(AI타임스=윤광제 기자) 금융 분석가들은 인공지능 (AI)과 생명공학의 엄청난 잠재력을 인정하고 있으나 금융 분석가들이 평가하는 잠재력은 무한한 가능성을 가진 ‘AI 기술과와 생명공학 기술’이 합쳐졌을 때가 아닌 개별적으로 놓고 봤을 때의 잠재력을 논한 것이기에 다소 과소 평가된 감이 있다. 인공지능과 생명공학은 우리의 삶을 개선할 수도 있고, 심지어 생명 자체를 연장할 수 있을 정도로 기하급수적인 성장궤도에 올라있다. 그러나 ‘인공지능+생명공학’이 두 개척지 기술이 어떻게 공생적으로 결합돼 세계 보건과 환경 문제를 해결할 수 있는지 생각해 본 사람은 거의 없다. 두 분야의 최근 발전 속도를 고려해보자. 하지만 AI 애플리케이션은 우리의 모든 일상에 너무 광범위하고 너무 많이 내장돼 오늘날 세계 경제의 약 50조 달러를 차지하는 인터넷보다 3~4배 더 많은 세계 생산에 기여할 것으로 예상되기에 PwC의 예측은 경제적 영향을 과소평가한 것 같다. 게다가 이러한 예상 수치는 ‘인공지능과 생명공학 기술이 결합’됐을 때를 배제하고 인공지능과 생명공학의 개별적인 기술로만 이야기한 것이다. 예를 들어, 두 기술의 결합은 장기 기증과 같은 세계적인 건강 문제를 다룰 수 있다. 세계보건기구에 따르면, 2008년 현재 매년 약 100,800개의 고형 장기 이식 (Solid Organ Transplants)이 행해졌다. 하지만 미국에서는 거의 113,000명의 사람들이 생명을 구하는 장기 이식을 기다리고 있는 반면, 매년 수천 개의 좋은 장기들이 버려지고 있다. 수년간 신장 이식을 필요로 하는 사람들은 생물학적으로 생존할 수 있는 살아있는 기증자를 찾거나, 그들의 지역 병원에 생존할 수 있는 죽은 기증자가 나타나기를 기다려야 하는 제한된 선택권을 가지고 있었다. 그러나 빅데이터와 AI는 환자와 장기 기증자들의 매칭을 더욱 쉽게 해주며, 심지어 AI는 방대한 양의 환자-기증자 관계를 통해 수 여자와 수혜자를 일치시킬 수 있기 때문에 생물학적 적합이 아닌 기증자도 기증 할 수 있게 한다. 2000년에 처음으로 신장 교환이 이루어진 이후, 거의 6,000명의 사람들이 알고리즘으로 확인된 기증자로부터 신장 이식을 받았다. 하지만 이것은 AI로 인한 장기 이식의 시작에 불과할 수도 있다. AI는 이미 잠재적 기증자와 수혜자를 확인할 수 있으며 미래에는 도덕적/종교적 요인 등을 포함한 더욱더 풍부한 환자 데이터를 근간으로 해 어떤 사람이 먼저 이식을 받아야 하는지 심사까지 할 수 있을 것이다. 이러한 AI 모델이 잠재력을 최대한 발휘하지 못하게 방해하는 가장 큰 장애물은 생물학 (Biology)적인 사실이다. 이론적으로 AI 응용 프로그램은 전 세계의 모든 생존 및 사망 장기 기증자와 모든 환자를 포함하는 데이터 세트를 사용할 수 있다. 그러나 실제로 사망한 기증자의 장기는 이식 가능 시간은 매우 짧기 때문에 이식 수술 가능한 시간제한이 있고, 환자와 기증자가 제 때에 도달할 수 있는 지리적 반경 내에 배치해야 한다. 하지만, 다행스럽게도, 인공생명공학은 이러한 제약사항을 완화 시켜주고 있다. 장기가 신체 외부에 있어도 여러 날 동안 장기를 보존하고 재생하는 것을 탐구하고 있는 기업들이 있기에, AI 모델 데이터 풀의 크기를 증가시킴으로써 제약사항들을 점차 없애고 있다. 새로운 생명공학을 완벽하게 만드는 데는 보통 몇 년이 걸린다. 그러나, 만약 성공한다면, 이러한 혁신은 세계 장기기증 체제가 일부에 지나치지 않은 넓은 공공 보건의 영역에 혁명을 일으킬 수 있다. 