인류는 오랫동안 질병을 치료하고 삶의 질을 향상시킬 새로운 물질을 찾아 헤매왔습니다.

그러나 신약 개발부터 혁신적인 신소재 발명에 이르기까지, 필요한 새로운 분자 화합물을 찾아내는 과정은 마치 무한에 가까운 바다에서 바늘을 찾는 것만큼이나 어려운 도전입니다.

화학적으로 가능한 분자의 수는 무려 10의 60승 가지에 달하며, 이는 지구상 모든 바닷물의 분자 수보다도 훨씬 많을 것으로 추정됩니다.

이러한 방대한 ‘화학 우주’는 인간의 직관이나 기존의 실험 방식으로는 결코 온전히 탐색할 수 없는 영역으로 남아있었습니다.

최근, 이러한 난제를 해결할 혁신적인 인공지능 모델이 등장하여 과학계의 이목을 집중시키고 있습니다.

스페인 로비라 이 비르길리 대학교(URV) 연구팀이 개발한 CoCoGraph는 단순히 새로운 분자를 생성하는 것을 넘어, 생성된 분자가 화학 법칙을 완벽하게 준수하도록 보장하는 AI 도구입니다.

이는 신약 개발 및 재료 과학 분야에 있어 전에 없던 새로운 가능성을 열어줄 것으로 기대됩니다.

10의 60승 분자 우주, 탐험의 난제

새로운 분자를 설계하고 발견하는 것은 의약품 개발, 친환경 에너지 소재, 첨단 전자 재료 등 현대 사회가 직면한 수많은 문제의 핵심 해결책이 됩니다.

하지만 앞서 언급했듯, 가능한 분자의 조합은 상상을 초월할 정도로 많습니다.

이러한 방대한 검색 공간 때문에 전통적인 분자 발견 방법은 극도로 비효율적이고 시간과 비용이 많이 소모됩니다.

연구자들은 제한된 탐색 공간에서 시행착오를 거듭하며 목표 분자를 찾아야 했고, 이는 엄청난 자원 낭비와 함께 많은 잠재적 발견을 놓치는 결과를 초래했습니다.

기존의 컴퓨터 기반 분자 설계 도구들 역시 모든 가능한 분자 구조를 탐색하거나, 생성된 분자가 실제로 안정적인 화학적 구조를 가질 것이라고 보장하기 어려웠습니다.

결국, 인공지능의 도움 없이는 이 ‘화학 우주’는 대부분 미지의 영역으로 남을 수밖에 없었던 것이 현실입니다.

CoCoGraph의 등장: 화학 규칙을 내재화한 AI

CoCoGraph는 텍스트나 이미지를 생성하는 ChatGPT나 Dall-E와 같은 생성형 AI 모델과 유사한 방식으로 작동합니다.

로저 기메라 박사(URV 화학공학과 ICREA 연구 교수)는 “이러한 모델들은 실제와 매우 흡사한 새로운 콘텐츠를 만들어냅니다.

우리 알고리즘도 마찬가지로 분자에 대해 동일한 작업을 수행합니다”라고 설명합니다.

중요한 점은 CoCoGraph가 단순히 그럴듯한 분자 구조를 생성하는 것을 넘어, 생성된 모든 분자가 기본적인 화학 법칙(예: 올바른 결합 수 유지)을 엄격하게 준수하도록 설계되었다는 것입니다.

이 점이 CoCoGraph를 기존 모델들과 차별화하는 핵심적인 요소입니다.

기존의 AI 분자 생성 모델들은 유효하지 않거나 비현실적인 화학 구조를 생성하는 경우가 많아, 이후 추가적인 검증 및 수정 단계가 필수적이었습니다.

하지만 CoCoGraph는 처음부터 화학적 유효성을 보장함으로써, 연구자들이 불필요한 시행착오를 줄이고 훨씬 더 효율적으로 잠재력 있는 분자를 탐색할 수 있게 돕습니다.

확산 모델(Diffusion Model)의 마법: AI가 분자를 배우는 법

CoCoGraph는 최근 이미지 생성 분야에서 놀라운 성과를 보여주고 있는 확산 모델(Diffusion Model) 기술을 활용합니다.

확산 모델은 실제 이미지에 점진적으로 ‘노이즈’를 추가하여 이미지를 손상시킨 다음, 시스템이 이 손상된 이미지를 원래대로 복구하는 방법을 학습하도록 훈련시키는 방식입니다.

이 과정을 통해 모델은 데이터의 복잡한 분포를 효과적으로 학습하고, 새로운 데이터를 생성할 수 있게 됩니다.

CoCoGraph의 공동 저자인 마르타 살레스-파르도 박사(URV 화학공학과 교수)는 이 모델이 실제 분자로 시작하여 결합을 끊고 무작위로 새로운 결합을 생성하는 과정을 거친다고 설명합니다.

