암·난치병 치료길 열렸다! 인류 난제 해결, 과학계 뒤흔든 충격적 발견 [반복재생] / YTN 사이언스

간략한 요약

이 비디오는 2024년 노벨 화학상과 생리학상의 배경, 수상자들의 업적, 그리고 수상 이후의 연구 동향을 설명합니다. 단백질 구조 예측과 설계, 마이크로 RNA의 역할, 인공지능의 기여 등 다양한 주제를 다루며, 과학계의 혁신적인 발전을 조명합니다.

• 단백질 구조 예측 및 설계의 발전
• 마이크로 RNA의 유전자 발현 조절 역할 규명
• 인공지능을 활용한 생물학 연구의 혁신

2024년 노벨 화학상 소개

최정모 교수는 2024년 노벨 화학상이 단백질 연구자들에게 돌아갔음을 소개하며, 단백질의 중요성을 강조합니다. 단백질은 근육 구성뿐 아니라 체내 대사 작용 및 균형 유지에 필수적인 물질이며, 과학자들은 오래전부터 단백질에 관심을 가져왔습니다. 단백질은 구슬 목걸이처럼 단순한 구조이지만, 구슬 간의 상호작용으로 복잡한 3차원 구조를 형성하며, 이 구조가 단백질 기능에 매우 중요합니다.

단백질 접힘과 질병

단백질 서열이 주어지면 정확한 3차원 구조로 접혀야 하며, 이 과정에서 오류가 발생하면 질병이나 심각한 문제가 발생할 수 있습니다. 헤모글로빈 단백질의 변이로 인한 낫적혈구빈혈증은 단백질 서열의 작은 변화가 인체에 미치는 심각한 영향을 보여주는 대표적인 예시입니다. 이러한 이유로 단백질 연구는 질병 연구에 중요한 역할을 합니다.

단백질 구조 예측의 어려움과 캐스프 대회

단백질 서열 정보는 쉽게 얻을 수 있지만, 구조 정보는 실험적으로 밝히기 어렵고 비용과 시간이 많이 소요됩니다. X선 결정학, 핵자기 공명 분광학, 저온 전자 현미경 등의 방법이 사용되지만 여전히 어려움이 많습니다. 이에 대한 대안으로 컴퓨터를 이용한 단백질 구조 모델링이 시도되었고, 캐스프(CASP) 대회는 전 세계 연구자들이 단백질 구조 예측 실력을 겨루는 장이 되었습니다.

데이비드 베이커와 단백질 설계

데이비드 베이커 교수는 컴퓨터를 이용한 단백질 설계 분야에서 선구적인 역할을 했습니다. 단백질 설계는 목표 구조를 먼저 설정하고, 그 구조를 갖는 단백질 서열을 디자인하는 것입니다. 베이커 교수는 2003년 '탑7'이라는 단백질을 설계하여, 생명체에 존재하지 않았던 새로운 단백질을 만들어내는 데 성공했습니다. 최근에는 바이러스와 유사한 단백질을 설계하여 백신 개발에 기여하고 있습니다.

알파폴드와 단백질 구조 예측의 혁명

2020년 캐스프 대회에서 딥마인드의 알파폴드2가 압도적인 정확도로 1위를 차지하며 단백질 구조 예측 분야에 혁명을 일으켰습니다. 알파폴드2는 딥러닝 기술을 활용하여 기존 예측 프로그램보다 훨씬 뛰어난 성능을 보였습니다. 딥마인드는 알파폴드2를 통해 예측한 2억 개 이상의 단백질 구조 데이터를 공개하여 생물학 연구에 큰 기여를 했습니다.

드미스 하사비스와 존 점퍼의 공헌

알파폴드를 개발한 드미스 하사비스와 존 점퍼는 인공지능을 활용하여 단백질 구조 예측 정확도를 획기적으로 향상시킨 공로로 노벨 화학상을 수상했습니다. 하사비스는 딥마인드를 설립하여 알파고를 개발한 인공지능 전문가이며, 점퍼는 물리학에서 계산생물학으로 전향하여 알파폴드2 개발에 핵심적인 역할을 했습니다.

노벨상 이후의 연구 동향

알파폴드2의 등장 이후, 과학자들은 인공지능을 활용한 연구를 적극적으로 추진하고 있습니다. 데이비드 베이커 교수는 로제타폴드와 RF디퓨전 등의 프로그램을 개발하여 단백질 설계 분야를 발전시키고 있습니다. 알파폴드 팀 역시 알파폴드3를 발표하며 지속적인 발전을 이루고 있습니다. 인공지능 회사들과 연구소들은 단백질 및 생체 분자 성질 예측에 인공지능을 활용하기 위해 경쟁하고 있습니다.