오늘날 기술 발전에 대해 도덕적, 윤리적 의미를 다루기에는 너무 광범위하다. 이 둘에 대한 근본적인 알고리즘은 아직 정립되지 않았다. 가난하고 부유한 환자들의 요구를 어떻게 평가하는 알고리즘은 무엇인가? 기증된 장기 (Organ)는 장기 이식의 위험이 낮은 다른 국가에 살고 있는 멀리 떨어진 환자에게 보내야 하는가 장기 이식의 위험이 높은 인근에 거주하는 환자에게 보내져야 하는가? 이 질문의 알고리즘은 무엇인가? 이것들은 중요한 질문들이다. 하지만 우리가 조합 기술을 발전시키고 적용시킨 다음 적절한 통제 장치를 결정해야 한다고 믿는다. AI의 매칭 파워는 사망한 한 사람의 장기 기증에 의해 8명의 생명을 구할 수 있다는 것을 의미한다. 생명공학 기술의 혁신은 장기가 결코 낭비되지 않도록 할 수 있다. 이런 기술이 더 빨리 발전할수록 더 많은 생명을 구할 수 있다. AI와 생명공학은 이처럼 광범위한 잠재력을 갖고 있기 때문에 정밀하고 급속한 발전을 거듭하고 있다. 그들이 앞으로 나아갈 때, 우리는 인공지능과 생명공학이 함께할 새로운 조합을 찾아야 한다. 생명공학 속의 AI 바야흐로 인공지능(AI)의 시대이다. 모든 과학기술 분야에서는 앞다투어 AI를 외치고 있다. 온라인에는 AI와 관련된 뉴스와 교육자료가 넘쳐나고 있다. 우리 사회가 AI에 관심을 가지게 된 결정적인 사건으로 많은 사람들이 영국 DeepMind 사의 AlphaGo와 이세돌 전 프로바둑 기사와의 대결을 꼽을 것이다. 대학원생 시절부터 컴퓨터 관련 분야인 시스템 생물학 연구를 수행한 필자는 AlphaGo의 등장 이후로 시스템 생물학에 대한 관심도 덩달아 높아졌음을 느낄 수 있었다. 그림 1. BT News 2009년도 가을호(2009 Vol. 16 No. 2)의 표지와 목차
분석 기술의 발달로 생명공학 연구의 규모가 커지는 것은 쉽게 생각해 볼 수 있다. 10년 전에도 ‘게놈 수준’(genome-scale)이라는 표현은 흔히 사용되어 왔다. 한 세포 안의 모든 유전자들을 고려하기에 게놈 수준이라는 표현이 사용되어 왔지만, 이제는 약간 진부한 표현이 되어 버린 것 같다. 근래에는 여러 세포의 유전체를 전체적으로 분석하는 연구를 자주 볼 수 있게 되었다 [1,2]. 일례로 가장 잘 알려져 있는 박테리아인 대장균 (Escherichia coli)의 경우, 50여균주에 대한 게놈 수준의 대사 (metabolism) 연구가 2013년에 첫 선을 보였으며 [3], 그 이후로 박테리아 범유전체(pan-genome) 연구가 여럿 나오기 시작하였다. 올해 초에 발표된 38가지 암 종류에 해당하는 총 2658개 암 조직 샘플에 대한 유전체 분석 연구도 대표적인 예가 될 수 있겠다 [4]. 이
연구는 37개국 1300여명의 과학자들이 참여한 Pan-Cancer Analysis of Whole Genomes (PCAWG) 국제 컨소시엄이 수행하였으며, 이 대규모의 국제공동연구를 통해서 38종 암들의 유전자 돌연변이 특징을 자세히 분석하였다. 그림 2. DeepEC의 EC 번호 예측을 위한 단백질 서열정보 처리 과정 (왼쪽) 및 DeepEC와 다른 EC 번호 예측 프로그램들과의 정보처리 속도 비교 (오른쪽) 머신러닝은 양날의 검 그림 3. 머신러닝 분야에서 흔히 사용되는 ‘garbage in, garbage out’ 개념
배우기 쉬워진 시대 그림 4. YouTube에서 ‘machine learning’
검색어를 통해 검색된 수 많은 교육자료들
결론 및 전망 참고 문헌 |