바이오인

해외 산업기술 전문가가 현지 산업기술 현황과 정책을 소개하고 한국 산업기술 정책 수립을 위한 시사점 제안

KIAT Policy Review 3호

◈본문

"바이오 산업, 양질의 데이터 수립과 자유로운 문화 조성이 뒷받침 되어야"

▶ 양질의 생체 기능 데이터를 수립하고 공유해야 AI를 효과적으로 활용할 수 있어

▶ 클러스터가 성공하려면 연구 중심 대학과 도전·자유정신 문화가 있어야

▶ 한국 대학과 뉴욕대 공동으로 치매 동반한 파킨슨병 연구 진행

▶ 산·학·연 간 인력 이동이 활발해야 이해도 높이고 시너지 낼 수 있어

Q. 재직 중인 뉴욕대 생체분자공학 연구실에 소개한다면?

현재 지도 교수로 있는 생체분자공학 연구실(Biomolecular Engineering Lab)은 2006년 설립되었으며, 화학 산업 및 의료 분야의 단백질 공학과 관련된 연구를 진행하고 있다. 지금까지 약 40명 이상의 석·박사급 연구 인력이 배출되었고 대부분의 졸업생들이 미국의 제약 회사나 바이오텍 업계에서 연구 인력으로 활동 중이다.

Q. 현재 연구하고 있는 분야와 주요 관심 분야에 대해 소개한다면?

제 연구 분야를 통칭하여 단백질 공학이라고 하는데, 쉽게 설명하면 주로 단백질을 유전자 레벨에서 조작하여 단백질의 기능을 향상시키거나 새로운 기능이 부여된 단백질을 제작하는 것을 말한다. 몰두하고 있는 분야는 크게 세 가지로 구성된다.

첫 번째는 단백질 촉매, 즉 생촉매인 효소 관련 연구로 특별히 효소의 활성과 안정성을 높이는 일에 많은 관심을 기울이고 있다. 초기에는 단백질 융합체를 만들어 효소의 안정성을 높이는 데 집중했고, 그 후 변이주 제작 및 스크리닝을 통한 효소 활성 증가 연구에, 최근에는 효소의 성능을 예측하는 기계학습 모델 제작에 주력하고 있다.

두 번째는 단백질 엉김 현상으로 생기는 치매나 파킨슨병 같은 뇌 질환 관련 연구이다. 초기에는 여러 엉김체 가운데 가장 독성이 높은 엉김체를 검출하는 분자 센서 제작에 열중했는데, 최근에는 치매와 파킨슨병에서 나타나는 각각의 단백질 엉김들이 서로 어떻게 영향을 주고 있는지, 그리고 그런 것들이 치매와 파킨슨병을 동시에 앓고 있는 경우(Comorbidity)와 어떤 관련이 있는지에 대해 연구중이다.

마지막 세 번째는 위 두 분야의 교집합 연구로서, 효소가 활성을 잃게 되는 요인 중 하나로 치매나 파킨슨병과 비슷하게 단백질 엉김이 될 수 있는데, 이와 관련된 메커니즘 연구뿐 아니라 효소의 단백질 엉김 저해제 개발에도 힘쓰고 있다.

Q. 올해 단백질 구조 예측용 AI 모델을 구축한 연구자들이 노벨 화학상을 받았다. AI를 활용한 연구를 위해 어떠한 정책 지원이 필요하다고 생각하는가?

최근 바이오 관련 데이터가 급속도로 증가한 가운데, AI나 기계학습 등이 단백질 구조 예측과 같이 생명공학 분야에 많은 기여를 할 수 있다고 본다. 이들의 기여를 더욱 효과적으로 증대시키기 위해서는 알고리즘이나 생물학적 정보의 수학적 표현 방법 등의 개선도 중요하겠지만, 무엇보다 양질(High quality)의 많은 데이터(Large quantity) 확보가 절대적으로 필요하다. 유전자 염기 서열 혹은 단백질 아미노산 서열과 같은 생체 분자 관련 데이터는 최근 10~20년 동안 많은 양이 축적되어 왔고, 관련 기술 발전으로 인해 앞으로도 계속 많은 데이터들이 더 빠른 속도로 새롭게 추가될 것이다.

반면 생체 분자나 생체 시스템의 기능(Function)과 관련한 데이터는 상대적으로 그 양이 매우 부족할 뿐만 아니라 질적인 측면에서도 개선되어야 할 부분이 많다. 예를 들어, 실험을 통해 생체 분자 도는 생체 시스템의 기능을 측정하는 것은 일반적으로 상당한 시간이 소요되어 많은 양의 데이터를 빠른 시간 안에 축적하는 것이 현실적으로 어려운 편이다.

