구글 딥마인드, 항균 펩타이드 탐색 사례 공개

구글 딥마인드가 10월 15일 에이전트 개발 플랫폼 Google Antigravity로 새 항균 펩타이드 후보를 찾아낸 사례를 공개했다. 연구자와 AI 에이전트가 한 세션 안에서 UniProt 데이터베이스의 기능 미상 단백질 수백만 개를 훑어 호흡기 감염 병원체에 활성이 예측되는 박테리오신 후보를 골랐고, 이 후보는 지금 습식 실험 검증을 받고 있다. 블로그를 쓴 펑페이 톈, 맥스웰 빌레스키, 조이 창갈리두, 수크딥 싱, 루시 콜웰 등 연구진 5명은 이 방식이 "며칠씩 걸리던 조각난 데이터베이스 분류 작업을 하나의 협업 세션으로 바꾼다"고 썼다.

출발점은 항생제 내성이다. 딥마인드는 항생제 내성이 2050년까지 해마다 전 세계 1000만 명의 사망을 낳을 수 있다는 추정을 들며 새 치료제가 시급하다고 밝혔다. 항균 펩타이드, 그중에서도 박테리오신은 경쟁 세균의 세포 외피부터 세포 안 핵심 장치까지 근본 약점을 노리도록 진화해 병원체가 내성을 키우기 어렵다. 전 세계에서 쓰이는 니신과 최근 유전체 탐색으로 찾은 다로박틴, 다이노박틴, 라리오시딘이 모두 이런 자연 서열에서 나왔다.

걸림돌은 단백질 데이터베이스의 암흑 물질이다. 알려진 단백질과 닮지 않아 기능이 밝혀지지 않은 서열이 UniProt에만 수백만 개 쌓여 있다. ProtNLM 프리프린트에 따르면 알려진 자연 단백질 서열 가운데 실험으로 기능이 확인된 것은 1%가 안 되고, 최소 30%는 기능이 알려진 서열과 너무 멀어 계산으로도 주석을 달 수 없다. 구글이 만든 ProtNLM은 아미노산 서열을 읽어 단백질 이름과 기능을 자연어로 내놓는 트랜스포머 모델이다. 교신저자인 루시 콜웰과 맥스웰 빌레스키 등이 쓴 35쪽 분량의 프리프린트에 따르면 이 모델은 기능 미상 단백질 약 4900만 개의 이름을 예측했고 그 결과가 UniProt에 실렸다.

UniProt 안내에 따르면 ProtNLM이 예측한 이름은 2022_04 릴리스부터 실렸다. 이름 외에 기능 설명, 세포 안 위치, 키워드, GO 용어까지 예측하는 ProtNLM2는 UniProt 2023_04 릴리스의 단백질 항목 2억4000만 개로 학습했고, 2026_02 릴리스와 함께 가장 많이 검색되는 약 400개 종의 TrEMBL 항목 약 2만6000개에 시범 공개됐다. 예측은 문자열 일치나 서열 유사성, 구조 유사성으로 뒷받침되지 않으면 화면에 나오지 않는다. UniProt은 "머신러닝 AI 모델은 실제로 오류를 낸다"며 사용자에게 예측을 신중히 평가해 달라고 밝혔다.

이번 사례에서 연구자가 정한 목표는 스트렙토코쿠스 슈도뉴모니에에서 새 항균 펩타이드를 찾아 계산으로 검증하는 일이었다. 어떤 질문을 하고 어떤 증거를 모을지는 연구자가 정했고, 여러 데이터베이스 조회와 구조 분석, 문헌 종합은 에이전트가 맡았다. 공개된 화면에서 연구자는 Gemini 3.8 Flash를 고른 뒤 UniProt에서 단백질을 찾으라고 지시했다. 에이전트는 수백만 항목을 몇 개 후보로 좁혔고, 그중 락토코신 972 계열의 아미노산 97개짜리 박테리오신을 골랐다. 메탈이 확인한 UniProt 공개 항목 A0A0U0D591에서 이 단백질은 미검토 상태, 주석 점수 5점 만점에 1점, 질량 1만408달톤의 예측 단백질로 등록돼 있다.

