안녕하세요. 과학커뮤니케이터 울림입니다. 오늘 <톡톡인터뷰>에선 NAMs(New Approach Methods, 신규접근법, 동물대체 시험법)에 대해 다뤄보려고 하는데요. 

특히 NAMs와 AI에 대해 카이스트 김대수 교수님과 얘기 나눠보려고 합니다. 

안녕하세요. KAIST 뇌인지과학과 김대수입니다. 저는 KAIST에서 뇌와 행동에 관한 과학을 가르치고 있고 개인적으로는 뇌 질환 치료제 개발을 위한 회사를 경영하고 있습니다. 또한, 제자가 창업한 인공지능 회사에 공동 창업자로 참여해 연구 성과의 실용화를 위한 작업도 함께 진행하고 있습니다. 

저는 1993년 대학원 시절부터 지금까지 줄곧 동물 실험을 해왔습니다. 쥐를 대상으로 유전자 편집, 뇌 질환 연구, 신경회로 분석 등 다양한 연구를 해 왔고, 최근에는 파킨슨병과 같은 난치성 퇴행성 뇌 질환 치료제를 개발하고 있습니다.  또 뇌가 어떻게 우리 몸과 근육을 어떻게 움직이는지, 행동에 관해서 연구하고 있습니다. 특히 동물의 사냥 행동을 집중적으로 연구하는데, 사람으로 치면 생존을 위해 열심히 일하는 것과 같은 이치입니다. (본능에 가까운 행동인가요?) 그렇습니다. 그런 본능 조절 신경회로를 연구하고 있습니다. 

최근에는 AI 기술을 도입해서 행동 데이터를 분석하고, 그 안에서 유용한 지식을 도출하는 연구에 집중하고 있습니다. 과거의 동물 실험은 사람이 일일이 수작업으로 해야 했습니다. 동물을 그냥 두면 너무 많이 움직여서 데이터가 복잡해지므로 해석이 어려워져요. 그래서 미로를 만들어서 좌우 선택만 하게 하거나 머리를 고정하고 팔만 뻗게 하는 식의 제한된 실험을 하던 게 고전적인 동물 연구 방법입니다. 약물 실험도 마찬가지였어요. 통계 분석을 위해 변수를 줄여야 했기 때문에 쥐가 환경에 적응하고 학습시키는데 많은 시간이 걸렸어요. 그렇게 하면 많은 쥐가 희생되어야 했고, 그럼에도 얻을 수 있는 정보가 제한적이었습니다.

AI 기술은 획기적입니다. AI는 동물의 행동을 마치 언어처럼 정교하게 읽어냅니다. 그래서 굳이 쥐를 선행 학습 시키지 않아도 약물의 효과를 즉각 분별해 낼 수 있고 복잡한 행동도 정량화할 수 있습니다. 덕분에 최소한의 동물을 희생시키면서 아주 유용한 결과를 뽑아낼 수 있게 되었습니다. 

가장 큰 계기는 10여 년 전쯤 연구실 학생들의 현실적인 어려움에 대해 들었기 때문입니다. 학생들이 쥐 실험은 재밌는데 나중에 쥐 행동을 분석할 때 쥐의 움직임을 적어도 한 마리에 30분씩은 봐야 합니다. 또 통계를 내려면 최소 두 명 이상의 연구원이 교차 검증해야 하니, 분석해야 하는 대상이 10마리면 300분, 그 이상이면 수십 시간을 모니터 속 까만 쥐를 바라보며 씨름해야 합니다. ‘이건 사람이 할 일이 아니구나. 이걸 자동화했으면 좋겠다’라고 생각하게 됐습니다. 자연스러운 행동 분석을 자동화할 방법이 없을지 고민하고 쥐의 다리에 센서를 붙여보는 등 여러 가지 방법을 시도해 봤지만 모두 실패했어요. 그렇게 고민이 깊어지던 때 알파고와 이세돌의 세기의 대국이 펼쳐지면서 인공지능 시대가 열렸습니다. 

그리고 제가 2012년에 다보스포럼에 참석했는데 4차산업혁명 시대가 왔다는 선포도 되고 이런 시대적 흐름을 보면서 인공지능을 우리 연구에 도입하면 학생들이 단순 반복 노동에서 벗어나 효율적으로 연구할 수 있겠다는 확신이 들어 이런 동기로 시작하게 됐습니다. 

