AI가 460억 개 화합물을 뒤져 새 항생제를 설계했다

2026년 4월, 캐나다 맥마스터대학교 연구팀이 Molecular Systems Biology에 흥미로운 논문을 발표했어요. 강화학습으로 훈련된 생성형 AI가 460억 개에 달하는 가상 화합물 공간을 통째로 탐색해서, 약물 내성 황색포도상구균에 효과가 있는 새 항생제 후보를 스스로 설계해냈다는 내용이었죠. 제가 이 소식을 수업에서 소개할 때 제일 먼저 던지는 질문이 있어요 — "그런데 실험실에서 화합물을 그렇게 많이 만들어서 테스트하면 안 되나요?" 답은 간단해요. 아무리 대규모로 스크리닝을 돌려도 실험실에서 현실적으로 다룰 수 있는 화합물은 많아야 100만 개 수준이에요. 460억이라는 숫자와 비교하면, AI가 들여다본 공간이 얼마나 압도적인지 감이 오시죠.

항생제 내성, 왜 이렇게까지 심각할까

2022년 랜싯(Lancet)에 발표된 연구에 따르면 2019년 한 해 동안 전 세계에서 항생제 내성균과 연관된 사망이 약 495만 건, 그중 내성 자체가 직접적인 원인으로 추정된 사망만도 127만 건에 달했다고 해요. 문제는 새 항생제 개발 속도가 세균이 내성을 얻는 속도를 따라가지 못한다는 점이에요. 신약 후보 하나를 찾으려면 연구자가 화합물을 하나하나 합성하고, 세균에 노출시켜 효과를 확인하는 과정을 반복해야 하는데, 이 방식으로는 아무리 서둘러도 수백만 개 이상의 화학 공간을 뒤지는 게 사실상 불가능해요. 그런데 이론적으로 합성 가능한 유기 화합물의 수는 수십억, 수백억을 훌쩍 넘는다고 추정되거든요 — 사람이 직접 탐색할 수 있는 영역은 그 전체 지도에서 아주 작은 한 귀퉁이에 불과한 셈이죠.

SyntheMol-RL은 어떻게 460억 개를 뒤졌을까

맥마스터대 Jon Stokes 교수팀이 스탠퍼드대와 함께 개발한 SyntheMol-RL은 이 문제를 정면으로 겨냥한 AI예요. 이름에 들어간 'RL'은 강화학습(Reinforcement Learning)을 뜻하는데, 이 AI는 무작정 화합물을 하나씩 그려보는 게 아니라, 실제로 합성 가능한 화학 반응 규칙과 원료 물질 목록을 바탕으로 화합물을 '조립'해나가면서, 만들어진 후보가 얼마나 항균 효과를 낼 것 같은지 점수를 매기고 그 점수를 보상 삼아 더 나은 구조를 계속 탐색해요. 사람이 화합물 후보를 하나하나 손으로 고르는 대신, AI가 스스로 시행착오를 거치며 최적의 답에 가까워지는 방식인 거죠. 이 접근의 핵심은 AI가 골라낸 후보가 그냥 이론상의 그림이 아니라 실제로 실험실에서 합성 가능한 분자라는 점이에요 — 아무리 컴퓨터 안에서 완벽해 보여도 실제로 만들 수 없는 구조라면 아무 소용이 없으니까요.

쌤 한마디 — 사실 Jon Stokes 교수는 이 분야에서 이번이 처음 등장한 게 아니에요. 2020년, 그가 MIT에서 연구하던 시절 딥러닝 모델로 기존 항생제와 구조가 전혀 다른 새로운 항균물질 '할리신(halicin)'을 찾아내 Cell에 발표하면서 크게 주목받았거든요. 할리신은 여러 약물 내성균에 효과를 보이면서 "AI가 진짜로 신약 후보를 찾아낼 수 있다"는 걸 증명한 상징적 사례로 꼽혀요. 이번 SyntheMol-RL 연구는 그 연장선에서, 탐색 범위를 수백만 수준에서 수백억 수준으로 한 단계 더 키운 결과라고 볼 수 있어요.

실험실 밖으로 나온 후보 물질, Synthecin

AI가 설계만 하고 끝났다면 그냥 컴퓨터 시뮬레이션에 불과했겠죠. 연구팀은 SyntheMol-RL이 골라낸 후보 중 하나를 실제로 합성해 'Synthecin'이라는 이름을 붙였어요. 이 물질은 물에 잘 녹는 성질 덕분에 국소용 크림으로 만들 수 있었고, 약물 내성 상처 감염에 걸린 생쥐 모델에 발라본 결과 감염을 효과적으로 억제하는 것으로 확인됐어요. 컴퓨터 안에서 나온 예측이 실제 생물학적 효과로까지 이어졌다는 게 이 연구의 핵심 성과예요. 물론 여기서 곧바로 "새 항생제가 나왔다"고 말하긴 일러요 — 사람을 대상으로 한 임상시험까지는 아직 갈 길이 멀고, 지금 단계는 '유망한 후보를 찾아냈다'는 정도로 이해하는 게 정확해요.