또 실험실마다 측정 조건 등이 달라서 데이터들을 서로 직접 비교하기도 쉽지 않다. 물론 AI나 기계학습 모델에 이런 불확실성(Uncertainty)을 통계적으로 고려하고 적용하여, 불확실성으로 인한 한계를 인식하면서 기능을 예측할 수는 있지만 근본적인 대책이 될 수는 없다. 이보다는 생체 분자 및 생체 시스템의 기능 측정과 관련하여 표준화된 매개변수(Standardized parameter)와 표준적인 실험환경(Standard experimental conditions)등을 확립하여, 더 많은 기능 관련 데이터를 효과적으로 공유하는 것이 필요하다. 이런 데이터들이 축적된다면, 측정 조건에 따른 생체 기능을 예측할 수 있는 새로운 AI 혹은 기계학습 모델도 수립할 수 있다고 본다. 이는 최근 많은 관심과 찬사를 받았던 AI 단백질 구조 예측 도구 AlphaFold2나 AlphaFold3에서도 수행이 쉽지 않은 부분이다.

또 한 가지 고려할 사항으로는 '물리정보 기반 학습(Physics informed learning)*'을 추가하는 것이다. 보통 AI나 기계학습에서 사용되는 일반적인 블랙박스 학습(Black box learning) 방법이 아니라, 생체 기능과 관련한 여러 물리 화학적 원칙 등을 적용하면 훨씬 더 확장성이 큰 모델 구축이 가능하다는 생각이다. 종합하면, 양질의 생체 기능 데이터를 수립하고 공유할 수 있도록 지원하는 정책을 포함하여 기존의 생물정보학뿐만 아니라 화학, 물리학 등을 모두 아우르는 AI나 기계학습 모델을 개발할 수 있는 지원 방안이 마련된다면 조금 더 효과적으로 원하는 성과를 얻게 될 것으로 예상한다.

*(Physics informed learning) 물리 법칙을 기계학습 모델에 통합하여 학습의 효율성과 정확도를 높이는 기법

Q. 이러한 사례는 AI의 폭발적인 생산성을 보여주지만 일각에서는 AI의 안전성에 대해 우려를 표하는 목소리도 있다. AI 규제에 대해서는 어떤 정책이 필요하다고 생각하는가?

분자 및 세포 레벨의 AI나 기계학습 모델의 경우 결국 실험을 통해 검증이 되어야 하므로 모델 자체로는 크게 안전성의 집중되어 있는 것 같은데, 타 학교의 학부생들도 방학을 이용해 교과목 외 연구나 현장 경험을 충분히 할 수 있는 지원이 뒷받침되면 좋을 것 같다. 또한 학생들이 본인 학교 외의 다른 학교, 연구소, 회사 등에서 경험을 쌓도록 정책적 지원을 하는 것도 바람직할 것이다.

기술 개발 측면에서는 중소기업에 대한 지원 방안을 개선할 필요가 있다. 중소기업이 현장 위주의 기술뿐만 아니라 급변하는 환경에 보다 유연하게 대처하는 데 필요한 기초 기반 기술력을 쌓을 수 있도록 중소기업과 우수 연구 기관 간의 협력 지원 방안이 마련되었으면 한다.

Q. 지금 한국과 협력하고 있는 분야가 있는지?

현재 한국 기업 및 연구소와 함께 바이오 리파이너리* 과제를 같이 수행하고 있다. 한국 내에서 생산되는 바이오매스로부터 고부가 가치 산업물을 생산하는 공정을 개발하는 것인데, 제 담당 분야는 관련 효소 공정에 사용되는 효소의 성능을 증대시키는 일이다. 앞서 언급한 여러 단백질 공학적 기법뿐만 아니라, 기계학습 방식을 적용하여 해당 효소의 우수 변이주 및 이를 대량 생산할 수 있는 업스트림 기술 개발에 몰두중이다. 특히 이 과제를 통해 쌓은 경험과 기술을 바탕으로 폐의류의 효과적인 리사이클링 및 업사이클링 공정 기술 개발 연구에 최근 많은 관심을 갖게 되었다.

*(Physics informed learning) 물리 법칙을 기계학습 모델에 통합하여 학습의 효율성과 정확도를 높이는 기법

또 다른 한 가지는 치매(Dementia)를 동반한 파킨슨병의 단백질 엉김 관련 기초 연구와 치료 기술을 개발하는 과제로서, 한국의 한 대학교 3개 연구실과 이곳 뉴욕대학교의 4개 실험실이 협력하여 견구에 매진하고 있다.

Q. 마지막으로 한구의 산업기술정책 관계자에게 전하고 싶은 메시지가 있다면?

각 관련 기관 사이의 인력 이동이 조금 더 자유로웠으면 한다. 예를 들어 연구자 혹은 기업인에서 정부의 산업기술정책 부서로, 기엄인에서 연구자로, 정부 부서에서 연구자로 자리를 옮기는 등의 인력 이동이 활성화되는 것이 바람직하다. 인력 이동이 자유로울수록 각 관련 기관 사이의 이해도는 물론 기술 개발의 수요 파악이나 실제 기술 개발, 정책적 보조 등에서 더 큰 시너지 효과를 낼 수 있기 때문이다.

...................(계속)

☞ 자세한 내용은 내용바로가기 또는 첨부파일을 이용하시기 바랍니다.