핵심 기술은 Large Language Model(거대언어모델)과 같은 생성형 AI입니다. 원래 언어를 학습하는 모델이었는데, 언어라는 게 단어의 순서, 배열이다 보니 데이터의 순서를 파악하는데 탁월합니다. 이를 시계열 데이터(Time-series data)라고 부르는데 인공지능은 시계열 데이터 분석을 굉장히 잘합니다. 흥미롭게도 생물학 데이터 역시 본질적으로 시계열 데이터입니다. 세포의 분열과 사멸, 발생, 동물의 행동 패턴까지 시간별로 변화하는 연속적인 변화이기 때문입니다. 따라서 시계열 분석에 강한 생성형 AI는 생명 현상을 분석하는 데 최적의 도구입니다. 

조금 더 철학적으로 접근하면 자연은 다 언어로 이루어져 있다고도 볼 수 있습니다. 우리가 논문을 쓰는 것도 자연의 현상을 인간의 언어로 번역해서 쓰는 과정이니까요. 하지만 자연의 언어는 양이 너무 많기도 하고 우리가 볼 수 없을 만큼 작은 글씨로 돼 있어서 인간의 인지 능력으로는 한계가 있습니다. 하지만 인공지능은 다릅니다. AI는 인간이 볼 수 없던 작은 글씨도 볼 수 있고, 분석해야 하는 양이 많아도 얼마든지 많은 양의 데이터도 문제없이 처리할 수 있습니다. 즉, AI는 그래서 지금까지 인간이 했던 일을 편리하게 대체해 주는 데서 더 나아가 우리가 볼 수 없었던 물리적 세계에 대한 데이터와 언어적 요소를 파악해 우리에게 알려주는 완전히 새로운 연구 시스템이라고 할 수 있습니다. 

당연히 인간이 평가하는 기준을 인공지능에 학습시키면 정확하게 평가해 냅니다. 결론을 말씀드리자면 AI는 인간의 평가 능력을 단순히 모사하는 수준을 넘어섰습니다. 특히 인간의 눈에는 보이지 않는 규칙성을 찾아낸다는 점이 주목할 만한데요. 우리 눈에는 무작위적으로 움직이는 것처럼 보이는 행동 속에서도 AI는 정교한 패턴을 읽어냅니다. 

예를 들어, 정상 쥐와 치매 쥐를 같이 본다고 가정해 봅시다. 사람의 눈으로는 그 쥐의 행동 차이를 구별하기가 힘듭니다. 그런데 인공지능은 5분 안에 행동 패턴 분석을 통해 어떤 쥐가 치매에 걸렸는지 정확히 판별해 냅니다. 단순히 2마리의 차이만 찾는 게 아니라 그룹 형태로 많은 숫자를 넣어줘도 두 그룹 간의 미세한 차이를 세밀하게 알려줍니다. 

앞으로는 연구자와 AI가 대화를 통해 상호작용 하면서 연구하는 시대가 올 겁니다. (지금 들었을 땐 이미 동물실험을 충분히 대체할만하다 기술력으론 이미 능가했다고 느껴집니다.) 

여기서 대체한다는 것의 의미를 제대로 알려면 동물 윤리법 3R을 살펴봐야 합니다. 

3R은 과거부터 동물실험 연구자들이 동물실험 윤리 규정으로 약속한 감소 서로 윤리적으로 약속한 규정입니다. Reduce(감소), Refinement(개선), Replacement(대체)를 말합니다. 

첫째, Reduce는 실험에 희생되는 동물의 수를 최소한으로 줄이는 것입니다. 둘째 Refinement는 정교한 통계 기법과 기술을 활용해 한 번의 실험에서 최대한 많은 데이터를 확보해 불필요한 반복 실험과 동물의 고통을 줄이는 것입니다. 셋째 Replacement는 동물실험을 하지 않고도 연구할 방법이 있으면 그것으로 대신하라는 원칙입니다. AI 기술이 바로 여기에 해당합니다. 

