DeepMind과 노화: 인공지능이 세포를 되돌리는 유전자를 찾아내다

매 10년 또는 20년마다, 별개로 발전해 온 두 분야가 충돌하여 영원히 변화시키는 순간이 있습니다. 컴퓨팅이 유전학을 만나 생물정보학을 창조했을 때가 그랬습니다. 이제 우리는 또 다시 그러한 순간을 목격하고 있습니다: 인공지능이 노화 생물학을 만나다.

2026년 5월 19일, AlphaFold와 AlphaGo를 탄생시킨 인공지능 연구소 Google DeepMind가 노화 분야에서의 새로운 작업 방향을 발표했습니다. 이 발표의 중심에는 Co-Scientist라는 도구가 있습니다: Gemini 모델 기반의 다중 에이전트(multi-agent) 인공지능 시스템으로, 과학 문헌을 스캔하고, 가설을 생성하며, 서로 비교하고 순위를 매기는 역할을 합니다. 연구팀은 이를 사용하여 노화된 세포를 더 젊은 상태로 되돌릴 수 있는 유전적 후보군(genetic leads)을 찾아냈습니다. 간단히 말해, 이 시스템은 수명 연구자들이 20년 동안 물어온 질문에 답하려고 시도했습니다: 세포의 나이를 리셋하려면 어떤 유전자를 켜거나 꺼야 하는가?

차이는 속도에 있습니다. 스크리닝 실험 데이터를 수만 편의 과학 논문과 연결하는 분석은 연구자에게 최대 6개월이 걸릴 수 있습니다. Co-Scientist를 사용하면 동일한 작업이 단 며칠로 단축됩니다. 이것은 치료제도 아직 약속도 아닙니다, 하지만 우리가 가능성의 공간을 좁히는 속도에 있어 극적인 도약입니다.

세포를 되돌리기 위한 유전적 후보군(genetic leads)이란 정확히 무엇인가?

팀이 무엇을 찾고 있었는지 이해하려면, 과학이 이미 세포 재생에 대해 알고 있는 것을 이해해야 합니다:

재프로그래밍(reprogramming): 2006년, Shinya Yamanaka는 단 4개의 유전자(OSKM)를 활성화하여 성숙한 세포를 줄기세포 상태로 되돌릴 수 있음을 보여주었습니다. 이것은 세포의 나이가 가역적이라는 증거였습니다.
부분 재프로그래밍(partial reprogramming): 세포의 정체성을 완전히 지우는 대신, 유전자를 짧은 시간 동안 활성화하여 줄기세포로 만들지 않고 '재생'시킵니다. 이렇게 하면 세포는 뉴런이나 피부 세포로 남아 있지만 더 젊어집니다.
유전적 후보군(genetic leads): 이것들은 이러한 재생을 달성할 높은 잠재력을 가진 후보 유전자 또는 유전자 조합입니다. 대다수는 아직 실험실에서 테스트되지 않았습니다.

문제는 검색 공간의 크기와 분산된 지식의 양입니다. 인간 게놈에는 약 20,000개의 유전자가 있으며, 그 기능에 대한 지식은 수만 편의 과학 논문에 흩어져 있습니다. 이러한 모든 실마리를 수동으로 연결하고 어떤 후보를 먼저 테스트할지 결정하는 데는 길고 긴 몇 달의 작업이 걸릴 수 있습니다. 바로 여기에 인공지능이 등장합니다.

인공지능과의 연결: 모든 문헌을 읽는 시스템

Co-Scientist가 무엇을 하고 무엇을 하지 않는지 이해하는 것이 중요합니다. 이것은 단백질의 3차원 구조를 예측하는 AlphaFold 유형의 모델이 아니며, 원시 생물학적 데이터에서 '수백만 가지 유전자 조합을 스캔'하지도 않습니다. 대신, 각 에이전트가 역할을 수행하는 다중 에이전트 시스템입니다. 한 에이전트는 가설을 생성하고, 다른 에이전트는 이를 비판하며, 또 다른 에이전트는 순위를 매기고 개선합니다. 모두 동일한 원료, 즉 기존 과학 문헌을 기반으로 작동합니다.

팀이 Co-Scientist에게 노화를 되돌릴 수 있는 인자를 문헌에서 찾도록 요청했을 때, 시스템은 수만 편의 논문을 스캔하고, 다양한 가설을 고려한 후, 최종적으로 테스트할 20개 이상의 새롭고 그럴듯한 유전적 인자를 제안했습니다. 실험실 실험은 시스템의 가설 중 일부를 검증했습니다: 추천된 인자 중 일부는 실제로 세포를 더 젊은 상태로 밀어붙였고 전반적인 기능이 개선되었습니다. 이렇게 AI는 연구자에게 초점을 제공합니다: 연구자가 직접 문헌의 바다를 걸러내는 대신, 먼저 테스트할 가치가 있는 간결하고 집중된 후보 목록을 받게 됩니다.