이후 모델은 이 과정을 역으로 수행하여 일관성 있는 분자 구조를 재구성하는 방법을 학습합니다.

이러한 방식으로 CoCoGraph는 단순한 패턴 인식을 넘어, 분자 구조의 복잡한 원리와 화학적 결합 규칙을 깊이 있게 이해하고 내재화하게 되는 것입니다.

기존 모델과의 차별점: 더 빠르고, 더 현실적인 분자

CoCoGraph는 다른 최첨단 분자 생성 모델들과 비교했을 때, 여러 면에서 뛰어난 성능을 보였습니다.

연구팀은 용해도 및 구조적 복잡성을 포함한 36가지 물리화학적 특성을 분석했는데, 이 중 3분의 2에 해당하는 특성에서 CoCoGraph가 생성한 분자들이 다른 모델보다 화학적으로 더 현실적이라는 것을 확인했습니다.

이는 단순히 ‘그럴듯해 보이는’ 분자가 아니라, 실제 화학 환경에서 기능할 수 있는 유효성 높은 분자를 생성할 수 있음을 의미합니다.

또한, CoCoGraph는 더 적은 매개변수를 사용하고 더 적은 컴퓨팅 파워로도 분자를 더 빠르게 생성할 수 있어 효율성 측면에서도 큰 강점을 가집니다.

이는 연구 비용을 절감하고 연구 속도를 가속화하는 데 기여할 수 있는 중요한 요소입니다.

AI 모델의 연산 효율성은 특히 방대한 분자 탐색이 요구되는 신약 개발 과정에서 핵심적인 역할을 합니다.

신약 개발 넘어 신소재까지: CoCoGraph가 열 미래

현재 CoCoGraph는 특정 기능을 가진 분자를 직접 설계하는 단계까지는 이르지 못했지만, 이미 해열제 파라세타몰과 유사한 특성을 가진 분자들을 식별하는 데 성공했습니다.

또한, 기존 분자를 부분적으로 수정하여 유사한 특성을 가진 새로운 변형 분자를 생성하는 기술도 탐구하고 있으며, 이는 약물 최적화나 신소재 개발에 매우 유용할 수 있습니다.

예를 들어, 기존 약물의 부작용을 줄이거나 효과를 높이는 새로운 분자 구조를 탐색하는 데 활용될 수 있습니다.

연구팀의 다음 목표는 용해도나 낮은 독성 같은 특정 속성을 가진 분자를 직접 설계하는 것입니다.

이 목표가 달성된다면, CoCoGraph 기술은 약리학 및 재료 과학 분야 전반에 걸쳐 새로운 해결책을 발견하는 속도를 획기적으로 가속화할 수 있을 것입니다.

여전히 미개척 영역으로 남아있는 이 ‘화학 우주’를 탐험하고, 인류에게 필요한 혁신적인 물질을 발견하는 데 결정적인 역할을 할 잠재력을 가지고 있습니다.

결론적으로, CoCoGraph는 단순한 분자 생성을 넘어 화학적 유효성을 보장하며 효율성까지 갖춘 AI 모델입니다.

이는 인공지능이 과학 연구의 오랜 난제를 해결하고, 신약 개발 및 신소재 발명의 패러다임을 근본적으로 변화시킬 것이라는 강력한 증거입니다.

앞으로 CoCoGraph와 같은 AI 기술이 가져올 미래를 기대해봅니다.

자주 묻는 질문 (FAQ)

Q: CoCoGraph와 기존 분자 생성 AI 모델의 가장 큰 차이점은 무엇인가요?

A: CoCoGraph의 가장 큰 차이점은 생성된 분자가 기본적인 화학 법칙을 완벽하게 준수하도록 화학적 유효성을 직접 보장한다는 점입니다.

이는 다른 모델들이 종종 비현실적인 분자를 생성하여 추가적인 검증이 필요했던 것과 대조적입니다.

Q: CoCoGraph는 현재 어떤 단계에 있으며, 어떤 분야에 활용될 수 있나요?

A: CoCoGraph는 아직 특정 기능 분자를 직접 설계하는 초기 연구 단계에 있습니다.

하지만 이미 파라세타몰 유사 분자를 식별하고 기존 분자를 변형하는 능력을 보여줬으며, 주로 신약 개발 및 신소재 과학 분야에서 혁신적인 가능성을 제시하고 있습니다.

Q: CoCoGraph가 상용화되기까지 어떤 과제가 남아있나요?

A: 주요 과제는 특정 용해도, 낮은 독성 등 원하는 특정 물리화학적 속성을 가진 분자를 정확히 설계하는 능력을 고도화하는 것입니다.

이 기술이 성공적으로 발전한다면, 실제 상업적 응용 분야에서 그 가치를 크게 발휘할 수 있을 것입니다.

출처: https://www.genengnews.com/topics/artificial-intelligence/cocograph-ai-model-generates-molecules-that-comply-with-rules-of-chemistry/