의생개

AI라고 하는게 여기 써있잖아. artificial intelligence is intelligence, processing, etc. 잘 골라야 돼요. 근데 여기 보면 유튜브에도 쓰고, 챕지, pt에도 쓰고 다 쓴다. 알고리즘은 다르지만 다 동일하게 AI다 라고 하시면 됩니다. AI가 아시스트 컨테고리오던 컨셉이다. 근데 AI라고 하는 거는 머신러닝도 포함하고 딥더님도 포함한 건데, 내로 AI라는 게 있고, 제네럴 AI라고 하는 게 두 개를 또 구별을 해야 돼요. 내로 AI는 여태 뭐였어요?

최초에 나왔던 챗 GPT가 어느정도의 내로우 A라고 보실 수 있어요 왜냐면 걔는 대화만 좀 했었거든 근데 그 챗 GPT나 재미나이가 요새 점점 어떻게 변하고 있어요? 어떻게 변하고 있잖아? 그림 만들어줘 그럼 그림 만들어주고 동영상 만들어줘 동영상 만들어주고 그렇죠? 옛날처럼 이렇게 대화만 하지 않는단 말이에요 걔네들이 그게 뭐가 된거죠? 그게 뭐냐면 여기에는 지금 없지만 토의 요즘에 그 AI 용어로는 멀티모달이라고 해요 멀티모달

얘가 하나의 AI처럼 보이지만 그 안에 대화하는 AI 모델도 있고 그림을 만들어주는 모델도 있고, 동영상을 만들어주는 모델도 있고, 그 다음에 논문을 찾아주는 모델도 있고 그런 식으로 모델이 여러개가 하나의 GPT 라는 것이 하나에 모여서 들어가 잇으면 그걸 멀티모델이라고 합니다. 그런데 그게 결국에는 착착착 쌓이는게 엄청 쌓여가지고 못하는게 없이 말만 하면 다 되면 그게 뭐가 되는거에요? 그게 제네럴 AI가 되는거에요. 결국엔 사람까지 모든 전문가를 대체할 수 있을 정도의 AI가 되면 그게 제네럴 AI입니다.

오른쪽에 보이는거 요즘은 한명한 게임이었잖아 이거 아직도 하는 사람 없죠? 뭔지 몰라요? 이거 오버워치라고 하는 옛날에 그런 게임이었어요 이 바스티온이라고 하는 캐릭터인데 얘가 딱 어떻게 보면은 총독을 싸우면서 그렇게 싸우는 그 캐릭터죠 요거랑 요새 비슷한게 뭐예요? 주식을 안하니까 모르나? 현대자동차를 왜 사야되지? 모르겠구나 여러분들 주식에 관심을 가지세요 그래야지 그 직구를 면할 수 있습니다 자, 부스턴다이나믹스에서 나오는

아틀라스 같은 기계들이 있어요. 그런 식으로 테슬라에서도 나오고 계속 나오죠. 그런 식의 로봇 AI들이 점점 제네럴 AI와 되어가고 있는 겁니다. 그래서 네로우 AI와 제네럴 AI의 특징은 뭐겠어요? 네로우는 한 가지 것밖에 못해요. 근데 결국에 그 한 가지 것 같은 모델이 쫙 합쳐져서 아무데나 다 쓸 수 있게 되는 게 제네럴 AI예요. 멀티모델이 확장형이다. 그렇게 보시면 되겠습니다. 그럼 머신러닝이 뭔지 봅시다. AI 속에 머신러닝이 있고 머신러닝 속에 딥러닝이 있는 거잖아요. 머신러닝이 뭔지 봅시다.

위키피디어에 써있네요. 머신이 빌드한다. 머신이 빌드한다. Specific model for the prediction and decision. 예측하거나 결정하기 위한 어떤 모델을 머신이 빌딩하는 것을 머신러닝이라고 해요. 이거 봅시다. 사진 보면 웃기죠? 여러분들은 이게 치와와 쫑고목핀이 섞여있는데 이거 구별할 수 있어요? 없어요? 구별할 수 있죠? 여러분들은 구별할 수 있는 모델인거에요. 여러분들도 한 사람의 모델이라고 볼 수 있어요. 하나의 모델이야. 이걸 구별할 가능한 모델이니? 여러분들은 멀티모델인가요? 예. 비닐이 없어졌어요.

