Esm3 기술: ‘인류의 5억년진화를앞당길기술’ 심층분석
ai가 단백질까지 디자인?
인류의 5억 년 진화
1. Esm3의핵심개념과작동원리
Esm3(EvolutionaryScale Model 3)은 단백질을 설계하기 위한 생성형 AI 언어 모델입니다. 알파폴드2처럼 주어진 단백질 서열로 구조를 예측하는 것이 아니라, 단백질의 서열·구조·기능을 모두 고려해 새로운 단백질을 “창작”해내는 것이 특징입니다 . 이 모델은 트랜스포머(Transformer) 기반의 거대 언어 모델로, 사람이 언어를 학습하듯 **생물학 “언어”**를 학습합니다 . 구체적으로, 3가지 트랙의 방대한 데이터를 학습했는데, 약 31.5억 개의 단백질 서열, 2억3천6백만 개의 단백질 3D 구조, 5억3천9백만 개의 단백질 기능 주석을 토큰화해 총 7,710억 개의 토큰으로 학습했습니다 . 이는 인류 진화 5억 년분에 해당하는 생물학적 지식을 AI에게 가르친 것과 같다고 연구진은 설명합니다 .
Esm3 모델의 개략적인 구조. 서열(Sequence), 구조(Structure), **기능(Function)**의 세 가지 입력이 각각 다른 “알파벳”으로 인코딩되어 트랜스포머 모델에 투입된다 . 이 멀티모달(Multimodal) 모델은 지오메트릭 어텐션 등 구조 정보를 반영한 기법을 통해 각 입력 간의 복잡한 상관관계를 학습한다. 그 결과 모델은 주어진 **프롬프트(지시문)**에 따라 새로운 단백질의 아미노산 서열을 생성하면서, 동시에 예상되는 3차원 구조와 기능적 특성까지 추론해낸다. 이러한 과정은 마치 방대한 생물학 지식을 바탕으로 “단백질을 프로그래밍”하는 것과 같다 . 쉽게 말해, Esm3는 ChatGPT가 언어로 시를 짓듯이, 단백질 세계의 방대한 규칙을 터득하여 새로운 단백질을 ‘창작’하는 AI인 셈입니다 .
Esm3의 작동 원리를 이해하기 위해 진화 과정을 떠올려볼 수 있습니다. 자연에서는 돌연변이와 자연선택을 통해 수백만 년에 걸쳐 단백질 서열과 구조가 변이되어 왔습니다. Esm3는 이러한 진화의 패턴을 배워서, 미래에 등장할 법한 단백질 서열을 상상해냅니다 . 연구진은 이를 **“진화 시뮬레이션”**이라 부르며, Esm3가 가상의 시간 속에서 단백질을 진화시키는 역할을 한다고 설명합니다 . 이때 모델은 단순 무작위 변이가 아니라, 배운 진화 법칙에 따라 일어날 법한 변화를 예측합니다. 예를 들어 어떤 단백질에 새로운 기능을 부여하려고 할 때, 기존 자연계 데이터에서는 드물지만 진화적으로 가능성 있는 변이 조합을 생성해낼 수 있습니다 . 이는 일종의 생물학적 체인-오브-쏘트(chain-of-thought) 기법으로, 모델이 단계별로 아이디어를 발전시켜 더 복잡한 설계를 한다는 점도 보고되었습니다 .
Esm3 모델은 메타(Meta) AI 연구진 출신들이 창업한 **에볼루셔너리스케일(EvolutionaryScale)**이 개발했습니다 . 메타의 단백질 AI 프로젝트(ESM 시리즈)의 연장선으로 볼 수 있으며, 이전 버전인 ESM-2 등 언어 모델 기반 생물학 AI의 발전된 형태입니다. Esm3는 현재 소형, 중형, 대형 3가지 버전으로 제공되는데, 소형 모델(약 14억 매개변수)은 오픈소스로 공개되어 연구 목적에 활용 가능하고, **대형 모델(약 980억 매개변수)**은 상업적 API를 통해 접근할 수 있습니다 . 이를 통해 연구자들은 작은 규모로 실험을 해볼 수도 있고, 기업은 클라우드 플랫폼(예: NVIDIA BioNeMo나 AWS)을 통해 거대 모델의 능력을 활용할 수도 있습니다 .