2024년 노벨 생리 의학상 소개

이대한 교수는 2024년 노벨 생리 의학상이 빅터 암브로스 교수와 게리 루큰 교수에게 공동으로 수여되었음을 소개하며, 이들이 예쁜꼬마선충 연구를 통해 유전자 발현 조절 메커니즘을 밝힌 공로를 설명합니다. 예쁜꼬마선충은 투명하고 작으며 세포 수가 적어 발생 과정을 관찰하기 용이하여 발생생물학 연구에 중요한 모델 생물입니다.

예쁜꼬마선충 연구의 역사

시드니 브레너는 예쁜꼬마선충을 발생생물학 연구 모델로 제시했으며, 고든 설스턴은 예쁜꼬마선충의 세포 족보를 완성하여 발생 과정에서의 세포 운명 결정 연구에 기여했습니다. 세포 족보는 수정란에서 시작하여 최종적으로 만들어지는 수백 개의 세포들이 어떤 세포에서 나왔는지를 모두 그린 것입니다.

분자생물학의 중심 원리와 유전자 발현 조절

분자생물학의 중심 원리에 따르면, DNA의 유전 정보가 RNA를 통해 단백질로 전달되어 생명을 구동시킵니다. 유전자 발현은 DNA 정보가 단백질로 흘러나오는 것을 의미하며, 유전자 조절은 유전자가 언제, 얼마나 발현될지를 조절하는 기작입니다. 예쁜꼬마선충 연구자들은 유전학적 힘, 즉 돌연변이를 이용하여 발생을 조절하는 셰프 유전자를 찾으려 노력했습니다.

족보가 꼬인 돌연변이와 린 유전자

예쁜꼬마선충 연구자들은 족보가 꼬인 돌연변이, 즉 린(lin) 돌연변이를 연구하여 발생 조절 유전자를 찾았습니다. 린포(lin-4)와 린폴틴(lin-14) 유전자는 예쁜꼬마선충의 후배아 발생 과정에서 중요한 역할을 하며, 이들 유전자의 돌연변이는 음문 형성 이상을 초래하여 벌레주머니 현상을 유발합니다. 린포와 린폴틴은 서로 상호작용하는 유전자라는 사실이 밝혀졌습니다.

빅터 암브로스와 게리 루큰의 연구

빅터 암브로스 교수와 게리 루큰 교수는 린 유전자의 정체를 밝히는 연구를 진행했습니다. 1993년 게리 루큰 교수 연구팀은 린폴틴 유전자가 DNA에 붙어 재료를 조절하는 셰프 역할을 하는 이시성 유전자임을 확인했습니다. 반면, 빅터 암브로스 교수 연구팀은 린포 유전자가 단백질을 만들어내는 유전자가 아니라 작은 RNA 조각을 만들어낸다는 사실을 발견했습니다.

마이크로 RNA의 발견과 작용 메커니즘

빅터 암브로스 교수 연구팀은 린포 유전자가 작은 마이크로 RNA를 만들어내며, 이 마이크로 RNA가 린폴틴 유전자의 꼬리에 결합하여 린폴틴의 발현을 억제한다는 가설을 세웠습니다. 1993년 6월 11일, 두 연구팀은 각자 보유한 퍼즐 조각을 맞춰 린포 마이크로 RNA가 린폴틴 mRNA에 결합할 수 있다는 사실을 확인했습니다.

마이크로 RNA의 중요성과 추가 연구

마이크로 RNA가 유전자 발현을 조절하고 발생을 조절하는 중요한 셰프 기능을 할 수 있다는 발견은 놀라웠지만, 초기에는 예쁜꼬마선충에만 해당되는 특이한 현상으로 여겨졌습니다. 그러나 2000년 게리 루큰 교수 연구실에서 두 번째 마이크로 RNA인 let-7이 발견되었고, 이 let-7이 인간에게도 존재한다는 사실이 확인되면서 마이크로 RNA의 중요성이 부각되었습니다.

마이크로 RNA 연구의 발전과 한국 연구자들의 기여

인간 DNA에는 1,000개 이상의 마이크로 RNA가 존재하며, 이들이 인간 발생을 정교하게 조절하는 데 중요한 역할을 한다는 사실이 밝혀졌습니다. 마이크로 RNA가 세포 속에서 어떻게 만들어지는지에 대한 연구도 진행되었으며, 김빛내리 교수 등 한국 연구자들이 마이크로 RNA 생성 효소인 드로샤 발견에 기여했습니다.