인공지능 기술을 통해 가상의 세포나 가상의 동물을 만들어 실험하는 가상 시뮬레이션이 먼 미래의 목표라면, 현재 할 수 있는 일은 iPS(유도만능줄기세포, induced Pluripotent Stem Cell)와 오가노이드(장기 유사체) 기술이 있습니다. 환자의 조직을 배양해 만든 미니 장기로 약물 반응을 테스트해 볼 수 있습니다. 

최근 흐름도 바뀌고 있는데요. 미국 FDA에서 이제 반드시 동물실험을 거치지 않았더라도, 오가노이드 등 합리적인 대체 시험법을 제시하고 효능을 입증하면 신약 허가를 내주겠다는 입장입니다. 

역설적으로 AI가 동물을 대체하기 위해선 당분간 더 정교한 동물실험이 필요합니다.  가장 큰 한계는 AI는 데이터를 기반으로 움직이기 때문에 동물실험을 대체하기 위해선 지금보다 훨씬 더 많은 데이터가 있어야 한다는 점입니다. (완전히 대체하기까지는 시간, 그리고 많은 동물 실험이 필요하다는 말씀이군요.) 일부러 희생시킬 필요는 없지만 개발단계에선 병행되어야 합니다. 인공지능이 예측한 결과가 맞는지를 확인할 수 있어야 하니까요. 예를 들어 알파폴드 같은 그런 단백질 구조 예측 프로그램과 같은 여러 인공지능 프로그램으로 어떤 약물을 개발했다고 해봅시다. 그것만 믿고 사람에게 그 약을 바로 사용할 순 없습니다. 약물 독성 테스트를 위해 동물실험이 필요하거든요. 그래서 AI가 만들어낸 많은 후보 약물을 동물 시험을 통해 다시 인공지능이 예측한 것과 얼마나 맞느냐 그걸 또 학습시켜야 하는 절차가 필요합니다. 결과적으로는 동물실험이 점차 줄겠지만, 짧은 시간 안에 대체되는 건 아니고 점차 대체될 겁니다. 그렇게 하기 위해서 더 정교하고 계획된 동물실험을 해야 합니다. AI의 등장으로 동물실험의 중요성이 떨어졌다기 보다는 AI 학습을 위한 양질의 데이터를 제공하기 위해 오히려 동물실험을 더 정교하게 해야 하는 것이죠. 

또 다른 한계는 Overfitting(과적합)과 블랙박스 문제가 있습니다. 예를 들어 AI에게 치매 쥐와 정상 쥐의 자료를 주고 두 쥐를 구별하게 한다면 AI는 치매 유전자뿐 아니라 쥐의 생활 습관, 사소한 습관 등의 엉뚱한 특징(Feature)을 근거로 분류할 수도 있습니다. 예를 들면 ‘울림’님과 저의 비교를 맡긴다면 남녀의 차이뿐 아니라 굉장히 많은 차이를 다 분석하는데 AI가 어떻게 이 두사람을 다르다고 인식하는지를 모릅니다. (인공지능의 블랙박스 영역 때문이군요.) 

마지막으로는 AI가 가진 고정된 구조의 한계입니다. 사람은 열심히 가르치면 생각이나 철학도 바뀌잖아요. 학습을 통해 뇌 구조가 변하는 신경가소성이란 특성 때문에 역사적 맥락과 철학과 같은 요소들로 사고를 확장합니다. 그런데 인공지능은 신경회로 자체가 바뀔 수 있는 게 아니고 고정된 구조입니다. 만약 사고가 확장된다고 느낀다면 바뀌는 척만 하는 거예요. 어떤 과학이나 실험에선 실험의 목적, 역사적인 맥락, 또 철학이 들어가야 하는데 그런 건 인공지능이 못합니다. 이미 만들어진 신경망 구조를 활용하고 학습된 걸 활용하기 때문에 그렇습니다. 

제가 왜 이 말씀을 드리냐면 앞으로 Cancer 모델이나 뇌 질환 모델을 만들려면 특화되게 학습을 시키는 과정이 필요한데 여전히 학습을 시킬 데이터는 부족하고 또 AI는 한계가 분명하기 때문에 이런 것을 앞으로 극복해 나가는 많은 여정이 있을 것이다 그런데  그렇게 시간이 오래 걸리진 않을 것이라고 말하고 싶어요. 