이전에 있는 이미지를 처리할 수 있는 모델이 들어있죠? 머릿속에 뇌가 그러니까 이걸 이제 보면은 이걸 구별할 수 있는데 어떻게 할 수 있는 거야? 여러분들 스스로만 생각해봐요 어떻게 구별하고 있죠? 그냥 봐서 어 이거는 치환화야 그냥 이건 모피냐 물론 이렇게도 하지만 우리는 눈으로 본단 말이야 뭐 얘랑 한번 생각해볼까? 얘는 왜 치환화하지? 콧구녕이 있어서 치환화가? 아니면 얘는 모피하지? 콧구녕이 안보이나? 이런식으로 기준이 있단 말이야 우리가 무의식적으로 보자고 응 이건 치환 응 이거 모피하지 마 사실 우리의 사고를 공공히 따져보면 이게 모피인지 치환화는지 따지는 기준이 있어요 볼까?

치화화는 라운드아이가 두 개 있다. 노우주도 있고 구멍도 있다. 그 다음에 수영이 달렸다. 헤어가 있다. 털이 달렸다. 그런 식으로 우리는 종합적인 정보들을 눈으로 체크를 한 다음에 이게 치화화인지 머핀인지 구별한단 말이죠. 그런데 머신로니라고 하는 게 그러면 치화화와 머핀하고 어떻게 구별해야 할지 그 룰을 설정해서 모델을 만드는 것이 머신로니라고 볼 수 있는 거예요.

여러분은 이게 뭐랑 똑같아요? 여러분들 핸드폰은 머신러닝을 이용해서 머핀하고 치아화로 구별하듯이 그런 기능을 하고 있나요? 이에 하루 면은 거의 수백 번 수천 번씩 하고 있죠. 왜 그렇죠? 참고마잖아요. 여러분들과 남을 구별하고 있잖아요. 내 핸드폰에 있는 지문이나 와쿠 골격기나 이런 걸 써가지고 아이폰은 그걸 쓰겠죠? 디디디딕 하는 걸 쓰겠죠? 하회 수백, 수천 번씩 여러분들은 그걸 하고 있어요. 그때 처음에 했는데 어떻게 해요? 아이폰 딱 사거나 갤럭지 사면 뭘 하죠?

아이폰은 하면 고개를 이렇게 돌려대고 갤럭시는 막 찍어대잖아 지금은 그죠? 그게 뭐 하는거에요? 그게 모델을 학습하는 과정이죠 그래서 여러분들 핸드폰 속에서는 이 머신러닝 모델이 하루에도 몇 번씩 돌아가면서 여러분들과 남을 구별하고 있는거에요 그게 머신러닝이라고 이해하기 쉽습니다 머신러닝은 두가지 방식으로 진행이 돼요 이런 것들을 알고 있어야 됩니다 머신러닝은 두가지 방식의 러닝으로 진행되는데 하나는 뭐라고 써 있어요? 위쪽에 Supervised Learning

두 번째는 Unsupervised Learning이 있고 Supervised Learning에는 다시 Classification, Regression, 클러스터링이 있고 클래시피케이션이나 Regression 이런 거는 나중에 인공지능학과 수업이나 아니면 기본 통계 같은 거를 배우면 알 수 있지만 여기서 여러분들이 아셔야 되는 건 이 두 가지입니다 Supervised Learning과 Unsupervised Learning이요 Unsupervised Learning과 Supervised Learning의 차이점은 뭘까요? supervised learning은 답이 있다는 겁니다.

여러분들이 지금 지문 찍고 이거 하는 거는 supervised에요? unsupervised에요? supervised에요. 왜죠? 여러분들이 찍으면 그게 여러분이라는 답이 있잖아요. 직접 찍으니까. 중간중간에 다른 사람 손가락 찍어서 해갈리지 않으잖아요. 그러니까 이건 supervised에요. 근데 unsupervised때는 이게 뭔지 사실 잘 모르는 거예요. 답이 없어. 그래서 비슷한 것끼리 없기 때문에 unsupervised라고 합니다. 그래서 supervised하고 unsupervised 정도 알고 계시면 돼요. 여기 리인포스트에 있는데 리인포스트 몬트는 별로 신경을 못하셔도 됩니다. 그 다음에 딥러닝은 뭐냐?