460억 개를 만든 게 아니라 컴퓨터 안에서 뒤진 것이다 — 송쌤생명과학 자체 제작

왜 이 주제가 세특 소재로 좋은가

이 소재는 생명공학기술 단원에서 배우는 신약 개발 과정과 바로 연결되면서도, 생명과학 하나로 끝나지 않는다는 게 강점이에요. 항생제 작용 원리·미생물 내성 같은 생명과학 개념, 강화학습·생성형 AI 같은 컴퓨터공학 요소, 그리고 유기화학의 반응 규칙까지 한 소재 안에 자연스럽게 얽혀 있거든요. 생명과학·컴퓨터공학·화학 중 어느 진로로 좁히든 이 소재를 가져다 쓸 수 있고, "AI가 설계한 물질을 실제로 합성해서 검증하기까지의 전체 과정"을 정리하면 단순 암기가 아니라 연구 프로세스를 이해하는 탐구로 보여줄 수 있어요.

탐구 방향성 제안

• 문헌조사 방향: "generative AI drug discovery", "reinforcement learning molecule design" 키워드로 최신 연구 흐름을 조사하고, Stokes 교수의 2020년 할리신(halicin) 연구와 이번 SyntheMol-RL 연구를 시간순으로 비교해보면 AI 신약 설계 기술이 어떻게 발전해왔는지 잘 드러납니다.
• 자료 정리 아이디어: 전통적 신약 스크리닝 방식과 AI 기반 생성형 설계 방식을 "탐색 가능한 화합물 수 / 소요 시간 / 필요한 실험 인력" 기준으로 비교표를 만들어보면 발표 자료로 유용합니다.
• 결과 해석 시 유의할 점: Synthecin은 아직 생쥐 실험 단계이지 사람에게 쓸 수 있는 항생제로 승인된 게 아니라는 점을 분명히 하세요. "AI가 항생제를 만들었다"는 식으로 과장하지 않고, "AI가 유망한 후보를 찾아냈고 동물실험으로 1차 검증했다"는 정확한 단계로 서술하는 게 신뢰도를 높입니다.

세특 기록에 이렇게 녹일 수 있어요

실제 세특은 선생님이 학생의 활동을 관찰하고 기록하는 글이라, 자기소개서처럼 1인칭으로 쓰지 않습니다. 아래는 탐구 활동을 어떤 흐름으로 정리하면 좋을지 참고하기 위한 예시예요.

활동 계기: 항생제 내성 문제의 심각성을 접하고 "신약 후보를 더 빠르게 찾아낼 방법은 없을까"라는 의문을 갖고 최신 연구를 자발적으로 조사함.
탐구 내용: 강화학습 기반 생성형 AI 'SyntheMol-RL'이 460억 개 화합물 공간을 탐색해 항생제 후보를 설계하고 동물실험으로 검증한 과정을 조사하고, 이를 기존 실험실 스크리닝 방식과 비교해 정리함.
드러난 역량: 생명과학 지식과 인공지능·화학 지식을 연결해 융합적으로 이해하는 태도를 보였으며, 연구 결과를 과장 없이 단계별로 정확하게 해석하려는 신중한 태도를 드러냄.
후속 연계: (생명공학, 컴퓨터공학, 화학 등 진로 방향에 맞춰) 항생제 작용 기전·신약 개발 임상시험 단계 등 후속 개념 탐구로 확장 가능.

위 문장은 강조하면 좋을 포인트를 잡기 위한 예시일 뿐이에요. 실제 세특 문장은 선생님이 수업·발표 중 관찰한 내용을 바탕으로 작성합니다.

더 깊이 들어가기

• 항생제의 작용 기전 — 세포벽 합성 억제, 단백질 합성 억제 등 항생제가 세균을 죽이거나 억제하는 다양한 방식과, 세균이 내성을 얻는 원리(효소 분해, 표적 변형, 배출 펌프 등)
• 할리신(halicin, 2020)부터 SyntheMol-RL(2026)까지 — AI 신약 설계 기술이 짧은 시간 안에 어떻게 발전해왔는지 시간순으로 정리해보기
• 신약이 실험실을 나와 실제 처방약이 되기까지 — 전임상시험(동물실험)부터 임상 1~3상까지, Synthecin이 지금 어느 단계에 있는지 짚어보기