이러한 구분은 두 가지 유형의 도구를 혼동하기 쉽기 때문에 중요합니다. AlphaFold는 완전히 다른 문제인 구조 예측을 해결했으며, 이를 통해 팀장들은 2024년 노벨 화학상을 수상했습니다(아래 참조). 반면 Co-Scientist는 분산된 지식을 종합하고 방향을 제시하는 '연구 파트너'입니다. 둘 다 DeepMind의 제품이지만, 서로 다른 유형의 도구이며 다른 질문에 답합니다.

산업적 맥락도 중요합니다. DeepMind는 Alphabet(Google의 모회사)의 일부이며, Alphabet은 2013년에 특히 노화와 싸우기 위해 설립된 Calico라는 회사도 운영합니다. 계산 능력, 방대한 과학 문헌, 그리고 거의 무제한적인 자금의 결합은 바로 오늘날까지 수명 연장 분야에 부족했던 것입니다.

현재의 증거

정확히 말하는 것이 중요합니다: 시스템이 유전적 후보를 제안하는 것은 여정의 시작일 뿐, 끝이 아닙니다. 그럼에도 불구하고, 이 발표를 최근 몇 년간 이미 입증된 내용의 맥락에 놓고 왜 기대치가 높은지 이해할 수 있습니다.

연구 1: 2020년 눈의 세포 재생

David Sinclair가 이끄는 하버드 팀은 시신경에서 세 가지 Yamanaka 인자(OSK)를 활성화하여 늙은 쥐와 녹내장 쥐의 시력을 회복시킬 수 있음을 보여주었습니다. 신경 세포가 재생되었고 생물학적 나이가 감소했습니다 (Lu 외, Nature 2020). 이것은 정밀한 유전적 표적이 실제로 과정을 되돌릴 수 있다는 증거입니다.

연구 2: AlphaFold와 단백질 구조 예측

별개이자 다른 성과로, DeepMind는 2022년에 2억 개 이상의 단백질, 즉 거의 모든 알려진 단백질의 3차원 구조를 공개했습니다. 이 성과로 팀장인 Demis Hassabis와 John Jumper는 2024년 노벨 화학상을 수상했으며, 인공지능이 수십 년간 풀 수 없다고 여겨졌던 생물학적 문제를 해결할 수 있음을 입증했습니다. 참고: 이것은 Co-Scientist와 다른 도구이지만, DeepMind가 생물학적 과학을 가속화하는 동일한 능력을 보여줍니다.

연구 3: 대규모 세포 지도

Human Cell Atlas와 같은 프로젝트는 다양한 조직과 연령대의 수백만 개의 개별 세포에 대한 유전자 발현 프로필을 매핑했습니다. 이러한 데이터는 과학 문헌과 함께 Co-Scientist와 같은 시스템이 유전자 수준에서 '젊은 세포'와 '늙은 세포'가 무엇인지 이해하기 위해 의존할 수 있는 원료의 일부입니다.

연구 4: 후성유전학적 노화 시계

Horvath 시계와 그 후속 모델은 DNA 메틸화 패턴을 기반으로 생물학적 나이를 측정하며 정확도는 약 3.6년(평균 오차)입니다. 이러한 시계는 연구자에게 객관적인 지표를 제공합니다: 제안된 유전적 변화가 실제로 나이를 낮추었는지 여부입니다.

특정 노화 관련 질병은 어떠한가?

세포 재생은 추상적인 목표가 아닙니다. 세포를 성공적으로 되돌릴 수 있다면, 그 영향은 나이와 관련된 모든 질병에 미칠 것입니다:

뇌 신경퇴행성 질환: 뉴런은 거의 분열하지 않으므로, 줄기세포가 도움이 되지 않는 알츠하이머와 파킨슨병에 대한 해결책이 될 수 있습니다.
심장 질환: 심장 근육 세포는 나이가 들면서 재생 능력을 잃습니다. 부분 재프로그래밍은 이를 회복시킬 수 있습니다.
면역 체계: 면역 체계 세포의 '재생'은 나이가 들면서 약해지는 방어력을 회복시키고 백신에 대한 반응을 개선할 수 있습니다.

