오픈AI, 생물학 맞춤형 AI 모델 'GPT-로잘린드' 공개

생물학 연구를 위한 맞춤형 AI 모델 개발

오픈AI는 5월 22일(목), 생물학 연구 워크플로우에 특화된 대규모 언어 모델 GPT-로잘린드를 발표했다. 이 모델은 유전학자, 신경과학자 등 특정 분야의 전문가들이 방대한 데이터와 복잡한 용어에 쉽게 접근할 수 있도록 설계되었다.

연구 효율성 제고와 전문성 격차 해소

오픈AI의 생명과학 제품 책임자인 윤윤 왕(Yunyun Wang)은 기자간담회에서 “현재 생물학 연구자들이 직면한 가장 큰 두 가지 과제는 방대한 데이터 처리와 세부 전공 간 지식 격차”라고 설명했다. 수십 년간 축적된 유전체 시퀀싱 데이터와 단백질 생화학 데이터는 개별 연구자가 모두 분석하기 어려울 정도로 방대하며, 각 전공 분야는 고유한 기술과 전문 용어를 사용해 상호 이해가 어려운 경우가 많다.

예를 들어, 유전학자가 뇌 세포에서 활성화되는 유전자를 연구하게 되었을 때, 신경생물학 literature를 이해하고 활용하는 데 어려움을 겪는 경우가 많다. GPT-로잘린드 모델은 이러한 문제를 해결하기 위해 개발되었다.

50개 핵심 워크플로우와 공공 데이터베이스 연동

오픈AI는 GPT-로잘린드 모델을 50개의 가장 흔한 생물학 워크플로우에 맞춰 훈련시켰다. 또한, 유전자 은행(GenBank), 단백질 데이터 뱅크(PDB) 등 주요 공공 생물정보 데이터베이스에 접근하고 활용할 수 있도록 추가 훈련을 진행했다. 그 결과, 모델은 다음과 같은 기능을 제공한다:

• 유전형(genotype)과 표현형(phenotype) 연결: 알려진 생물학적 경로와 조절 메커니즘을 바탕으로 유전형과 표현형 간의 관계를 예측
• 단백질 구조 및 기능 예측: 단백질의 구조적 또는 기능적 특성을 추론
• 약물 타겟 우선순위화: 잠재적 약물 타겟을 식별하고 우선순위를 매김

윤윤 왕은 “GPT-로잘린드는 단순히 정보를 요약하는 수준을 넘어, 기계적 이해를 바탕으로 한 예측과 제안을 제공한다”며 “연구자들이 복잡한 생물학적 메커니즘을 더 쉽게 이해할 수 있도록 돕는 것이 목표”라고 밝혔다.

생물학계의 새로운 도구로 주목

기존의 과학 분야 AI 모델들은 대부분 범용적이거나 특정 분야에 국한되지 않는 경우가 많았다. 반면, GPT-로잘린드는 생물학 연구의 실질적인 워크플로우에 맞춰 훈련되었다는 점에서 차별점을 지닌다. 특히, 방대한 데이터와 전문 용어로 인해 진입 장벽이 높은 생물학 분야에서 연구 효율성을 크게 제고할 것으로 기대된다.

오픈AI는 이 모델을 통해 연구자들이 데이터 분석 시간 단축, 복잡한 literature 검토 최소화, 신약 개발 가속화 등에 활용할 수 있을 것으로 전망하고 있다. 또한, 모델의 이름은 DNA 구조 발견에 기여한 과학자 로잘린드 프랭클린(Rosalind Franklin)의 이름을 따 붙여졌으며, 그녀의 과학적 업적을 기리는 의미를 담고 있다.

주요 기능 및 기대 효과

GPT-로잘린드의 주요 기능은 다음과 같다:

• 데이터 분석 자동화: 방대한 유전체 및 단백질 데이터를 신속하게 분석하고 핵심 인사이트 도출
• 연구 literature 요약 및 연결: 관련 연구 논문을 요약하고, 연구자 간 지식 격차를 해소하는 데 기여
• 가설 생성 및 검증 지원: 생물학적 메커니즘에 대한 가설을 생성하고, 이를 검증할 수 있는 데이터를 제안
• 약물 개발 지원: 신약 타겟 후보군을 우선순위화하고, 작용 메커니즘을 예측하는 데 활용

이 모델의 등장으로 생물학 연구는 더욱 데이터 기반적이고 효율적인 방향으로 전환될 것으로 보인다. 특히, 인공지능이 복잡한 생물학적 문제를 해결하는 데 기여하면서, 신약 개발 및 질병 연구 분야에서 큰 변화가 예상된다.

향후 전망 및 한계

오픈AI는 GPT-로잘린드를 지속적으로 업데이트할 계획이며, 더 많은 생물학 워크플로우와 데이터베이스를 연동할 예정이다. 또한, 연구자들과의 협업을 통해 모델의 정확성과 유용성을 높일 계획이다. 그러나 AI 모델의 한계로 인해 완전한 자동화는 불가능하며, 연구자의 전문 지식과 판단이 여전히 필수적이라는 점은 유념해야 한다.

생물학계는 GPT-로잘린드의 등장을 계기로 AI와 인공지능 기술의 융합이 가속화될 것으로 전망하고 있다. 이는 연구 효율성 제고뿐만 아니라, 새로운 과학적 발견의 가능성을 열어줄 것으로 기대된다.