AI가 "약을 만드는 미생물"의 부품을 설계, 생산량은 최대 약 3배로

AI가 "약을 만드는 공장"의 부품을 설계했다

새로운 약을 찾을 때, 유망한 물질을 발견하는 것과 그 물질을 충분히 만드는 것은 별개의 어려운 과제가 된다.

미생물 등이 만들어내는 천연물에는 의약품 개발로 이어질 수 있는 것이 있다. 하지만 자연에서 발견된 물질을 인간의 치료에 적합한 형태로 개량하거나 연구에 필요한 양을 확보하는 것은 쉽지 않다. 물질을 만드는 세포 내의 메커니즘이 매우 복잡하기 때문이다.

그 생산 장치의 일부를 인공지능으로 설계하는 연구가 진행되고 있다.

독일의 헬름홀츠 제약 연구소 자를란트(HIPS)의 연구팀은 천연물을 조립하는 거대한 효소 내부에서 작동하는 단백질 부품을 AI로 설계했다. 실제로 살아있는 세포에서 시험하여 일부가 기능하는 것을 보여주었다. 특정 효소계에서는 천연 유래 부품을 사용한 경우와 비교하여 생산량이 최대 약 3배 증가했다고 한다.

이는 AI가 완성된 신약을 만들어냈다는 이야기가 아니다. 약의 후보를 찾기 위해 미생물이 가진 "제작 메커니즘"을 개량할 수 있는 가능성을 보여준 연구이다.

미생물 내에 있는, 정밀한 "분자의 조립 라인"

연구의 대상은 "비리보솜 펩타이드 합성 효소"라고 불리는 거대한 효소군이다. 영어 머리글자에서 NRPS로 약칭된다.

전문 용어만으로는 이해하기 어렵지만, 그 기능은 공장의 조립 라인에 비유된다. 여러 부품이 역할을 분담하여 재료를 받아 가공하고 다음 공정으로 넘긴다. 그것들이 연계하여 특징 있는 화합물이 완성된다.

NRPS가 만드는 천연물에는 항균제나 면역 억제제, 항암제 개발의 기초가 된 것이 있다. 따라서 이 메커니즘을 자유롭게 재조합할 수 있다면, 기존과는 다른 성질을 가진 물질을 만들어낼 수 있을지도 모른다.

그러나 생물의 조립 라인은 시판되는 블록처럼 쉽게 교환할 수 없다.

어떤 부분의 설계를 변경하면, 인접한 부분과의 연계가 무너진다. 재료의 전달이 멈추고 효소 전체가 작동하지 않게 될 수도 있다. 부품 단독의 형태가 잘 갖춰져 있어도, 생산 장치 내에서 기능할 것이라고는 할 수 없다.

AI가 설계한 것은, 재료를 전달하는 "운반자"

케난 보주유크 박사 등의 팀이 주목한 것은 NRPS 내에 있는 "티올레이션 도메인", 통칭 T 도메인이었다.

이는 생산 중인 분자를 받아 다음 처리 부위로 운반하는 역할을 맡는다. 공장에 비유하면, 공정과 공정을 연결하는 가동식 운반 팔에 가깝다.

연구팀은 여러 학습된 AI 모델과 실험을 결합하여 새로운 T 도메인을 76종류 설계했다. 그 부품을 다양한 NRPS에 조립하여 수백 종류의 효소 변형을 살아있는 세포 내에서 검증했다.

포인트는 AI가 제안한 설계를 계산상의 평가로만 끝내지 않았다는 것이다. 실제로 만들어 조립하고 생성물이 나오는지를 조사했다.

결과적으로 AI가 설계한 부품의 일부는 기능했다. 인위적으로 조합한 효소계에서 물질의 생산을 가능하게 한 것과 생산량을 높인 것도 있었다. 적어도 하나의 설계 단백질에서는 대응하는 천연의 것보다 더 잘 녹고 열에 대해 안정적이라는 것도 확인되었다고 한다.