당연히 나아가야 할 방향입니다. 더 중요한 것은 대체하는 정도의 수준이 아니라 훨씬 더 많은 정보와 가치를 제공한다는 것입니다. 

우리 연구팀이 개발한 아바타(AVATAR)라는 동물행동 분석프로그램으로 예를 들어보겠습니다. 기존 비디오 분석은 동물을 단편적인 시각에서만 볼 수 있었습니다. 하지만 AI 기반의 아바타는 위, 아래, 심지어 돌려가면서도 볼 수 있고 분석할 수 있습니다. 더 정밀하고 정확하게 행동 분석을 할 수 있기 때문에 결과의 신뢰도가 향상하고, 자연스럽게 실험동물의 수도 줄일 수 있습니다. 또한 이 기술은 동물뿐 아니라 사람의 약물 반응을 모니터링하는 임상 영역으로까지 확장할 수 있습니다.

두 번째 의미는 객관성 확보입니다. 보통 신약을 개발하면 효능 입증을 위해 제삼자 기관인 CRO에 비싼 비용을 내고 실험을 의뢰합니다. 그런데 이것도 사람이 육안으로 판독한 것이기 때문에 결과에 대한 검증이 어렵고 주관이 개입될 여지가 있습니다. 반면 AI는 객관성 측면에서 크게 기여할 수 있다고 생각하고 사람이 할 수 있는 오류라든지 오차를 보완할 수 있습니다. 결국 AI 도입은 데이터 해석의 비용을 낮추면서도 과학적 정밀함과 객관성이라는 두 마리 토끼를 잡는 길이라고 생각합니다. 

앞으로는 생물학 전반에 AI가 적용될 것입니다. 실제로 비전(Vision) AI는 세포와 조직 단계에 다 적용할 수 있고요. LLM은 생물학의 시계열 데이터 분석에 탁월합니다. 

가장 핵심적 진화 방향은 멀티모달 데이터 통합(Multimodal Data Integration)입니다. 예를 들어, 단백질 구조를 예측하는 알파폴드(alpha fold)가 더 발전하면 단백질 구조를 넘어서서 거기에 붙을 수 있는 약물의 구조, 작용기도 예측할 수 있고 나중에는 세포, 조직, 개체 단계에서 독성과 효능까지 예측할 수 있게 됩니다. 지금까진 우린 세포는 세포끼리, 조직은 조직끼리 같은 차원에서만 비교했습니다. 하지만 멀티모달 기술이 완성되면  시험관 실험 결과, 환자의 임상 결과, 약물의 효과 등 서로 다른 차원의 데이터를 종합적으로 연결해 분석할 수 있게 됩니다. 엄청난 시간과 비용 단축 그리고 경제적, 산업적인 파급 효과가 클 것이라 기대됩니다. 

근데 그건 장밋빛 전망이고 장애물도 있습니다.  먼저 고품질(High Quality) 데이터의 부재입니다. 기존 데이터는 단순화(binary)된 정보가 대부분입니다. 인공지능에 학습시킬 수 있는 데이터가 쌓여온 게 아니기 때문이에요. 단순화된 데이터로는 AI를 학습시킬 수 없기 때문에 여러 개의 변수를 동시에 가지고 있는 입체적인 데이터가 필요합니다. 그래서 앞으로는 AI 학습을 염두에 둔 실험 설계가 필요합니다. 

두 번째는 인프라 조성입니다. 방대한 생물학적 데이터의 연산 처리를 위해서는 AI 칩과 인프라가 지금보다 훨씬 커져야 합니다. 지금도 충분히 많이 커졌는데도 더 커져야 합니다. 인공지능 발전뿐 아니라 데이터, 인프라가 같이 따라가 줘야 하고요. 그럼에도 불구하고 데이터가 좋으면 지금보다 훨씬 성능이 낮은 인공지능도 훨씬 더 좋은 결과를 낼 수 있다는 걸 기억해야 합니다. 여기서도 인간의 역할이 중요한데요. AI에게 공급할 정교한 데이터를 기획하고 공급하는 일은 사람이 해야 할 일이고 그건 고도의 전문 영역이 될 거예요. 

