[비즈까페] 노벨 화학상 딥마인드 데미스 하사비스 인터뷰

단백질은 인간에게 굉장히 중요함.

우리 몸의 모든 기능을 관여 생물학적으로 '일꾼'이라고 불림.

알파폴드 개발.

단백질은 말 그대로 레고(작은 물질들의 조합) 임.

아미노산이라고 하는 조각이 어떻게 배열되는지.

아미노산 덩어리의 구조를 알아야 함.

같은 배열이어도 어떤 구조로 뭉치는 지에 따라 기능이 달라짐.

새로운 약을 개발하거나 병을 분석할 때 구조를 정확히 알아야 함.

어떤 단백질이 문제를 일으키는지 찾아서 정확하게 공략해야 함.

원하는 곳만 정확하게 공격하기 위해서는 구조를 찾아야 함.

 

1차원 아미노산 배열 하나만 가지고 어떻게 엉킬지 예측이 불가능했음.

(50년이 넘는 난제)

컴퓨터 생물학이 그 사이 발전, 알파폴드를 활용하면 몇 초 만에 3차원 구조를 분석할 수 있게 됨.

 

수많은 종류의 단백질이 서로 뭉치면서 다양한 조합을 컴퓨터처럼 만듦.

작은 아미노산 조각들이 상호작용하며 입체적인 구조를 형성함.

 

아미노산의 배열만 봐도 올바른 단백질 구조 예측이 가능.

 

단백질의 구조를 예측하고자 했고 알파폴드는 증명의 기회였음.

혁신적인 시도를 정말 많이 했음.

30개가 넘는 알고리즘을 모델에 적용함.

알고리즘의 학습 능력을 해치지 않는 선에서 기존에 존재하는

물리학과 생물학적 지식을 모델 안에 전부 집어넣은 것.

그 이후에도 엄청난 난제를 해결하기 위해 수없이 많은 혁신을 시도함.

 

배열을 모델에 집어넣으면 분자 모형을 뽑아낼 수 있도록 중간 계산 과정을 없앰.

적으면 적을수록 정확도가 점점 높아짐(머신 러닝).

알파폴드에게 데이터만 던져주고 학습을 시키면 단백질 조합을 스스로 예측할 수 있음.

(모델이 처음부터 문제를 풀도록)

 

알파고는 바둑 학습에 특화된 시스템.

알파 제로를 개발하고 학습할 때는 인간의 기보를 쓰지 않았음.

(모델끼리 알아서 대국을 하게끔, 2인용 게임 모두를 잘하게 됨)

뮤 제로는 나중에는 규칙을 굳이 알려주지 않아도 무슨 게임이라도 잘하게 됨.

(데이터 모방을 넘어서 알아서 학습하는 AI)

알아서 규칙을 배우고 구조를 배우고.

자기가 내놓은 결과를 다시 학습하면서 성장.

문제는 처음부터 대단한 것을 만들려면 시간이 오래 걸리면서 의구심이 발생했을 것임.

 

AI는 공학임.

진리를 발견하는 과학과 다르게 공학은 세상에 존재하지 않는 것을 만들어야함.