주간 연구 브리핑 — AI·신약·기능성식품 (2026-09-13)

이번 주 브리핑은 대규모 과학 AI의 초점이 “예측 점수”에서 “연구 인프라”로 이동하고 있음을 보여준다. 자연어로 기능을 설명하면 단백질 후보를 만들고, 오믹스와 센서 데이터는 자기지도 표현학습으로 재해석되는 흐름이다. 다만 모두가 곧바로 실험 성공을 보장하는 것은 아니며, 연구실에서는 작은 검증 단위로 funnel을 확인하는 접근이 필요하다.

이번 주 기록은 9월 7일 브리핑을 중심으로 재정리했다. 핵심은 Pinal의 단백질 설계, OmicsFM의 단백질체 표현학습, Panda V2의 이질 센서 자기지도학습이다.

신약·바이오 신기술

Pinal은 자연어 기능 설명을 구조 토큰과 아미노산 서열로 변환해 GFP, PETase, ADH, H-protein 후보를 만들고 일부를 wet-lab에서 검증한 프리프린트다. 160억 파라미터 모델이 1.35억 단백질, 17억 protein-text pair, 1,000억 word token을 학습했고, GFP 29개 중 1개, PETase 94개 중 1개, ADH 8개 중 5개, H-protein 20개 중 5개에서 기능을 확인했다. H-protein pinalH02는 재구성 CO2 고정계에서 대장균 천연 단백질 대비 glycine 최종 역가 1.7배를 보였다. 단, 합성 주석과 in silico 선별에 의존하며 정밀한 활성 제어가 확립된 것은 아니다.

So what → 연구실 연결: 발효·천연물 전환 효소를 “기능 문장”으로 명세하고 후보군을 만드는 전단계로 쓸 수 있지만, 합성·활성 검증 비용을 포함한 funnel 설계가 먼저다.

타겟·소재

OmicsFM은 공개 질량분석 원자료를 재처리해 단백질 abundance의 masked reconstruction만으로 분자 관계, 조직 문맥, 시료 표현을 함께 학습한 단백질체 foundation model 프리프린트다. 1,397개 PRIDE 프로젝트의 48,837개 품질관리 proteomics profile을 사용했고, 단백질체 표현이 전사체·서열 표현과 상보적이며 CRISPR perturbation 예측으로 전이됨을 보였다. 그러나 attention edge가 곧 물리적·인과적 관계를 뜻하는 것은 아니며, 세포형 분류에서는 단순 logistic regression과 fine-tuned 모델이 동률인 대목도 있다.

So what → 연구실 연결: 발효 조건별 proteomics를 단일 marker가 아니라 단백질 관계망과 perturbation 가설로 읽는 설계에 연결할 수 있다.

Frontier

Panda V2는 LArTPC, collider TPC, water Cherenkov라는 서로 다른 입자검출기 모달리티에 같은 point-cloud backbone과 self-distillation objective를 적용한 프리프린트다. 세 검출기 encoder를 각각 1,000만 image presentation으로 사전학습했고, label 1,000개만으로 clustering·분류·event reconstruction을 수행했다. 단, 세 encoder를 따로 학습했기 때문에 검출기 간 직접 전이가 검증된 것은 아니며 모두 simulation 기반이다.

So what → 연구실 연결: LC-MS, 현미경, 분광처럼 기하가 다른 센서도 “센서별 모델”보다 공통 자기지도 원리를 먼저 설계하는 연구 인프라 관점이 필요하다.

이번 주 실행 결정

Kill: AI 설계 후보를 활성 수치 검증 없이 기능성 소재 후보로 바로 홍보하는 해석은 배제한다.

Watch: OmicsFM은 공개 코드·가중치와 연구실 proteomics 형식 호환성을 추적한다. Panda V2는 식품·천연물 분석 장비의 이질 센서 통합 사례로 강의·기획에 보관한다.

Test: 학생 1명이 30분 동안 Pinal Fig. 1·5와 Supplementary Table 13에서 model→data→candidate funnel→wet-lab validation 네 칸 표를 만든다. GFP·PETase·ADH·H-protein의 생성·합성·활성 후보 수가 원문과 일치하면, 반나절 pilot으로 연구실 효소 기능 요구서 3개를 각 10개 후보로 시험한다.

Write: “자연어 기능 명세 기반 효소 후보 생성”과 “오믹스·센서 표현학습 기반 검증 인프라”를 기능성식품 R&D의 두 축으로 정리한다.