여기 뭐라고 써졌어요? 딥러닝, 이소, 워카인드, 머신러닝, 홀드, 아티피셜, 뉴럴, 네트워크 이렇게 되어 있는데 신경망이라는 걸 써가지고 머신러닝을 하는게 딥러닝이라고 아시면 되는데 그런거 말고 막 복잡하니까 신경만 하지만 딱 하나 이 슬라이드에서 여러분들이 들으셔야 되는 중요한 단어가 뭐죠? 이 아래쪽에 있는 제일 끝단어예요. 브레인입니다. 브레인 우리 뇌가 머릿속에 신경들이 쫙 연결이 돼가지고 이 데이터를 처리하듯이 모델 자체가 그런식으로 신경이 구성되어 있는 것을 모방해가지고 구성이 되어서 레이어를 따라가지고

그것 때문에 우리는 인공신경망이라고 부르고 그게 가장 기본적인 딥러닝의 모델인 이런 식으로 생겼습니다. 그래서 인풋이 쭉쭉 들어오고 그게 영향을 주고 다시 레이어가 있어서 여기서 처리한다면 넘겨주고 처리한다면 넘겨주고 그래서 결국 최종적인 아웃풋이 나오는 게 딥러닝이라고 보시면 됩니다. 머신러닝하고 딥러닝의 차이자는 이 피처를 뽑아내며 있어가지고 사람이 관여를 하냐 안하냐의 차이인데 디테일 한번 모르셔도 돼요. 어찌 됐든 간에 레이어로 처리한가 정도만 이해하셔도 충분합니다.

이게 지금 딥러닝 학습하는 건데 여기 보시면 오른쪽 위에 모델 레이어가 어떻게 구성이 되는지 보일 겁니다. 레이어 보시면 여기 하나 둘 셋 넷 다섯 개가 있을 거에요. 이 다섯 개는 이 차가 앞으로 진행함에 있어서 센서가 있다고 생각하시면 됩니다. 그래서 다섯 개의 점이 거리가 얼마인지 여기 인풋으로 들어가는 겁니다. 그래서 지금 이 러닝은 뭐냐면 미로 같은 이 통로를 차가 자동으로 짜장 나갈 수 있는 그런 모델을 만드는 과정이거든요.

그러면 그 거리가 쭉쭉 인풋으로 들어가서 처리되고 처리되서 마지막에 두 개가 되는데 이 두 개가 뭐겠니? 뭘 것 같아요? 차잖아. 그럼 앞으로 가고 있잖아요. 그럼 뭐겠어요? 좌회전 우회전 중에 하나를 결정하게 되는 거예요. 그래서 얘가 달리다 보니까 왼쪽과 오른쪽 앞에 거리를 쫙쫙쫙쫙 인풋으로 받아들여 가지고 여기서는 좌회전이겠네 여기서는 우회전이겠네 이걸 지금 학습하는 거예요. 그래서 계속해서 성공할 때까지 학습하면서 모델을 이제 출력하는 겁니다. 한 봐.

앞에서 5개의 선이 있어서 계속 가는거에요. 꺾어지라고 하면서 5개. 이렇게 해서 세대를 계속 거듭하다 보면 어떻게 돼요? 이 미로를 통과할 수 있게끔 여기 각각의 값들이 전달해주는 그 튜닝포인트가 달라지는거에요. 계속 가는거에요. 가다보면 점점 점점 멀리 가요. 하나 더 나왔어. 지금 하나에 간대에 5개의 점이 있는거 보여요? 저기 앞에 가는 거리를 측정해서 이 인풋으로 들어가는거에요.