"최대 약 3배"는 무엇을 의미하는가

이번 성과에서 눈에 띄는 것은, 생산량이 최대 약 3배 증가했다는 숫자이다.

그러나 이는 모든 설계 부품이나 모든 물질에서 얻어진 결과는 아니다. 특정 효소계와 조건에서 확인된 개선이며, 약의 효과가 3배가 된 것도 아니고, 신약 개발에 걸리는 시간이 3분의 1로 줄어든 것도 아니다.

그럼에도 불구하고, 생산량의 개선에는 연구상의 의미가 있다.

새로운 물질이 생겨도 양이 너무 적으면 구조나 성질을 자세히 조사하기가 어렵다. 충분한 양을 확보할 수 있다면, 어떤 분자인지, 어떤 작용을 가지는지를 검증하기 쉬워진다.

즉, 생산 효율을 높이는 기술은 미래의 대량 제조에만 관련된 것이 아니다. 신약 개발의 초기 단계에서 후보 물질을 "자세히 조사할 수 있는 상태"로 만드는 데도 중요하다.

성공의 열쇠는 부품의 성능보다 "옆과의 궁합"

이번 연구를 이해하는 데 중요한 것은 설계한 부품을 그 주변 환경에 맞춘 점이다.

운반자가 단독으로 안정적이어도, 재료를 받는 상대나 전달하는 상대와 잘 접촉할 수 없다면 조립 라인은 작동하지 않는다. 생산 중인 분자를 적절한 장소로 전달할 필요가 있다.

연구팀은 T 도메인을 독립된 단백질로 취급하는 것뿐만 아니라, 조립되는 효소 내에서 인접한 영역과 어떻게 상호작용하는지를 중시했다.

이는 AI를 생물의 설계에 사용할 때의 어려움을 보여준다. "그럴듯한 부품"을 만드는 것과 "복잡한 장치 내에서 작동하는 부품"을 만드는 것에는 거리가 있다.

보주유크 박사도 AI는 실험을 대신하는 것이 아니라, 다수의 후보 중에서 유망한 것을 효율적으로 선택하는 데 도움이 된다고 설명하고 있다. 연구를 앞으로 나아가게 하는 것은 설계와 실험을 반복하는 작업이다.

SNS에서는 연구 관계자가 기대, 조건부의 성과임을 강조

이 연구에 관한 SNS상의 발신으로 확인된 것은 주로 연구자 본인이나 관련 연구 조직에 의한 LinkedIn의 게시물이다. 일반 사용자 사이에서 널리 화제가 되고 있다고 판단할 수 있는 정보는 확인되지 않았으며, 여기서는 연구에 직접 관련된 게시물을 소개한다.

보주유크 박사는 사전 심사 논문 단계에서 성과를 소개하고 76종류의 T 도메인을 설계하고 578종류의 재조합 NRPS를 세포 내에서 구축 및 시험했다고 설명했다. 생산량의 최대 약 3배라는 개선에 대해서도 주변의 구성 등에 의존하는 결과임을 명기하고 있다.

또한 부품의 접합 부분이나 상호작용하는 상대를 고려한 설계에 대해 의견을 구하고 있었다. 단순히 성공을 홍보하는 것뿐만 아니라, 어떤 조건에서 설계가 작동하는지를 논의하려는 발신이다.

관련 연구 조직의 PharmaScienceHub도 이 연구를 재공유하고, 향후 발전에 대한 기대를 나타냈다.

이것들은 2026년 10월 뉴스 공개 후에 모인 일반 독자의 감상이 아니라, 그 이전의 프리프린트 단계에서의 연구 커뮤니티 내의 발신이다. 그 범위를 염두에 두고 읽으면, 주목점은 "AI만으로 약이 만들어진다"는 기대보다도 복잡한 효소를 개량하는 구체적인 수단이 늘어난 것에 있다.

일본의 신약 개발에 있어, 어디가 중요한가

일본을 대상으로 이 성과를 생각한다면, 주목하고 싶은 것은 후보 물질을 예측하는 기술과 그것을 실제로 만드는 기술을 연결하는 부분이다.