요약하면, **Esm3의 핵심 개념은 “AI를 활용한 가속 진화”**입니다. 인공지능이 수십억 개 생명체의 데이터를 학습하여 진화의 언어를 터득했고, 이를 바탕으로 유전공학적으로 의미 있는 새 단백질을 설계할 수 있게 되었습니다 . 이 기술에는 AI의 딥러닝, 언어 모델, 단백질 구조 예측(생물정보학), 합성생물학 개념이 모두 융합되어 있으며, 결과적으로 인간이 상상하기 어려운 새로운 생체 분자 설계가 가능해지고 있습니다.
2. Esm3 기술의실제적용사례와과학적근거
Esm3의 능력은 최근 **녹색 형광 단백질(GFP)**의 새로운 변종을 만들어낸 사례로 입증되었습니다. 연구팀은 Esm3에게 **“밝은 형광을 내는 새로운 단백질을 설계하라”**는 프롬프트를 주었고, 모델은 다양한 후보 단백질 서열을 생성했습니다 . 그 중에서 가장 우수하다고 판단된 서열을 실제로 합성하여 단백질을 만들어보니, 예상대로 강한 녹색 형광을 발하는 새로운 단백질이 얻어졌습니다 . 연구진은 이 단백질을 **“esmGFP”**라고 명명했는데, 이는 현재 자연계에 존재하는 어떤 형광단백질과도 서열의 절반 이상(42%)이 다르게 완전히 새롭게 디자인된 단백질입니다 .
구체적으로 esmGFP의 아미노산 서열은 가장 가까운 천연 GFP 계열 단백질과 58%만 일치하고, 나머지 42%는 자연에 없는 조합입니다 . 그럼에도 이 단백질은 천연 GFP에 버금가는 밝은 형광을 발현했고, 구조도 안정적으로 형성됨이 확인되었습니다 . 즉, AI가 자연에 없는 단백질을 설계했고, 그것이 실제 기능을 발휘한다는 사실을 증명한 것입니다.
연구팀은 이 결과를 두고 **“약 5억 년의 진화를 모방한 것과 같다”**고 표현했습니다 . 이는 단순한 비유가 아니라 과학적 분석에 근거한 추정입니다. esmGFP의 서열이 기존 단백질들과 얼마나 떨어져 있는지 계통발생학적 거리를 계산해보니, 자연 상태에서 이 정도의 차이가 축적되려면 약 5억 년의 진화 기간이 필요하다는 결론이 나온 것입니다 . 다시 말해, Esm3가 몇 달 만에 찾아낸 단백질을 자연은 5억 년에 걸쳐서야 우연히 만들어낼 수 있을 법하다는 뜻입니다. 이처럼 AI가 진화를 가속시켜 인류에게 유용한 생체물질을 단시간에 창조할 수 있다는 것을 입증한 사례라 할 수 있습니다 .
Esm3로 설계된 새로운 녹색 형광 단백질(esmGFP)의 3차원 구조 모델. 녹색 빛을 내는 부분이 가운데에 있으며, 나선과 판 구조가 복잡하게 얽혀 있다. 이 단백질은 자연계의 GFP와 **유전적 유사성이 58%**에 불과하지만 거의 동일한 밝기의 형광을 나타낸다 . 연구진은 실험실에서 이 단백질을 합성하여 형광 특성을 검증했고, 이를 통해 AI 설계 단백질이 현실에서도 기능할 수 있음을 보여주었다 .