그러면 다 넘겨주고 넘겨주고 좌회전한지, 부회전한지 가중치 같은 것들, 모델을 어떻게 해야 되는지 이런 것들이 다 학습을 통해서 결정이 되는 겁니다 그래서 수도 없이 Try&Error를 겪다 보면 시뮬레이션 해가지고 겪다 보면 어떻게 되겠어요? 천점좌회전이 되겠죠 뭐 18대도 이렇게 그러다가 결과가 어떻게 돼? 쭉쭉쭉 가다보면 어? 꼬밀꼬불도 잘 통과하고 하고 가고 여기 다섯 개 보이죠? 정 다섯 개 정면에서 거리와 이런 것들로 다 조절이 되는 거예요 그래서 거의 최종적으로 가면 다 통과할 거예요

이렇게 통과를 하고, 못갔네. 오 온다 온다. 간죠? 다섯 개 저렇게. 근데 준다 오는 건 뭐에요? 여기 벽인 줄 알고 여기 또 따라가. 그렇게 되는 겁니다. 이런식으로 머진이 학습을 하게 되는 겁니다. 근데 이거 유튜브 동영상인데 제가 써놓은 거 봐봐요. 여기 웃겨서 스챗을 해놨어요. 뭐라고 써 있어요? Here's my takeaway. No matter how many generations have passed, there will always be idiots on the road driving backward. 이게 무슨 뜻이에요?

어떤 뜻입니까? 내가 이걸 지켜봤더니 몇 번 학습을 하고 지랄을 하던간에 시작하자마자 뒤로 가는 새끼는 항상 있어 이런 뜻이에요 근데 봐봐 여기 아까 정우경 봐봐 뒤로 가는 새끼 있지? 뒤로 가잖아 근데 제네레이션을 거듭하고 거듭해도 뒤로 가는거야 실제로 그런가요? 아니요 그렇진 않아요 원래는 제대로 학습하려면 이렇게 안되는데 일부러 주는 겁니다 저렇게 방향을 틀어가지고 주는건데 이거 보면서 이제 그런 생각을 했는데 나도 그렇게 생각해 왜 그러죠? 이거 보면 맨날 그죠

호문철TV는 맨날 레전드를 갱신하죠. 맨날 레전드야. 근데 진짜 보면 레전드야. 세상에 미친놈이 너무 많아요. 가끔은 나도 미친놈인 것 같아. 그죠? 보면은 여기 이거 지금 트렁크에 서서 가면 두 여덟이 미친 거 아니야? 이런 게 있단 말이야. 그러니까 왜 AI를 이렇게 했어요? 여러분들이 이쪽 세계의 시야로 보기에는 사람이라고 하는 것은 하나의 AI 모델하고 똑같이 취급할 수 있어요. 여러분들이 커우면서 고등학교 다니면서 공부했던 것들 다 학습이에요.

학습을 했는데 어떤 모델은 성적이 잘 나고, 어떤 모델은 성적이 안 나고 여러분들 중간고사, 기말고사 보면 다 그렇죠? 동일한 인풋을 지금 집어넣고 있단 말이에요. 여러분들이 하나의 AI 모델이고 인풋을 계속 집어넣고 있는데 시합을 보면 전부 차이가 나잖아요. 그럼 그게 뭐였어요? 특강의 학습 모델의 성능이 달라서 그래요. 그러니까 그런 것도 인지를 하면 좋습니다. 그래서 이런 것들을 하기 위해서 우리가 필요한 건 뭐라고 되어 있어요? 아직 데이터만 필요해요. 학습하기 위한 큰 데이터가 있으면 그걸 어떻게 학습할지 뭐할지는 우리가 크게 신경 쓰지 않아도 됩니다.

그래서 머신이 알아서 찾으니까 그런 부분에 대해서 알고 있으시면 되고요 근데 이런 테크놀로지들이 우리 전공 분야에 어떻게 사용되는지가 또 중요하겠죠 의생명과학과, 레드바이오 이쪽에 이것들이 어떻게 사용되는지 알아야 될 거예요 자, 이후리가 이걸 얘기를 해야 돼요 알파고 여러분들은 잘 모르나? 알아요? 이세돌이가 해갖고 처음이자 마지막으로 한번 이겼던 그 알파고 이게 처음에 어떻게 보면은 이 딥러닝이 시작이었죠

바둑이라고 하는 그 무수한 경우의 수를 처치해서 사실은 컴퓨터가 사람을 이길 수 없다고 했었는데 지금은 컴퓨터한테 사람이 쪽도 못 쓰죠. 아주 핸드폰에서 돌아가는 모델 하나만 가지고도 이 세도도 못 이겨있지. 아무도 못 이겨. 그러니까 그렇게 돼버렸어요. 이걸 만든 게 어디서 만들었어요? 구글에서 만들었어요. 구글 내에 딥마인드라고 하는 팀에서 만들었고 거기서 처음에 나왔던 게 알파고입니다. 왜 고죠? 바둑이 영어로 고예요.

