1. 서론

오늘날 과학기술 발전의 핵심에는 인공지능(Artificial Intelligence, AI)이 자리 잡고 있으며, 생성형 인공지능(Generative AI)의 등장으로 인해 그 혁신성이 더욱더 높아지고 있다. 개발 초기 단계의 AI는 주로 대량의 데이터를 신속하게 분석 및 분류하여 데이터 간의 통계적 상관관계나 유기적으로 연관되어 있는 패턴을 인식하는 데 초점이 맞추어져 있었다면, 생성형 AI는 기존 데이터를 학습한 다음 패턴을 분석하고, 분석한 데이터의 규칙성을 바탕으로 과거에는 존재하지 않았던 새로운 결과물을 창조할 수 있다 [1]. 사람의 언어를 모사하여 자연스러운 문장을 구성하거나 문맥에 맞는 답변을 만들어내며, 이미지 분야에서는 실제 사진과 구분하기 쉽지 않은 고화질 이미지를 생성하여 다양한 분야에서 활용되고 있다. 이러한 AI 기술의 진보는 생체 내부의 복합한 정보를 다루기 때문에 고도의 정밀성과 복잡성이 요구되는 의생명과학 분야에서도 유용하게 사용되고 있다. 이미 알려진 현상을 신속하게 확인하는 것뿐만 아니라, 사람이 파악하기 어렵거나 아직 밝혀지지 않은 생명 현상의 메커니즘을 규명하고 질병의 원인을 추론하여, 새로운 치료 방법이나 약물 후보 물질을 탐색하는 데 활용될 수 있다.

체내에서는 DNA, RNA, 단백질과 같은 다양한 분자들이 수많은 세포 신호 전달 체계와 물질대사 경로를 통해 상호작용하며 복합적인 네트워크를 형성하고 있다. 따라서 체내에서 발생하는 모든 변수를 실험적으로 검증하기에는 막대한 시간과 비용이 필요하다.

이러한 한계점을 극복할 수 있는 방법을 AI는 제시하는데, AI는 데이터를 초고속으로 학습하고 그 안에서 발견되는 규칙성을 기반으로 하는 새로운 가설과 가능성을 생성해 낼 수 있기 때문이다. 이는 데이터를 분석하고 정리하는 시간을 획기적으로 단축시킬 뿐만 아니라, 더 나아가 생성형 AI의 고도화로 인해 새로운 약물 후보 물질의 분자 구조를 도출하거나 임상시험을 위한 정밀한 가상 환자 데이터 정보를 도출할 수 있다. AI를 사용하여 이론적 데이터를 바탕으로 한 1차 선별(스크리닝)을 진행하고, AI가 제시한 정보 중에서 신뢰도가 높다고 판단되는 후보를 선택해 2차적으로 실험을 진행함으로써 시행착오를 줄일 수 있게 된다

---------------------------------------------------------------------------------------------------------------------------------------------------------