약물 내성 감염은 2050년까지 해마다 약 1,000만 명의 사망을 부를 수 있으며, 새 항생제 탐 색이 더딘 이유 가운데 하나는 유망한 분자가 아무도 제대로 읽지 않은 데이터베이스에 묻혀 있기 때문입니다. 대표적인 공개 단백질 자원인 UniProt에는 기능이 알려지지 않은 서열이 수백만 개 있습니다. Google DeepMind는 생물학자들이 자사의 에이전트형 개발 플랫폼 Google Antigravity로 이 자료를 한 번의 작업 세션에서 파헤치는 방법과, 그 세션에서 새로운 항균 펩타이드 후보가 나와 지금 실험실에서 시험 중이라는 것을 보여 줬습니다.
이 작업은 연구자와 AI 에이전트가 짝을 이룹니다. 출발점은 아미노산 서열로 단백질의 기능을 예측하는 Google 모델 ProtNLM으로, UniProt의 이름 없는 항목 수백만 개에 기능 정보를 붙였습니다. 시연에서 연구자는 세균 Streptococcus pseudopneumoniae에서 새 항균 펩타이드를 찾는다는 목표를 정하고, 에이전트는 수백만 항목을 몇 개로 추립니다. 에이전트는 Lactococcin 972 계열의 아미노산 97개짜리 단백질을 고른 뒤 BLAST 검색과 AlphaFold 데이터베이스의 예측 3차원 구조로 새로움을 확인했는데, 구조는 알려진 박테리오신과 거의 일치했습니다. 이웃 유전자를 살펴 가설을 뒷받침하는 수송 및 조절 유전자를 찾고, 문헌을 검토해 세균 세포 분열을 겨냥하는 작용 기전을 제안했으며, 발현, 감수성 시험, 독성을 아우르는 실험 절차를 작성했습니다.
DeepMind가 내세우는 가치는 분자 하나가 아니라 시간입니다. 예전에는 맞춤 스크립트, 내보낸 파일, 별도의 모델링 프로그램, 여러 전문가가 필요했던 일이, 과학자와 에이전트가 함께 표시할 수 있는 공유 3차원 구조 뷰어를 갖춘 한 번의 협업 세션이 됩니다. 실험실 검증은 비싸므로 실험 전에 가장 유력한 후보로 좁히는 데서 절약이 생깁니다.
저희가 코딩 플랫 폼으로 리뷰한 Antigravity를 지켜보는 독자에게, 이는 Google이 이 도구를 에이전트형 과학 작업대로 넓히고 있음을 보여 줍니다. 연구소 전반의 흐름과도 맞닿아 있습니다. 쥐 뇌 아틀라스를 분석하는 OpenAI의 수천 개 GPT-Rosalind 에이전트, 생물학 분야 Anthropic의 객원 연구 프로젝트입니다. 모두 에이전트가 생물학 데이터의 긴 꼬리를 사람보다 빨리 읽을 수 있다는 데 걸고 있습니다.
한계는 DeepMind 자신의 글에 분명히 나와 있습니다. 이 후보는 구조와 유전체 근거로 뒷받침되는 생물학적으로 그럴듯한 단서일 뿐입니다. 호흡기 병원체에 대한 효과는 예측이지 측정이 아니며, 같은 과정에서 찾은 다른 후보들과 함께 실험실에서 검증 중입니다. 글에는 적중률, 소요 시간, 에이전트 없이 같은 탐색을 하면 얼마나 걸리는지에 대한 비교가 없습니다. 실험 결과가 나오기 전까지 이는 발견이 아니라 작업 방식의 시연입니다.