의료 및 생명공학 분야에서는 이 기술의 잠재적 응용 사례가 무궁무진합니다. 예를 들어, 신약 개발에서 특정 질병의 표적을 겨냥하는 맞춤형 단백질 치료제를 설계할 수 있습니다. 전통적으로 신약 후보 단백질을 찾기 위해 자연에서 유래한 수많은 변이를 시험해야 했지만, Esm3는 바로 원하는 특성을 지닌 단백질을 제안함으로써 개발 기간을 단축시킬 수 있습니다 . 실제로 연구진은 “우리 모델은 약물 발견의 가속화부터 환경에서 플라스틱을 분해하는 미생물 엔지니어링까지 광범위하게 활용될 것”이라고 전망했습니다 . 이는 Esm3 같은 AI로 특정 효소를 안정화하거나 새로운 대사경로를 설계하여, 기존에 불가능했던 오염 물질 분해나 탄소 포집 기능을 지닌 단백질을 만들어낼 수 있음을 시사합니다 .
또 다른 적용 분야로 의료 진단 및 연구를 들 수 있습니다. 형광 단백질 사례에서 보듯이, 더 다양한 색과 성질을 가진 형광 단백질을 만들면 생체 세포 연구에 큰 도움이 됩니다 . 세포 내에서 여러 신호를 동시에 추적하거나 고해상도 이미징을 하는 등, 생명과학 연구 도구로서 새로운 단백질을 설계할 수 있습니다. 이처럼 AI 기반 단백질 디자인은 합성생물학과 만나 생체 센서, 나노머신, 인공 효소 등을 제작하는 데 기여할 전망입니다.
과학적 근거 측면에서, Esm3로 생성된 단백질들은 실험적으로 엄밀한 검증을 거칩니다. 모델이 제시한 서열대로 합성한 단백질이 예측된 구조로 접히는지, 의도한 기능을 발휘하는지 등을 실험실에서 확인해야 합니다. 이번 esmGFP 연구에서는 실제로 합성한 단백질의 형광스펙트럼과 안정성을 측정해, 자연산 GFP와 동등한 성능을 지님을 보여주었습니다 . 이러한 실험적 검증이 뒷받침되었기 때문에 AI가 만든 단백질이라는 과학적 신뢰성을 확보할 수 있었습니다. 물론 모든 생성 단백질이 성공하는 것은 아니며, 모델이 제안한 많은 서열 중 극히 일부만 기능적일 수도 있습니다 . 하지만 AI는 인간이 시도할 수 있는 범위를 크게 넓혀주기에, 과학적 탐구의 속도를 혁신적으로 높여주는 도구로 평가받고 있습니다 .
3. ‘인류 5억년진화’ 개념의의미
**“인류의 5억 년 진화를 앞당긴 기술”**이라는 표현은 Esm3 기술이 미치는 충격을 드라마틱하게 설명한 것입니다. 여기서 5억 년이라는 숫자는 앞서 언급한 대로 esmGFP 단백질의 진화 거리에서 나온 것입니다 . 연구진은 새로운 단백질이 기존 단백질들과 약 5억 년의 분기 시간 만큼 떨어져 있다고 추정했는데, 이를 빗대어 “AI가 5억 년의 진화를 시뮬레이션했다”고 표현했습니다 . 따라서 이 문구는 과장된 비유라기보다는, 과학적 결과를 대중이 이해하기 쉽게 풀어낸 캐치프레이즈라고 볼 수 있습니다.
엄밀히 말해, Esm3가 5억 년 동안 실제로 진화를 “재현”한 것은 아닙니다. 자연에서 5억 년은 수없는 세대 교체와 환경 변화, 돌연변이 축적으로 이루어지는 시간입니다. Esm3는 그런 과정을 하나하나 모사한 것이 아니라, **진화의 최종 산물들(현재 존재하는 수십억 개 단백질)**을 한꺼번에 배워서 일종의 단축된 진화 경로를 찾아낸 것입니다 . 즉 **진화를 “가속”**했다고 볼 수 있죠. 인간에게 5억 년은 상상도 할 수 없이 긴 시간이지만, AI는 그 기간 동안 일어날법한 변화를 데이터 속에서 패턴으로 간파해 단숨에 뛰어넘은 것입니다 . 이런 맥락에서 **“5억 년 진화의 결과물을 클릭 한 번에 만들어냈다”**는 한국일보 표현 도 나온 것입니다.