다시 말해, 재생을 위한 유전적 표적을 효율적으로 찾아내는 엔진은 하나의 질병을 해결하는 것이 아니라 모든 노화 관련 질병의 공통 원인을 공격합니다.

이것이 우리 모두가 기다려온 돌파구인가?

여기서 잠시 멈추고 심호흡을 해야 합니다. '인공지능이 노화를 되돌린다'는 제목은 흥미진진하지만, 화면상의 유전적 후보와 인간 대상 치료제 사이의 거리는 엄청납니다.

제안은 검증이 아니다: 시스템이 유망한 후보로 유전자를 제안하더라도, 살아있는 세포에서 테스트한 다음 동물에서, 그리고 나서야 인간에서 테스트해야 합니다. 이 과정에서의 실패율은 매우 높습니다. 현재 예시에서도 제안된 20개 인자 중 소수만이 세포에서 초기 검증을 통과했습니다.
암 위험: 통제되지 않은 Yamanaka 인자의 활성화는 세포를 야생형 줄기세포로 만들어 종양을 유발할 수 있습니다. 용량과 시간의 제어가 가장 큰 과제입니다.
시간: 낙관적인 시나리오에서도 인간 대상 임상 시험은 7년에서 12년이 걸립니다. 어떤 인공지능도 안전성 단계를 단축하지 않습니다.
과대광고 대 현실: 상업 회사와 헤드라인은 '후보를 찾았다'와 '치료제를 찾았다' 사이의 구분을 흐리기를 좋아합니다. 소비자는 정확히 무엇이 입증되었는지 주의 깊게 읽어야 합니다.

따라서 아니요, 우리 중 누구도 내년에 재생 주사를 맞지 않을 것입니다. 실제로 일어난 일은 발견 단계의 속도가 한 단계 도약했다는 것이며, 이것만으로도 중요합니다.

그렇다면 이 연구에서 무엇을 얻을 수 있는가?

Google의 실험실에 접근할 수 없더라도, 오늘날 적용할 수 있는 실용적인 교훈이 있습니다:

인공지능 기반이라고 광고하는 '재생 치료제'를 구매하지 마십시오. 오늘날 이미 판매되고 있는 것이 있다면, 임상 검증 단계를 거치지 않은 것입니다. 건강한 회의심을 유지하십시오.
자연적인 복구 메커니즘을 지원하십시오: 운동, 간헐적 단식, 양질의 수면은 과학이 해독하려고 하는 동일한 DNA 복구 및 세포 재생 경로를 활성화합니다.
생물학적 시계를 추적하십시오: 후성유전학적 나이 테스트(예: TruAge)는 대중에게 공개되어 있으며 생활 방식 변화의 영향을 측정하는 객관적인 지표를 제공합니다.
대사 건강에 투자하십시오: 혈당 조절, 근육량 유지, 정상 콜레스테롤 수치는 유전적 개입 없이도 세포 노화를 늦춥니다.
최신 정보를 유지하되 인내심을 가지십시오: 이 분야는 도약적으로 발전하고 있습니다. 진정한 소식은 보도 자료가 아닌 임상 시험 결과에서 나올 것입니다.

넓은 관점

DeepMind의 수명 연장 분야 진출은 발견된 어떤 단일 유전자보다 더 깊은 변화를 의미합니다. 이는 노화가 주변부 과학 분야에서 세계 최대 기술 기업들이 경쟁하는 무대로 이동했음을 의미합니다. 세계에서 가장 강력한 인공지능 연구소 중 하나를 보유한 Google이 세포 재생에 주목할 가치가 있다고 결정할 때, 해당 분야 전체가 자금, 인재, 그리고 정당성을 얻습니다.

하지만 여기에는 겸손한 상기점도 있습니다. Co-Scientist는 생물학을 '해결'하지 않았습니다. 기존 지식을 종합하고 연구자에게 훨씬 더 나은 지도를 제공했습니다. 인공지능은 검색 공간을 좁힐 뿐, 검증, 안전성, 이해라는 힘든 작업을 대체하지 않습니다. 게놈은 해독해야 할 텍스트일 뿐만 아니라, 여전히 우리를 놀라게 하는 방식으로 반응하는 살아있는 시스템입니다.

흥분해야 할 올바른 순간은 알고리즘이 후보를 제안할 때가 아니라, 실제 인간 세포가 실험실에서 그 덕분에 더 젊어질 때입니다. Co-Scientist는 그 순간으로 가는 길을 방금 단축시켰지만, 그 순간을 없애지는 않았습니다.

참고문헌:
Google DeepMind: Fast-tracking genetic leads to reverse cellular aging, 2026년 5월 19일