단단도 있지만 다 명사 단어로는 고가 바둑입니다. 그리고 이런 수많은 경우의 수를 찾아가는 그런 딥러닝 모델을 만들어서 알파고가 처음 나왔던 겁니다. 마찬가지에요. 계속 트라이네를 하면서 그 모델이 점점 파인 튜닝이 되는 거죠. 그렇게 되는 거니까. 그래서 이런데 이런 것들을 하기 위해서는 처음에 알파고가 나왔고 인공지능 딥러닝이 되게 이슈가 됐었는데 이런 걸 하려면 여러분들 요새 엔비디아, 삼성 그런 거 할 때마다 뭐가 남아요? 데이터 센터 7, 메모리 7, 전기

어떤 것들이 지금 다 주식이 오르고 있잖아요. 그런데 다 이유가 있는거에요. 엄청난 양의 전기와 연산력이 필요합니다. 그리고 알고리지어는 모델도 있어야겠죠. 그런데 이 미친 사람들이 생물학계에 아주 화두로 던졌던게 노벨상을 탄 연구죠. 이게 뭐에요? 알파폴드라고 하는거에요. 알파폴드라는 연구를 통해서 구글에 있던 딥마인드 연구자들이 바이올로지 쪽에 아마 의학생물 그쪽일거에요. 노벨상 그걸 탔어요. 신기하지 않아? 걔네들이 무슨 뭐 컴퓨터쟁이들이 갑자기 바이올로지 그걸 타? 네 세상이 변했죠. 그게 나온게 알파폴드라는거에요.

여러분들은 생화학 시간에 그걸 들으면 아실 수 있을 거에요. 여기 보시면 화면에 나와 있는게 뭐에요? 아미노산 20종 입니다. 여러분들 몸땡이를 비롯해서 먹는거, 단백질이라는건 다 아미노산 20개로 구성되어 있어요. 그래서 요고가 하나 둘씩 순차적으로 붙어가지고 체인화 돼가지고 단백질이 이루어졌는데 생화학 시간에 가시면 배울 수가 있고 DNA가 RNA로 나와서 이게 프로테인 되는 센트럴 농구마를 통해서 우리 몸의 단백질들, 생물체들의 단백질들은 이렇게 구성이 되어 있죠.

그런데 이 단백질, 서열, 이렇게 나와 있는 것들이 어떤 모양을 가질지는 사실은 알아내는 게 굉장히 어려워요. 보시면 단백질이라는 것은 1차원적으로는 아미노산 20종류 중에 하나가 하나, 둘, 셋, 넷, 차례, 차례, 차례 붙어가지고 사슬이 되는 모양인데 그것들이 전기적인 인력에 따라서 두 번째 세컨더리 스트럭처라고 해서 이렇게 평면화되거나 꼬입니다. 알파 힐릭스라고 해서 이렇게 사선형, 나선형으로 꼬여요. 그것들이 얽히고, 설탕해서 단백질 모양이 이렇게 구증이 되고 이런 것들이 두 개 이상 모여가지고 사체 구증까지 이런 식으로 여러분들 몸이 구성되어 있어요. 여러분들이 피부에 있는 단백질, 내부에 돌아가는 인슐린,

모든 의미의 단백질이 다 이런 식으로 구성이 되거든요. 그러면 이런게 어떤 모양으로 접혀질지 우리는 알 수가 있을까요? 없을까요? 처음에는 알 수가 없었어요. 서열만 가지고 이거를 몰라요. 근데 다음과 같이 여기 보면 뭐라고 돼 있어요? 시퀀싱, MS, 어피니티, 퓨피케이션, MS, MS 결국에는 분자 분석 구조라고 하는 그 수많은 실험과 그 증명을 통해 가지고 특정 서열에 가지는 유전자의 단백질 모양이 어떻게 생겼어요? 라는 것을 하나를 밝혀내는 게