이 개념은 가설적 시뮬레이션이라기보다 비유적 설명입니다. Esm3 자체는 다윈식 진화 알고리즘(유전자 알고리즘처럼 세대별 변이+선택을 거치는)을 사용한 것은 아닙니다. 대신 언어 모델의 생성 능력으로 진화의 결과를 예측한 것이지요. 그러나 결과적으로 진화가 만들어낼 법한 단백질을 AI가 먼저 만들어냈으므로, 인류 입장에서 진화를 앞당겼다고 표현할 수 있습니다. 한편으로 이 말은 미래의 가능성을 시사하기도 합니다. 향후 AI 기술이 발전하면, 5억 년은커녕 몇 십억 년 동안 자연에 나타날 수 있는 생물학적 가능성까지 미리 탐험해볼 수 있다는 뜻입니다. 이는 인류 진화 자체에도 시사점을 주는데, 인간이 스스로의 생물학적 한계를 뛰어넘는 진화를 기술로 이뤄낼 수도 있음을 암시합니다.
다만 “인류의 5억 년 진화”라는 문구를 그대로 받아들여 인류 그 자체가 5억 년 진화했다는 뜻으로 오해해서는 안 됩니다. 여기서 진화의 주체는 개별 단백질이나 생물학적 기능이지, 인류 종(species) 전체의 진화가 아닙니다. 인류 진화라는 표현은 크게 보아 생명체 진화의 일부로서 은유적으로 쓴 것입니다. 따라서 현재로서는 비유적 표현이며, SF 소설처럼 실제로 인간이 순식간에 미래로 진화한다는 개념은 아닙니다. 다만, 유전공학과 AI의 결합이 인류의 미래 모습까지 바꿀 수 있다는 가능성을 내포한 슬로건이기도 합니다.
이러한 수사는 기술 홍보나 기사 제목에서 흔히 사용됩니다. 예를 들어 “진화를 가속”, “창조주 흉내” 등의 표현이 나오는 이유는, 그만큼 Esm3의 성과가 획기적이라는 점을 강조하기 위함입니다. 실제 연구 논문에서도 저자들은 “언어 모델이 진화 시뮬레이터처럼 행동했다” 고 표현하고 있습니다. 즉, AI가 진화를 흉내내는 새 시대가 열렸다는 것입니다. 결론적으로, ‘인류 5억 년 진화’란 말은 Esm3 기술의 파급력을 상징적으로 나타낸 것으로, AI가 생물학적 시간 스케일을 압축해버린 놀라운 능력을 가리킵니다.
4. 관련기업및연구동향, 협업사례
Esm3를 개발한 EvolutionaryScale은 메타 AI 연구소 출신 인력들이 주축이 되어 미국 뉴욕에서 창업한 스타트업입니다 . 메타의 단백질 접힘 팀이 해체된 후, 그 핵심 멤버들이 독립하여 연구를 이어간 결과물이 Esm3라고 알려져 있습니다 . 이들은 2024년 대규모 투자 유치를 통해 약 **1억4,200만 달러(약 1,970억 원)**의 시드 자금을 확보했고, 해당 라운드에는 **엔비디아(NVIDIA)**와 아마존 웹서비스(AWS) 등 빅테크 기업들도 참여했습니다 . 엔비디아와 아마존이 투자한 것은 이 기술의 산업적 잠재력에 주목했기 때문이며, 실제로 Esm3 대형 모델은 엔비디아의 BioNeMo 클라우드 플랫폼에서 제공되는 등 협업이 이루어지고 있습니다 .