계산상 매력적인 물질이라도 충분한 양을 만들 수 없다면, 그 이후의 평가를 진행하기 어렵다. 이번처럼 생산 장치 측을 개량할 수 있다면, 지금까지 확보하기 어려웠던 물질을 연구 대상으로 할 가능성이 있다.

또한 천연물을 출발점으로, 약간 다른 구조의 물질을 만들어 나눌 수 있게 된다면, 비교하여 조사할 수 있는 후보의 폭도 넓어질 것이다. 다만, 이번 성과만으로 그러한 전개가 폭넓게 실현된다고 증명된 것은 아니다.

일본의 대학이나 제약 기업이 응용을 생각할 때에도, AI의 제안 능력만으로는 충분하지 않다. 미생물을 다루는 기술, 단백질을 평가하는 기술, 만들어진 물질을 분석하는 기술을 결합하는 것이 중요해진다.

이 연구가 보여주는 것은 AI의 가치를 최종적으로 확인하는 장소는 실험실에서도 있다는 것이다.

신약으로의 길은 계속된다. 그래도 "만드는 벽"을 낮추는 가치는 있다

이번 보고는 생물의 생산 장치를 개량하기 위한 기초 연구이다. 새로운 치료약에 대해 사람에서의 유효성이나 안전성을 확인한 것은 아니다.

앞으로는 다른 효소계에서도 같은 방법이 통용되는지, 어떤 부품의 조합이 기능하는지, 안정된 생산으로 이어질 수 있는지가 과제가 된다. 만들어낸 물질이 약의 후보가 되는 경우에는, 더욱 작용이나 안전성을 자세히 검증할 필요가 있다.

그럼에도 불구하고, 자연계에서 발견된 생산 장치를 그대로 사용하는 것 외의 선택지가 늘어나는 의미는 크다.

미생물이 만드는 복잡한 분자를, 보다 유연하게, 보다 조사하기 쉬운 양으로 얻는다. 이를 위한 작은 운반 부품을 AI가 설계한다.

신약 개발의 미래는, 눈에 띄는 "신약 후보"의 발견뿐만 아니라, 그 후보를 실제로 만들 수 있게 하는, 이러한 부품의 개량에서도 변화할지도 모른다.

출처

1. Phys.org：
   2026년 10월 21일 공개. HIPS에 의한 AI 설계의 T 도메인, 세포 내의 검증, 생산량의 개선, 연구자의 설명을 소개.
   https://phys.org/news/2026-10-ai-functional-enzyme-components-drug.html

2. Nature Communications：연구 논문의 게재 정보
   Emre F. Bülbül 외 "Generative AI designs functional thiolation domains for reprogramming non-ribosomal peptide synthetases". 2026년 9월 22일 공개. 연구 소개 기사의 공개일과는 다르다.Nature Communications
   https://doi.org/10.1038/s41467-026-77963-6

3. Kenan Bozhüyük 씨의 LinkedIn 게시물：연구자 본인에 의한 SNS 발신
   프리프린트 단계의 성과 소개. 76종류의 설계, 578종류의 재조합 NRPS의 시험, 조건에 의존하는 생산량 개선, 설계에 대한 의견 모집을 확인.Kenan Bozhüyük
   https://www.linkedin.com/posts/kenan-bozh%C3%BCy%C3%BCk-16a29924b_proteindesign-syntheticbiology-nrps-activity-7435231632892207104-qbGo

4. PharmaScienceHub의 LinkedIn 게시물：관련 연구 조직에 의한 반응
   연구의 재공유와 향후 발전에 대한 기대를 나타낸 게시물. 일반 여론이 아니라 연구 관계 조직의 반응으로서 소개.PharmaScienceHub (PSH)
   https://www.linkedin.com/posts/pharmascihub_were-excited-to-reshare-a-new-preprint-by-activity-7435264559105417216-677m