박사 과정의 학위였습니다. 단백질 하나에 대해서 어리숙한 구조 하나라도 대충 그려내잖아? 그게 박사 하나죠. 심지어 지금 남 교수님하고 같이 있는 적이 SM에 바이오팜이라고 남 교수님이 만든 회사가 있어요. 거기에 연구소장 하는 사람이 이거 한 사람이에요. 그래서 단백질 이거 접히고 있는 사람인데 박사 한 10년 동안에 단백질 하나 했어요. 하나 했습니다. 그 단백질 모양을 알고 싶어서

지금은 어때요? 아까 보여줬던 구글 알파폴드가 나온 다음에 여러분들도 이제 할 수가 있어요. 계약속만 다 할 수 있어요. 어떻게 하면 돼요? 그냥 Ctrl+C, Ctrl+V 해서 알파폴드에 뼘 내면 이렇게 생겼어요. 하고 알려줘요. 그러니까 맑아지도 않은 일을 한 겁니다. 그래서 이거를 처음에 전공했던 사람들은 그럼 어떻게 해? 뭐 해놓고 살아? 내가 한 거라고는 내가 박살동안 죽어라고 이 실험기법들을 익혀가지고 한 거를 할 줄 아는 거라고는 단백질 모양이 어떻게 생겼어요? 라는 걸 얘기할 수 있는 능력을 갖췄는데 갑자기 그 A 하나가 나오면 어떻게 돼요?

실직자가 되는거에요. 아무것도 필요없어요. 왜? 이 사람이 그 단백질의 모양을 알아내려고 하면은 실험도 해야지, 돈도 많이 들지 그런데 갑자기 헤헤하고 나서 너희들 저기 학부생 1학생들이 와가지고 헤헤 아우 바보예요. 이런게 쓸 정도가 되니까 못 먹고 사는거에요. 환자를 노릇이 갑자기 AI 하나가 실직자를 만드는 겁니다. 그래서 이런식으로 데이터들이 저장이 되어있는데 알파폴드는 뭐라는거에요? 1차서에만 집어넣으면 저런 모양을 예측해주는걸 했는데 그 정확도가 요즘 점점점점점점점 올라가가지고 이제는 별로 시험이 필요가 없어지는 지경에 이르고 있는거에요.

그래서 여기 뭐라고 써있습니까? 이 표현 노더 시퀀스 서열을 알면 구조를 알 수가 있어요. 그래서 이걸 많은 연구자들이 뭐라고 했다고? 'Biology Chained Before and After the Alpha Fold' 이렇게 되어있죠. 알파 폴드 전후로 바이올로지가 엄청 바뀌었다. 이제 연구하는게 달라졌다. 이런 얘기입니다. 근데 이게 왜 중요할까요? 그 구조를 아는게 왜 중요할까? 이것 때문에 그렇습니다. 여러분들 이렇게 우리가 자물쇠 왼쪽같이 보면은 구멍이 있고 연쇠가 있잖아요. 그러니까 모양을 딱 보면은 이 단백질 자물쇠 구조 여기 열쇠 들어가는 구조 모양을 보면 이 중에서 어떤 것이 들어가겠다라는 것을 예측할 수 있어요? 없어요?

예측할 수 있겠죠. 근데 이것도 마찬가지에요. 단백질에도. 여러분들이 만약에 단백질의 구조, 특히 예를 들면은 코로나라고 칩시다. 코로나라고 치면 그 코로나 표면에 있는 스파이크 프로테인을 한국에서 백신을 만들었죠. 근데 얘 구조를 알파폴드로 디텍션 할 수 있겠어요? 있어요. 그런 다음에 우리 세포 표면에 존재한다고 알려져 있는 단백질 리스트의 구조들이 알파폴드로 되겠어요? 안 되겠어요? 될 겁니다. 그럼 어떻게 하면 돼요? 마치 이렇게 깔아놓고