2024년 노벨 물리학상 소개

김철민 교수는 2024년 노벨 물리학상이 존 필드와 제프리 힌튼 두 분에게 돌아갔음을 소개하며, 이들의 업적이 물리학의 기본 개념과 방법을 사용하여 정보를 처리하는 기술을 개발한 데 있음을 설명합니다. 이들의 연구는 기계 학습을 가능케 한 인공신경망 연구의 주도를 놓은 발견과 발명입니다.

인공지능과 물리학의 연관성

인공지능 발전에 기여한 연구가 왜 물리학으로 인정받는가에 대한 질문에 대해, 김 교수는 수상자들이 물리학의 기본 개념과 방법을 사용하여 정보를 처리하는 기술을 개발했기 때문이라고 설명합니다. 또한, 노벨 위원회의 결정은 물질에 치우친 전통적인 물리학 연구를 넘어 생명, 사회 현상 등을 통합적으로 이해하고자 하는 시대 정신을 반영하는 것이기도 합니다.

인공신경망의 이론적 틀과 퍼셉트론

인간이 배우고 기억하는 메커니즘에 대한 관심에서 출발하여, 과학자들은 인간의 뇌를 해부학적으로 관찰하고 신경 세포(뉴런)가 전기적인 방식으로 정보를 전달하는 메커니즘을 이해하게 되었습니다. 이러한 생물학적 이해를 바탕으로 1943년에 인공신경망의 이론적 틀이 제한되었고, 1957년 프랭크 로젠블랫은 생물학적 뉴런의 작동 방식을 흉내낸 퍼셉트론을 제안했습니다.

논리 연산과 퍼셉트론의 한계

퍼셉트론을 이용하여 논리곱(AND)과 논리합(OR) 연산을 구현할 수 있지만, 베타적 논리합(exclusive OR) 연산은 하나의 직선으로 구분할 수 없어 퍼셉트론의 한계가 드러났습니다. 이러한 한계를 극복하기 위해 숨은층(hidden layer)을 도입한 다층 퍼셉트론이 제안되었습니다.

역전파 알고리듬과 딥러닝

숨은층을 도입한 다층 퍼셉트론은 복잡한 문제를 해결할 수 있지만, 가중치(W)를 디자인하는 것이 매우 복잡해지는 문제가 발생합니다. 이러한 문제를 해결하기 위해 학습이라는 방법을 동원해야 하며, 제프리 힌튼은 역전파 알고리듬을 개발하여 딥러닝의 발전에 크게 기여했습니다. 역전파 알고리듬은 오차 함수를 줄여나가는 방식으로 가중치를 튜닝하는 과정입니다.

활성화 함수, GPU, 빅데이터의 역할

역전파 알고리듬은 새로운 활성화 함수, GPU와 같은 병렬 계산 처리 하드웨어, 방대한 양의 빅데이터 등의 발전으로 인해 실용적인 연구로 인정받게 되었습니다. 인공지능 모델은 크게 판별 모형과 생성 모형으로 나눌 수 있으며, 판별 모형은 데이터를 특정 카테고리로 구분하는 용도로 사용되고, 생성 모형은 데이터의 특징을 추출하여 새로운 데이터를 생성하는 용도로 사용됩니다.

호필드 모형과 볼츠만 기계

호필드 모형은 기억이 뉴런들 간의 연결망 강도에 의해 저장될 수 있다는 개념을 제시하며, 에너지 경관에서 가장 낮은 에너지 상태를 찾아가는 방식으로 기억을 떠올리는 메커니즘을 설명합니다. 볼츠만 기계는 호필드 네트워크에 비해 숨은층을 도입하고 확률적인 접근 방식을 사용하며, 제한된 볼츠만 기계는 생성 모형의 원조라고 볼 수 있습니다.

인공지능의 미래와 윤리적 문제

인공지능의 발전은 미래에 대한 경고와 윤리적 문제를 제기하며, 제프리 힌튼 박사는 인공지능의 폐해와 재앙에 대해 경고하고 있습니다. 인공지능이 재앙적인 사태를 불러올지, 세상을 이롭게 만들지는 우리가 얼마나 경계하고 준비하느냐에 달려 있습니다. 인공지능의 발전은 물리학자들의 모형 연구에 기여했으며, 역으로 인공지능의 발전이 각 분야의 과학에 미치는 영향도 큽니다.

강의 요약 및 마무리

인공지능의 발전은 오랜 세월에 걸쳐 물리학자들의 연구에 기여했으며, 인공지능의 발전이 각 분야의 과학에 미치는 영향도 큽니다. 인공지능은 생명이나 사회 현상 같은 복잡계를 통합적으로 이해하는 새로운 도구가 되고 있으며, 미래의 물리학과 인공지능의 협업을 주목해야 합니다.