EvolutionaryScale은 또한 아크 연구소(Arc Institute) 및 UC 버클리 연구진과 협력하여 Science 학술지에 논문을 발표하는 등, 산학 협력의 형태로 연구를 진행했습니다 . 이러한 스타트업+연구소+대학 협업은 최첨단 AI 기술을 빠르게 생물학 연구에 접목하는 좋은 모델로 평가받습니다. 특히 아크 연구소는 실험생물학 측면에서 협력하여, Esm3가 설계한 단백질을 실제 합성하고 특성을 검증하는 역할을 맡았습니다 . 이는 AI 연구자들과 생명과학자들이 팀을 이루어 AI-생물학 융합 연구를 수행한 사례로, 앞으로도 이러한 형태의 협력이 늘어날 것으로 전망됩니다.
**메타(Meta)**는 원래 ESM 시리즈 모델을 개발했던 회사로, ESM-1b, ESM-2 등의 단백질 언어 모델을 공개한 바 있습니다. 하지만 2023년경 생물학 AI 연구를 일부 정리하면서 후속 연구를 직접 추진하지 않았고, 대신 인력들이 독립한 것으로 알려져 있습니다 . 한편 메타와 쌍벽을 이루는 **구글 딥마인드(Google DeepMind)**는 잘 알려진 AlphaFold2로 2023년 노벨화학상을 수상한 이후, 최근에는 AlphaFold3를 공개하며 단백질 생성과 기타 생체 분자 예측으로 연구를 확장하고 있습니다 . AlphaFold3는 단백질 구조 예측을 넘어 생체 분자 생성까지 영역을 넓혀 Esm3와 경쟁 구도를 형성하고 있으며, 구글의 자회사 **아이소모픽 랩스(Isomorphic Labs)**는 신약 개발을 위한 AI 플랫폼에 주력하고 있습니다 .
이밖에도 **오픈AI(OpenAI)**는 직접적인 단백질 AI 연구를 발표한 바는 없지만, GPT-4 등 범용 AI를 생물학 데이터 해석에 활용하는 시도들이 있습니다. 예컨대 DNA 서열을 자연어처럼 취급하여 GPT로 분석한다든지, 단백질 상호작용 예측에 대형 언어 모델을 응용하는 연구들이 외부 기관과의 협업으로 진행되고 있습니다. **MSR(Microsoft Research)**에서는 BioGPT 같은 생물학 텍스트 특화 언어모델을 공개하기도 했습니다. 또한 IBM 등도 합성생물학용 AI에 투자하고 있습니다. 즉, 빅테크 기업들이 앞다투어 AI를 생명과학에 접목하는 연구 트렌드가 형성된 상황입니다.
스타트업 생태계에서는 EvolutionaryScale 외에도 인실리코 메디슨(Insilico Medicine), 리커전(Recursion), 디ープ젠틱(Deep Genomics), Generate Biomedicines 등 AI 신약/단백질 디자인 기업들이 활발히 활동 중입니다 . 특히 Insilico Medicine은 AI로 새로운 약물 후보를 설계해 임상시험까지 진입했다고 발표했고 , Recursion은 대형 제약사와 파트너십을 통해 화합물과 단백질 상호작용을 탐색하는 등 산업계 협업을 이끌고 있습니다. 구글 딥마인드와 제휴한 영국의 엑소사이언스(Exscientia), 프랑스의 릭Curl 등의 기업도 AI로 약물을 디자인하는 플랫폼을 구축 중입니다.
협업 사례로 눈여겨볼 것은 NVIDIA의 BioNeMo 서비스입니다. NVIDIA는 AI 하드웨어 강점을 살려 여러 생물학 AI 모델(예: ESM3, AlphaFold)의 훈련과 제공을 지원하고 있습니다 . EvolutionaryScale도 NVIDIA와 협력하여 자사 모델을 최적화하고, BioNeMo를 통해 제약사 등 파트너들에게 서비스를 제공하고 있습니다. 클라우드 상에서 API 형태로 AI 생물학 모델을 제공하는 것은 중소 연구소나 기업들이 거대 모델을 쉽게 활용하도록 해주는 협업 형태입니다 . 또한 대학 연구실과 스타트업 간 인력 교류도 활발합니다. 예컨대 Esm3 논문의 제1저자인 토마스 헤이즈(Thomas Hayes)는 EvolutionaryScale의 연구원인 동시에 학계와도 공동 연구를 수행했습니다 . 이러한 인재와 자원의 공유가 Esm3 같은 혁신을 가능케 한 배경입니다.