열쇠가 스파이크 폴텐이 용원형으로 생겼는데 그러면 어디 가서 어떤 놈하고 가서 결합을 할까 하는 거 예측이 되겠어요 안되겠어요? 된다는 거예요 왜냐하면 봐봐 여기서 보면은 이렇게 삐죽삐죽한 거가 여기 들어가진 않을 거 아니에요 오른쪽에 그러니까 열쇠 구멍을 보면 어 여기 들어가는 거니까 열쇠의 모양은 대충 이래야 돼 라는 게 대충 있을 거란 말이에요 그러니까 마찬가지로 구조로 나니까 여기는 스파이크 폴텐이 세포 품면에 뭐랑 결합하겠구나 이걸 구조를 통해서 확인할 수 있겠죠

그런 식의 분자와 분자간의 인터렉션들을 예측할 수 있어요. 그럼 그걸 예측할 수 있으면 어떻게 해요? 우리가 약을 만드는 데 도움이 될까요? 안 될까요? 될 겁니다. 왜 그러겠어요? 코로나 바이러스에 대해서 백신을 면역으로 찍어놓을 수도 있지만 만약에 우리가 약을 만들어서 코로나 바이러스를 맞고 싶어요. 어떻게 하면 돼요? 스파이크 프로테인이 가서 결합을 하는 고결합물질에 스파이크 프로테이징 가가지고 대신 막아버릴 수 있는걸 미리 막아버리면

포트롯과는 그런 식의 전략들이 수립이 된다는 거죠. 그렇기 때문에 이 구조를 알아내는게 굉장히 큰 연구였습니다. 그러니까 바로 노벨상을 받았죠. 노벨상을 여러분들 받은게 퇴직해서 뒤지기 직전에 받아요. 살아에서 받는 경우가 많고 죽은 다음에 받는 경우도 있어요. 근데도 나오자마자 몇 년 안 나서면 바로 받았습니다. 그 정도로 임팩트가 컸던 연구라고 보실 수가 있어요. 그래서 이것도 마찬가지에요. 어떤 특정 질병이 어떤 메커니즘으로 발병을 하는지를 알면 그 메커니즘의 타겟 단백질에 대해서

우리가 어떤 양을 집어넣었을 때 매치가 되고 작동을 할지 안 할지를 구조기반으로 실험을 하지 않으려면 일단 스크린을 할 수 있는 거예요 그런 것 때문에 굉장히 파워풀해지고 있습니다 이거는 심지어 우리 대학원생이 여러분들처럼 3학년 때 3학년 때 논문 내면서 만들었던 거예요 아무것도 모르는 애가 그냥 헤헤 여긴데요 그래서 여기가 달랐어요 지금 우리 방 제 첫째인데 그 친구는 3학년 때 논문 퍼블리시를 하고 졸업을 했어요 한 6점짜리 하나 금방 합니다 또 하면

그런 사람들도 있어요. 우리 성심관 5층 같은 경우에는 대부분 그래요. 그러니까 저나 윤 교수님 방에 오는 아이들은 학부 졸업하기 전에 학부때 여러분들도 정말 포블리지를 하고 들어와요. 미리 학습을 받은 다음에 테스트를 당하고 쫓겨난 위기에서 항상 저 절벽 끝에 있어서 밀려서 떨어지지 않으면 들어오는 거고 아니면 나가는 겁니다. 그래서 논문을 대부분 쓰고 들어오기 때문에 그런 경험들이 여러분들한테 도움이 됩니다. 그래서 이런 부분들은 어떻게 활용될 수 있냐면 만개의 컴파운드 중에서 필터링하고 필터링하고 필터링해서 원래는 이 필터링하는 과정을 할 때 다 실험을 통해서 했어요.

돈을 쓰고 쥐를 잡아가면서 다 했는데 이제는 AI를 이용해서 만개 중에서 내가 특정 타겟하는 몰래큐리에 쓸 수 있는 약이 뭘까를 한 5개에서 10개 수준으로 굉장히 빠르게 돈 한 푼 안 들이고 AI만 써서 실험 없이 빠르게 결정할 수 있다는 거죠 그러면 그 10개에 대해서만 집중해서 실험을 하면 되니까 이 약의 개발 속도가 굉장히 빨라지는 겁니다 개발 속도 빨라지지 실패 확률 줄어들지 도가 다 덜 하지 임선부질들지 도움부터 시작해서 모든 것들이 다 가능하기 때문에 요즘에는 이러한 연구 관련된 부분들도 많이 활용이 되고 있어요