그건 규정에 따라서 이루어질 것으로 보는데요. 규제는 사회적 합의와 세계적인 데이터나 트렌드에 따라 만들어 지기 때문에 시대에 맞춰서 변합니다. 모든 기술 발전은 규제가 있을 때 그걸 뛰어넘으려는 시도에서 이루어졌습니다. 그래서 규제의 질이 중요합니다. 규제 기관에 부탁드리고 싶은 건 새로운 기술의 싹을 자르는 규제가 되어선 안 된다는 것입니다. 국민의 안전은 충분히 보호하면서도 과학자들이 새로운 기술로 장벽을 뛰어넘을 수 있도록 명확하고 합리적인 가이드라인을 제시하는 게 중요하다고 봅니다.

인간 모델의 한계를 오가노이드가 채워줄 것이라고 생각합니다. 하지만 이를 검증하기 위해선 역설적으로 더 정교한 동물 실험이 필요합니다. 

인간 대상 실험은 윤리적 제약과 개개인의 유전적 다양성 때문에 마음대로 데이터를 얻기 어렵습니다. 이에 대한 대책으로 오가노이드(Organoid, 장기유사체)가 중요하다고 생각합니다. 환자의 특성을 반영하면서 자유롭게 실험할 수 있기 때문입니다. 

하지만 오가노이드를 오랜 시간 연구했음에도 불구하고 아직도 문제점이 많이 있습니다. 오가노이드가 실제 장기의 복잡성을 100% 반영하느냐고 묻는다면 대답은 아직 미지수입니다. 그래서 교차 검증이 필수적이고 그래서 동물 실험이 필요합니다. 동물 실험과 오가노이드 데이터를 비교해 오가노이드가 실제 생체 반응을 정확히 구현하는지 확인해야 합니다. 

즉 동물 실험을 대체하는 데까지 나가기 위해선 신뢰할 수 있는 대체재를 만들기 위해 지금보다 더 적극적이고 정교한 동물 실험을 수행해야 한다는 결론입니다.
 

Q. 마지막으로 향후 연구 비전과 이 시대를 살아가는 학생, 그리고 대중들에게 전하고 싶은 메시지가 있을지 말씀 부탁드립니다.
 

제가 연구를 한 시간을 돌아봤더니 카이스트에서만 21년이 넘었고, 전체를 보면 30년 동안 연구를 해왔더라고요. 이제는 그런 연구 성과들이 뇌 질환, 희귀 난치병 환자들에게 실질적인 도움이 되도록 임상과 사업화에 집중하고 있습니다. 내년이나 후년에는 임상에 들어가고 그에 따른 결과들을 볼 수 있을 거라 굉장히 기대를 가지고 있습니다. 

학생들이나 대중들에게 드리고 싶은 말씀은 지금은 여러 기술의 발달로 꿈을 현실로 만들 수 있는 최고의 시대라는 것입니다. 옛날에는 비전이라는 게 닿을 수 없는 이상 같은 은 걸로 느꼈다면, 지금은 기술과 사회의 고도화로 마음만 먹으면 성취할 수 있는 환경이 되었어요. 바로 오늘부터 내가 어떤 꿈이 있고 하고 싶은 일이 있으면 바로 실행하고 실행하려면 어떻게 해야 하는지 챗 GPT나 주변 사람들에게 물어보고 내가 가장 빠르게 할 수 있는 일이 뭔지도 생각해 보세요. 구체적인 질문을 던지면 우리 뇌는 알아서 방법을 찾습니다. 꿈과 비전에 대해서 막연하게 생각만 하지 말고 실제로 이것들을 어떻게 실현해야 하지 이런 질문을 던지면 많은 길이 열린다는 얘길 전하고 싶어요. 또 내가 제일 잘 하고, 되고 싶은 걸 잘 준비하다 보면 사회가 빨리 변하면서 그 시대가 왔을 때 잡기만 하면 되는 거라고도 말하고 싶어요. 

(끝)

----------

인터뷰이 : 김대수 (KAIST 뇌인지과학과 교수) 

---------

인터뷰어 : 울림 (황승현)