실한 영역 사이에서 균형을 잡습니다.”
이건 베이지안 최적화 계열에서 익숙한 exploitation–exploration 트레이드오프 그대로입니다. 활성이 잘 나올 만한 곳만 파고들면 기존 후보 근처에 갇혀 버립니다. 반대로 모르는 영역만 찍으면 효율이 떨어집니다. ApexGO는 두 신호를 같이 쓰면서 후보를 뽑기 때문에, 합성·검증된 결과가 다시 모델 자신을 학습시키는 능동학습 루프가 돌아갑니다.
본문 — 숫자가 말해주는 것
de la Fuente 교수는 결과를 두 줄로 정리합니다.
“우리가 합성해 본 것의 약 **85%**가 실제 실험에서 박테리아를 죽일 수 있었습니다. 그리고 모델이 만든 변형 후보의 **72%**가 원본 분자보다 박테리아 살균력에서 더 나았습니다.”
신약 개발 쪽 감각에서 보면 굉장히 인상적인 숫자입니다. 보통 후보 분자 중 실제 활성이 검증되는 비율은 한 자릿수만 나와도 좋다고 평가됩니다. 85%면 모델이 만들어 낸 후보의 거의 대부분이 “헛질"이 아니라는 뜻입니다. 더 흥미로운 부분은 두 번째 숫자입니다. 72%가 시작 분자보다 강하다는 건, 모델이 단순히 그럴듯한 후보를 뽑은 게 아니라 개선 방향을 실제로 잡고 있다는 의미입니다.
생체 실험 결과는 한 단계 더 나갑니다. Maus는 살아있는 쥐에 ApexGO 후보를 넣어본 결과, 일부 **FDA가 승인한 최후의 항생제(last-resort antibiotics)**보다도 강한 억제력이 나왔다고 했습니다. 최후의 항생제는 다른 약이 모두 듣지 않는, 다제내성 균에 쓰려고 남겨두는 종류입니다. 이런 약보다 강하게 작용했다는 건 단순한 시험관 데이터가 아니라 임상으로 가는 흐름의 첫 단추가 될 수 있다는 뜻이기도 합니다.
본문 — 왜 지금 이 문제가 급한가
de la Fuente 교수는 이 연구의 동기를 매우 직설적으로 말합니다.
“**항생제 내성 감염(AMR)**은 아무도 인식하지 못한 채 인류에 가장 큰 실존적 위협입니다.”
숫자로 보면 이 표현이 과장이 아닙니다. 전 세계적으로 매년 약 500만 명이 항생제 내성 감염과 관련해 사망합니다. 새로운 항생제 전략 없이 흐름이 그대로 가면, 2050년쯤에는 1,000만 명까지 늘어날 것으로 예상됩니다. 한쪽에서는 균이 점점 영리해지고 다른 쪽에서는 새 항생제가 제대로 나오지 않는, 전형적인 군비 격차가 벌어지고 있습니다.
문제는 신약 개발 속도가 너무 느리다는 점입니다. 인간이 손으로 분자를 디자인하고 한 줄씩 시험해서는 도저히 따라잡을 수 없는 속도로 내성균이 진화합니다. ApexGO 같은 도구가 의미 있는 이유가 여기 있습니다. 후보 공간을 사람이 뒤지는 대신 모델이 좁혀주고, 사람은 그 좁혀진 영역에서 실제 합성과 검증에 집중합니다.
Torres는 더 넓은 시야도 짚었습니다.
“ApexGO가 가지는 더 넓은 함의는, 항생제 개발 초기 단계를 더 빠르고, 더 체계적이고, 더 데이터 기반으로 만들 수 있다는 점입니다. 이 방법들은 단백질 공학 같은, 시도-오류로는 다 둘러볼 수 없을 만큼 거대한 탐색 공간을 가진 다른 분야로도 확장될 수 있습니다.”
요약하면 ApexGO는 “AI가 항생제를 만든다"라는 단발성 이벤트가 아니라, 단백질·펩타이드 설계 전반에 적용 가능한 방법론으로 봐야 한다는 이야기입니다.
실무자가 볼 핵심 포인트
- 방향성: 평가 모델(APEX) → 생성 모델(ApexGO). “후보를 거른다"에서 “후보를 만든다"로 한 칸 옮겨졌습니다. 도메인에 적용 중인 분류기·스코어러가 있다면, 그 위에 능동학습 기반 생성 루프를 얹을 수 있는지 검토할 시점입니다.
- **활성 비율 85%**의 의미: 평가 지표가 일반화 가능한 의약 화학 데이터 위에서 잡히고 있다는 신호입니다. 단순 in silico 스코어가 아니라, 실험실 합성·시험까지 거친 숫자라는 점에 주목해야 합니다.
- exploitation × exploration: 후보 추천 모듈을 설계할 때, 모델 신뢰도가 높은 후보만 뽑지 말고 불확실성이 큰 영역을 같이 표본화하면 능동학습 효율이 더 좋아집니다. 이번 결과는 그 원칙이 실제 신약 도메인에서도 통한다는 실증입니다.
- 생체 검증의 무게: 단순 in vitro가 아니라 마우스 모델에서, 일부 last-resort 항생제보다 강한 결과까지 나왔습니다. 모델 검증을 어디까지 끌고 가야 의미가 생기는지에 대한 좋은 레퍼런스입니다.
- 확장성: Torres가 지적한 대로, ApexGO의 핵심은 “탐색 공간이 너무 큰 단백질·펩타이드 공학” 전반에 적용 가능합니다. 효소 개량, 결합 단백질 설계, 백신 항원 디자인 등에서 동일 패턴을 차용할 수 있습니다.
- 사회적 시계: AMR로 인한 사망이 2050년 1,000만 명까지 늘 것이라는 추산이 있다는 점은 이 분야 투자·정책 결정의 시간 압력이 크다는 뜻이기도 합니다. 모델 성능 자체보다 “검증된 후보를 누가 더 빨리 임상으로 끌고 가느냐“가 다음 단계의 경쟁 축이 될 가능성이 큽니다.