요약하면, Esm3 기술의 등장은 AI×생명과학 분야의 경쟁에 불을 붙였고, 빅테크, 스타트업, 학계가 얽힌 복합적인 연구 동향이 전개되고 있습니다. Meta 출신들의 스타트업이 NVIDIA·AWS의 지원을 받고, Arc Institute·버클리 대학과 함께 Science 논문을 내는 한편, Google DeepMind와 Alphabet 계열사, 여러 AI 바이오 스타트업들이 각축전을 벌이고 있는 모습입니다 . 이 과정에서 협업과 투자, 개방과 독점 전략이 혼재되어 있으며, 궁극적으로는 의료 및 생명공학 혁신을 향해 모두 달려가고 있다는 공통점을 찾을 수 있습니다.
5. 윤리적·법적쟁점 (유전자편집, 기술독점, 안전성등)
Esm3와 같은 강력한 생명공학 기술에는 필연적으로 윤리 및 법적 논의가 따라옵니다. 첫째로, 유전자 편집 및 인간 개조와 관련한 윤리입니다. AI가 설계한 단백질을 이용해 인체 유전자를 편집하거나, 인간의 생물학적 능력을 향상시키는 방향으로 이용할 경우, 이는 인류 진화에 개입하는 중대한 윤리적 문제를 야기합니다. 예컨대 Esm3가 인간의 세포 신호를 극대화하는 단백질을 설계해서 인지 능력을 강화한다든지, 수명 연장과 관련된 단백질을 만들어낸다면, 이는 인간을 자연적 진화 경로 밖에서 변화시키는 일이 됩니다.
현재로서는 그런 연구는 초기 단계이지만, CRISPR 유전자 가위 등의 사례에서 보듯 인간의 유전자를 편집하는 기술이 실제로 등장했을 때 큰 논란이 있었습니다. 생명윤리 위원회와 국제 규범들은 인간 배아 단계의 유전자 조작 등에 엄격한 제한을 두고 있습니다. 마찬가지로, AI가 제안한 새로운 유전적 개입을 어디까지 허용할 것인가에 대한 사회적 합의가 필요합니다.
둘째, 기술 독점 및 공정성 이슈가 있습니다. Esm3 모델의 대형 버전은 막대한 자본과 인프라를 바탕으로 개발되었으며, 현재 소수 기업 및 기관에 의해 독점적으로 활용되고 있습니다 . 작은 버전이 공개되었다고는 하지만 완전한 기능을 제공하지는 못하며 , 최고의 성능은 EvolutionaryScale 사와 협력사들만 사용 가능한 상황입니다. 이는 생명공학 혁신의 혜택이 일부 기업에만 집중되고, 기술 격차가 벌어질 수 있다는 우려를 낳습니다. 신약 개발이나 환경 기술에 이 AI를 쓰고 싶어도, 소규모 연구팀은 접근하기 어려울 수 있습니다.
따라서 오픈소스화를 더 확대하거나, 공공 연구기관에서 대형 모델을 개발하여 공정 접근을 보장하는 방안도 고려되어야 합니다. 반대로, 기술의 남용 방지 측면에서 일부러 통제하는 것도 필요할 수 있습니다. 예컨대 누구나 이 모델을 마음대로 이용해 위험한 병원균 단백질을 개량하거나 독소를 강화하는 등 악용할 가능성도 있기 때문입니다.