만약에 여러분들이 지금 학부생들이니까 이런 모델을 만드는 것에 관심이 있는게 필요할까요? 할까? 아닐거에요. 그럼 여러분들이 관심을 가져야 될까요? 물론 AI쪽에 관심 있는 사람도 있겠죠. 근데 그럼 여러분들은 뭐에 관심을 가져야 될까요? 이런 모델은 누가 만들어요? 이런 모델은 젠슨 황 아저씨 같은 사람들이 만들어줘요. 지금 엔비디아에서도 이런 신약 개발 플랫폼 같은 것들이 거대한 연구팀들이 달라붙어 갖고 이걸 만들고 있습니다.

그럼 만들어진 플랫평은 어떻게 하면 돼요? chat gpt 하고 cloud gemini 쓰듯이 쓰면 돼요. 쓰고 나서 결국에는 여러분들이 그걸 쓰기만 하면 끝나는 게 아니죠. 어떻게 해야 돼요? 써서 나온 결과물을 실험을 통해서 입증할 수 있어야 되죠. 그래서 앞으로는 AI를 통해서 AI를 개발하는 것도 중요하지만 개발 속도가 너무 빠르고 요즘에는 여러분들이 직접 개발에 뛰어들어 가지고 의미 있는 성과를 내기가 아무것도 없는 상태에서는 힘들어요. 그래서 나중에 나온 것을 반응하여

잘하다가 실험으로 이벨루에이션 할 수 있는 그런 기술을 익히는게 훨씬 더 적합합니다. 아시겠죠? 그래서 이거 만들 필요는 없다. 뭐 이런 진단키트 개발, 이게 제가 한 거기도 해요. 누에는 어떻게 구별할까요? 무슨 품종일까요? 이게 사람 구별하는 거랑 똑같아요. 사람에서 보면은 흑인, 백인 구별하듯이 품종 구별하는 겁니다. 그래가지고 0.1%밖에 사람과 사람이 차이 안 나는데 그 부분을 이용해서 이렇게 이렇게 해서 체크한 다음에 이렇게 나면 한국이, 이렇게 나면 일본이 이거 하듯이 유에다 적용해서 만든 거예요.

이것도 머신러닝으로 만들 수 있습니다. 간단하게 특정 부위를 봤을 때 여기 Tt냐 Cc냐 Tg냐 ATG 중에서 뉴플레오타이드가 DNA에 있는 조합을 타면 얘는 뭐다? 이런 걸 간단하게 만들 수 있어요. 여러분들도 수업시간에 똑딱 한번 만들 수 있습니다. 그런 식의 것들이 실제 연구에도 사용되고 있는 거죠. 그래서 이제는 AI나 이런 것들은 아주 무슨 개발, 연구개발 쪽이 아니라 여러분들은 사용을 할 줄 아는 방식 수준에서 앞으로 적용을 하게 될 거에요

자 이제 간단하게 수업은 끝났고요. 남 교수님이 언제 올지 모르겠어. 최대 늦지만 3시 전까지 온다고 했는데 아 언제 오지? 나도 빨리 가고 싶은데. 자 남 교수님 오기 전에 잠깐 춤추적 체크를 조금 해봅시다. 잠도 깰게요. 언제 올까? 몰라네. 그래서 아까도 수업 시작 전에 말씀을 드렸지만 지금 바로 할 거 아니니까 핸드폰 잠깐 내려놓으셔도 돼요. 주무시다가 걸리는 건 곤란합니다.

아주 진짜 싫어해요. 졸버 졸던. 아니 나는 왜 여러분들이 자든 뭘 하든 신경을 안 쓰는 줄 알아요? 몰라? 알아? 왜 그러겠니? 졸리면 내가 성공한 게 재미가 없나 보지. 뭐 그러면 더 재밌게 해야겠구나 이렇게 생각하고 있는 수도 있고. 그런데 그것보다 이제 기본적으로 약간 좀 이제 교수들의 스타일에 따라서는 아 학생이 기본 예이다. 막 그 옛날에