무슨 일이 있었나요
Divergence Labs라는 곳이 음식 알레르기를 겨냥한 ‘IgE 디스럽터(disruptor)’ 항체를 설계했다는 프리프린트를 공개했어요. 눈에 띄는 건 설계 과정에 Claude를 활용했다고 밝힌 점이에요. 개발자 입장에선 “LLM이 코드 말고 항체도 설계해?” 싶은 이야기죠.
먼저 짚고 갈 게 있어요. 프리프린트는 동료 심사(peer review)를 거치기 전의 논문이에요. 결과가 흥미롭더라도 아직 검증 단계라는 뜻이니 그 점을 염두에 두고 읽어주세요. Claude를 어느 단계에서 어떻게 썼는지는 원문 PDF에서 직접 확인하시길 권해요.
음식 알레르기는 어떻게 생길까요
생물 비전공자를 위해 간단히 풀어볼게요. 우리 몸에는 IgE라는 항체가 있어요. 알레르기가 있는 사람은 땅콩 같은 특정 음식 성분에 반응하는 IgE를 만들어요. 이 IgE는 비만세포(mast cell)라는 면역세포 표면의 수용체(FcεRI)에 미리 붙어서 대기해요. 세포 표면에 ‘경보 센서’가 잔뜩 달려 있는 상태라고 생각하면 돼요.
그러다 땅콩 성분이 들어오면 이 센서들을 서로 엮어버리고, 그 순간 비만세포가 히스타민 같은 물질을 쏟아내요. 이게 두드러기와 호흡곤란으로 이어지고, 심하면 아나필락시스 쇼크까지 오는 거예요.
‘디스럽터’는 기존 치료제와 뭐가 다르냐면
이미 쓰이는 약이 있어요. 오말리주맙(제품명 졸레어)이라는 항-IgE 항체인데, 2024년에 미국 FDA가 음식 알레르기 용도로도 승인했어요. 이 약은 혈액 속을 떠다니는 자유 IgE를 붙잡아서 센서에 새로 붙지 못하게 막아요.
문제는 이미 세포에 붙어 있는 IgE예요. 기존 방식은 새 센서가 달리는 걸 막을 뿐, 이미 달린 센서는 자연히 떨어질 때까지 기다려야 하거든요. 그래서 효과가 나타나기까지 시간이 걸려요.
디스럽터는 한 발 더 나가요. 이름 그대로 이미 수용체에 붙어 있는 IgE를 능동적으로 떼어내는 분자예요. 학계에서는 2010년대 초부터 이렇게 ‘결합을 깨는’ 억제제를 연구해 왔지만, 그런 분자를 설계하기가 무척 어려웠어요. 단백질끼리 맞닿은 면을 정확히 파고들어 결합을 풀어야 하니까요. 이 프리프린트는 이 어려운 설계 문제에 AI를 동원했다는 점에서 의미가 있어요.
업계 맥락: AI 단백질 설계와 LLM의 역할
AI로 단백질을 다루는 분야는 최근 몇 년 사이 폭발적으로 성장했어요. 단백질 구조를 예측하는 AlphaFold는 2024년 노벨 화학상으로 이어졌고, RFdiffusion이나 ProteinMPNN처럼 새 단백질을 ‘생성’하는 모델도 널리 쓰이고 있어요.
그런데 이런 도구들은 각자 맡는 영역이 좁아요. 구조 예측 따로, 서열 설계 따로, 결합력 평가 따로죠. 그래서 Claude 같은 범용 LLM은 보통 오케스트레이터 역할을 맡을 수 있어요. 논문을 읽고 가설을 세우고, 여러 전문 모델을 호출하는 코드를 짜고, 결과를 해석해서 다음 실험을 제안하는 연구 보조 역할이에요. 개발자에게 익숙한 말로 하면 ‘툴 콜링 에이전트’가 실험실에 들어간 셈이죠. Anthropic도 생명과학 분야 활용 사례를 꾸준히 내놓고 있고, 다른 AI 기업들도 비슷한 방향으로 움직이고 있어요.
다만 AI가 후보를 아무리 잘 설계해도, 실제 효과와 안전성은 결국 실험과 임상에서 판가름 나요. 실험실 결과에서 실제 환자 치료까지는 보통 수년이 걸린다는 점도 기억해 두세요.
한국 개발자에게 주는 시사점
“바이오는 나랑 상관없지” 싶을 수 있지만, 개발자가 이 사례에서 가져갈 포인트는 분명해요.
첫째, LLM 에이전트의 진짜 가치는 도메인 도구를 엮는 데 있다는 거예요. 이건 바이오뿐 아니라 사내 데이터 분석, 인프라 운영, 금융 리서치에도 똑같이 적용되는 패턴이에요. 전문 도구는 이미 있고, 그 도구들을 연결하고 결과를 해석하는 층을 LLM이 맡는 구조죠.
둘째, 국내에도 AI 신약 개발 스타트업과 제약사의 AI 조직이 늘고 있어서, 파이썬 데이터 파이프라인과 LLM 에이전트를 다룰 줄 아는 개발자를 찾는 곳이 꾸준히 있어요. 바이오 도메인 지식을 조금만 갖춰도 경쟁력이 크게 올라가는 분야예요.
마무리
한줄 정리: 이미 붙어 있는 IgE를 떼어내는 ‘디스럽터’라는 어려운 설계 문제에 LLM을 연구 에이전트로 동원한 실험적 시도예요. 검증은 이제부터고요.
여러분은 LLM이 코딩을 넘어 과학 연구에서 ‘연구원’ 역할까지 할 수 있다고 보시나요? 어디까지 믿고 맡길 수 있을지 의견 나눠봐요.
🔗 출처: Hacker News