실제로 2024년 초에는 AI 단백질 디자인의 듀얼유스(dual-use) 문제가 제기되어, 전세계 100여 명의 과학자들이 안전하고 윤리적인 사용을 촉구하는 선언문을 발표하기도 했습니다 . 이들은 AI로 합성 생물무기를 만들 위험성에 대비해, 사전 예방적 규제와 연구자들의 윤리 준수가 필요하다고 강조했습니다 . 유명 단백질 공학자인 데이비드 베이커(David Baker) 등은 “현재는 AI 단백질 기술의 이점이 위해성보다 훨씬 크지만, 기술이 발전함에 따라 악용 가능성에 대한 철저한 관리가 필요하다”고 언급했습니다 . 이에 따라 자율적인 안전 가이드라인이 만들어지고, 연구자 커뮤니티 내에서 결과 공개나 협업 시 위험성 평가를 강화하는 움직임이 있습니다.
셋째, 안전성 및 검증의 문제입니다. AI가 설계한 단백질이 의도치 않은 효과를 낼 가능성도 배제할 수 없습니다. 예를 들어 인체에 투여했을 때 강한 면역반응이나 부작용을 일으킬 수 있고, 환경에 방출될 경우 생태계 교란을 가져올 수도 있습니다. 따라서 철저한 동물실험과 임상시험, 환경 영향 평가 등이 반드시 뒤따라야 합니다. AI 모델은 데이터 상에서 “안전”해 보이는 것을 제시하지만, 실제 생물 환경에서는 예측 불가한 상호작용이 일어날 수 있습니다 .
또한 AI가 출력한 결과라고 해서 무조건 신뢰할 수 없으며, 인간 전문가의 검증이 필요합니다. 잘못된 목표 함수를 줬거나 데이터 편향이 있다면, AI는 우리가 원치 않는 방향으로 설계해버릴 수도 있습니다. 이러한 이유로 연구자들은 “AI가 제안한 단백질도 기존의 방법처럼 꼼꼼히 검증해야 하며, 겉보기 구조만 그럴듯하고 실제 작동하지 않을 수 있음”을 항상 염두에 두라고 조언합니다 .
법적 측면에서는 지식재산권과 규제 이슈도 거론됩니다. AI가 생성한 단백질 서열에 대해 특허를 인정할 것인지, 누구의 소유로 할 것인지 명확하지 않은 부분이 있습니다. 일반적으로는 새로운 단백질도 화합물 특허처럼 특허를 받을 수 있습니다. EvolutionaryScale 등은 자신들이 설계한 단백질에 대한 특허를 확보하려 할 것이고, 이는 신약 특허와 연결되어 거대한 상업적 가치를 갖습니다. 그런데 AI 자체는 오픈소스 부분도 있고 학습 데이터는 공공 데이터베이스에 기반하므로, 데이터 제공자의 권리나 공공재로서 활용 문제도 복잡하게 얽혀 있습니다.
향후 법제는 AI 산출물에 대한 특허 기준, 책임 소재 등을 다뤄야 할 것입니다. 또한 국가 간 바이오 기술 통제(예: 민감기술 수출 규제)도 논의될 수 있습니다. 어느 나라나 단체가 이 기술을 독점하면 안보 무기화 가능성까지 있기 때문에, 국제 협력을 통한 윤리 가이드라인 제정과 법적 규제 프레임워크 수립이 중요합니다.
마지막으로, 사회적 수용성과 철학적 쟁점도 있습니다. 인류가 자연의 진화 과정에 개입하여 새로운 생명체 구성 요소를 만들어내는 것에 대한 철학적 질문이 제기됩니다. “인간이 창조의 영역에 얼마나 관여해야 하는가?”, “자연에 존재하지 않던 생명 시스템을 만들어도 되는가?” 등의 물음입니다. 이러한 담론은 합성생물학 시대부터 이어져온 것으로, 과학 기술의 진보와 윤리적 성찰이 함께 가야 함을 일깨워줍니다. 결론적으로, Esm3 기술의 발전은 인류에게 커다란 혜택을 줄 것이 분명하지만, 그 혜택을 안전하고 모두에게 이롭게 사용할 수 있도록 하는 윤리·법적 장치를 마련하는 것 또한 필수적입니다.