검증은 세 갈래로 진행됐다. 먼저 에이전트는 EMBL-EBI의 BLAST 서비스로 사람이 검토한 Swiss-Prot 단백질과 대조해 의미 있는 상동 서열이 없음을 확인했다. 다음으로 AlphaFold 단백질 구조 데이터베이스에서 후보의 3D 모델을 받아 실험으로 밝혀진 구조와 겹쳐 봤다. 딥마인드가 공개한 화면에서 에이전트는 PDB 2LGN에 등록된 락토코신 972의 NMR 구조와 후보를 맞춰 Foldseek 확률 0.855, 서열 일치도 26.5%를 보고했다. 정렬 길이는 성숙 사슬 69개 가운데 64개 아미노산으로 전구체 97개의 59.8%를 덮었고, AlphaFold 모델의 전체 pLDDT 신뢰도는 88.50이었다. 락토코신 972는 락토코쿠스 락티스가 만드는 항균 펩타이드로, 세균 분열 격막에서 지질 II에 붙어 세포벽 합성을 막는다.

세 번째 갈래는 유전자 주변이다. 후보 유전자는 촘촘히 묶인 오페론의 상류, ABC 수송체 투과효소 바로 6염기쌍 앞에 있었고, 짝을 이루는 ATP 결합 단백질과 또 다른 박테리오신, XRE 전사 조절자가 함께 놓여 있었다. 에이전트는 이를 박테리오신 시스템의 일부라는 강한 맥락 증거로 읽었다. 이어 문헌 검토로 세균 세포 분열을 노리는 작용 기전과 여러 약제 내성 병원체에 걸친 효능 범위를 제시했고, 단백질 발현과 항균 감수성 시험, 표적 결합, 시험관 독성 시험으로 이어지는 실험 계획까지 짰다. 연구진은 이 후보와 같은 파이프라인으로 찾은 다른 후보 몇 개가 습식 실험 단계에 있다며 "실험 결과가 에이전트 분석의 궁극적 시험대가 될 것"이라고 밝혔다.

딥마인드는 이 과정을 위해 Antigravity 안에 3D 시각화 도구 Biomolecular Structure Viewer를 새로 넣었다. 에이전트가 AlphaFold 데이터베이스나 연구자 자신의 예측에서 구조를 불러와 화면을 움직이며 핵심 기능 부위를 강조하고, 연구자가 특정 잔기를 표시하거나 결합 주머니에 메모를 붙이면 그 내용이 에이전트에게 다시 전달된다. 연구자가 3D 공간의 한 부위를 짚고 이 베타 가닥이 지질 II 결합에 어떤 영향을 줄지 물으면 에이전트가 바로 그 구조를 놓고 추론하는 방식이다.

AI 엔지니어의 눈으로 보면 이번 사례의 무게는 새 모델보다 배선에 있다. 예전에는 데이터베이스 조회 스크립트를 따로 짜고, 파일을 내려받아 3D 모델링 프로그램으로 옮기고, 끊어진 유전체 도구를 오가며 여러 전문가와 실험을 설계해야 했다. 습식 실험이 비싼 만큼 앞단에서 신뢰도 높은 후보만 남기는 일이 병목이고, 딥마인드는 도메인 특화 모델인 ProtNLM의 기능 예측과 범용 에이전트의 도구 조율을 한 작업 공간에 묶어 그 병목을 노렸다. 메탈은 클로드가 24시간 동안 자율 설계한 단백질 12개 가운데 절반이 표적에 결합했다고 보도한 바 있으며, 프런티어 연구소들의 과학 에이전트 경쟁이 설계에서 탐색으로 넓어지고 있다.

이번 후보는 구조와 유전체 증거가 받쳐 주는 생물학적으로 그럴듯한 출발점이지만 아직 습식 실험 검증이 남아 있다고 연구진은 밝혔다. 이번 세션은 한 세균의 좁은 아미노산 길이 구간만 훑었고, 연구자는 필터 조건을 더하거나 서열 길이를 바꾸거나 다른 우선 병원체로 표적을 옮길 수 있다. 사람의 공생균에서 환경 미생물까지 탐색 범위를 넓히면 UniProt 전체에서 새 항균 펩타이드 후보를 대규모로 찾을 수 있다는 것이 딥마인드의 설명이다. 4900만 개의 이름을 붙인 모델이 실제 약이 될 분자를 골라낼 수 있는지는 이제 실험대의 숫자가 답한다.