https://www.anthropic.com/research/Claude-accelerates-protein-design

 

Anthropic이 공개한 이번 연구의 핵심은 Claude가 실제 단백질 설계 연구 과정을 상당 부분 자율적으로 수행했고, 그 결과 실제 실험실에서도 작동하는 단백질 후보를 만들어냈다는 것입니다.

기존 단백질 설계에서는 연구자가 여러 전문 AI 모델과 분석 도구를 직접 조합해야 합니다. 어떤 구조를 만들지 정하고, 아미노산 서열을 생성하고, 접힘을 예측하고, 결과를 비교한 뒤 다시 후보를 수정하는 과정을 사람이 반복합니다. 이번 실험에서는 Claude가 이 과정을 일종의 AI 연구원 또는 연구 매니저처럼 직접 조율했습니다.

Claude는 목표 단백질을 주면 결합 위치를 정하고, 여러 단백질 설계 모델을 사용하고, 생성된 후보를 평가하고, 최종적으로 실제 실험할 후보를 골랐습니다. 즉 Claude 자체가 단백질 전용 모델이 된 것이 아니라, 여러 과학 도구를 스스로 선택하고 연결해 연구 워크플로 전체를 운영한 것입니다.

성과도 꽤 컸습니다. 연구팀은 15개의 표적 단백질을 대상으로 설계했고, 14개 표적에서 실제로 결합하는 단백질을 만드는 데 성공했습니다. 총 1,320개의 설계 후보 가운데 354개가 실제 binder로 확인됐고, 실험 조건에 따라 성공률은 약 22.6~35.1%였습니다.

일부 표적에서는 기존 연구나 단백질 설계 대회보다 높은 성과도 나왔습니다. 중요한 점은 이 결과가 단순 컴퓨터 시뮬레이션이 아니라, 실제로 합성한 뒤 실험실에서 결합 여부를 확인했다는 것입니다.

다만 이것을 “Claude가 신약을 개발했다”고 해석하면 과장입니다. 이번에 자동화한 것은 주로 신약개발 초반의 특정 단백질에 잘 달라붙는 후보를 설계하고 선별하는 단계입니다. 실제 약이 되려면 독성, 안정성, 체내 작용, 면역반응, 동물실험, 임상시험 등 훨씬 많은 단계가 남아 있습니다.

또 하나 흥미로운 부분은 화학 분석입니다. Claude에게 NMR과 LC-MS 같은 실험 장비의 원시 데이터를 주자, Claude가 파일을 해석하고 분석을 수행해 실험실 분석 결과와 거의 동일한 값을 얻었습니다. 단순히 숫자를 계산한 것이 아니라, 결과를 보고 어떤 추가 실험을 하면 좋을지도 제안했습니다.

이 연구의 의미는 크게 보면 다음과 같습니다.

• AI가 과학 논문을 읽고 질문에 답하는 수준에서 벗어나고 있습니다.
• AI가 여러 전문 모델과 도구를 스스로 연결해 실제 연구 과정을 수행하는 단계로 넘어가고 있습니다.
• 단백질 설계나 초기 신약 후보 탐색의 속도를 크게 높일 가능성이 있습니다.
• 앞으로는 설계 → 실험 → 결과 해석 → 재설계의 반복 루프를 AI가 점점 더 많이 자동화할 수 있습니다.

한 줄로 요약하면,

“Claude가 생명과학 지식을 설명하는 AI에서, 실제 단백질 설계 연구를 수행하는 AI 연구원에 가까운 모습을 보여준 연구”라고 보면 됩니다.