2026년 9월 17일, 앤트로픽(Anthropic)이 생물학 AI 모델 가속화와 생물학 AI 모델 기반 클로드 단백질 설계에 관한 새로운 연구 결과를 공개했다. 이번 발표의 핵심은 두 가지다. 첫째, 클로드가 생물학 AI 모델 30개 이상을 단 4주 만에 평균 4배 가속화했다는 점이다. 둘째, 애덥티브 바이오(Adaptyv Bio)와 손잡고 최대 100만 달러 규모의 생물학 AI 모델 기반 클로드 단백질 설계 경진대회를 새로 시작한다는 점이다. 두 소식 모두 지난 8월 공개된 클로드의 단백질 결합체 설계 성과와 이어지는 후속편으로, 신약 개발과 생명과학 연구에 AI가 실제로 얼마나 깊숙이 들어왔는지를 보여주는 사례로 꼽힌다.
이 글은 앤트로픽 공식 리서치 포스트 두 편과 애덥티브 바이오·프로틴베이스(proteinbase.com) 공개 자료를 교차 확인해, 생물학 AI 모델 기반 클로드 단백질 설계의 기술적 성과와 경진대회 참가 조건, 신약 개발 파이프라인에 미치는 영향, 그리고 한국 바이오 업계가 참고할 지점까지 순서대로 정리한다.
목차
생물학 AI 모델 가속화가 왜 지금 주목받는가
이 단원에서는 이번 발표가 나온 배경과 앤트로픽이 이번에 공개한 두 가지 핵심 성과를 먼저 짚는다. 생물학 AI 모델 기반 클로드 단백질 설계라는 주제가 갑자기 등장한 것이 아니라, 지난 몇 달간 이어진 연구의 연장선이라는 점을 이해하면 이번 발표의 무게를 가늠할 수 있다.
생물학 AI 모델이 느렸던 이유
AlphaFold3, OpenFold3, Boltz-2 같은 최신 구조예측 모델들은 계산 시간과 메모리의 상당 부분을 트라이앵글 어텐션(triangle attention)과 트라이앵글 곱셈(triangle multiplication)이라는 두 연산에 쓴다. 이 연산은 토큰 세 개씩 묶어 상호작용을 계산하기 때문에 생체분자의 3차원 기하 구조를 정교하게 표현할 수 있지만, 계산량이 세제곱으로 늘어난다는 근본적인 단점이 있다. 시스템 크기를 두 배로 늘리면 연산 시간과 메모리는 8배, 세 배로 늘리면 27배가 필요해지는 구조다.
이 때문에 업계는 오래전부터 GPU 같은 가속 하드웨어에 맞춘 저수준 번역 계층, 이른바 커널(kernel) 최적화에 매달려 왔다. 엔비디아의 cuEquivariance가 먼저 나왔고, 최근에는 BioNeMo Inference Runtime(BioNeMo-IR)이 그 뒤를 이었다. 두 도구 모두 트라이앵글 연산의 속도를 끌어올리기 위해 만들어졌다는 공통점이 있다.
문제는 이런 최적화 작업이 숙련된 엔지니어 팀에게도 모델 하나당 몇 주씩 걸리는 고난도 작업이라는 데 있다. 그마저도 한 모델에서 얻은 최적화 노하우가 다른 모델로 잘 옮겨가지 않는 경우가 많아, 대부분의 분자생물학 연구자들은 이런 속도 개선의 혜택을 누리지 못한 채 느린 모델을 그대로 써야 했다. 생물학 AI 모델 기반 클로드 단백질 설계 연구가 이 지점을 정확히 겨냥했다.
앤트로픽이 이번에 내놓은 두 가지 성과
첫 번째 성과는 클로드 사이언스(Claude Science) 환경에서 작업한 클로드가 4주가 채 안 되는 기간 동안 구조예측·단백질설계·유전체·단백질언어모델 등 다양한 생물학 과제용 오픈소스 모델 30개 이상을 최적화해, 평균 4배(정밀도 손실 최소화 기준) 속도 향상을 이뤄냈다는 점이다. 앞서 8월에 출시된 클로드 페이블 5.1·미토스 5.1이 생물학 모델 7종을 최대 2.5배 가속화한 초기 결과를 내놓은 바 있는데, 이번 발표는 그 범위를 30개 이상으로 넓히고 속도도 한층 끌어올린 후속 성과다.
두 번째 성과는 메모리 사용량을 크게 줄인 저메모리 “Big” 모드다. 이 모드는 아미노산·뉴클레오타이드·소분자와 이온의 원자까지 합쳐 1만 토큰이 넘는 대형 생체분자 시스템을, 그것도 엔비디아 GPU 단 한 대로 정확하게 예측할 수 있게 해준다. 두 성과를 결합한 결과, 앤트로픽은 지난 8월 공개했던 단백질 결합체 설계 캠페인과 동등한 시뮬레이션(in silico) 성능을 100분의 1 수준의 GPU 시간만으로 재현할 수 있음을 보여줬다.
“Claude, working within Claude Science, optimized more than 30 of these models in just under four weeks, speeding them up roughly 4x on average.” — 앤트로픽 공식 리서치 포스트(2026.09.17)
생물학 AI 모델 30개를 4배 빠르게 만든 방법
이 단원은 생물학 AI 모델 가속화를 뒷받침한 구체적인 최적화 기법을 다룬다. 단순히 “AI가 코드를 빠르게 만들었다”는 한 줄 요약을 넘어, 실제로 어떤 작업이 이뤄졌는지 짚어본다.
단백질 설계를 가속한 트라이앵글 어텐션과 FlashPairformer
앤트로픽은 클로드와 함께 FlashPairformer라는 커스텀 커널 세트를 개발했다. 이 커널은 구조예측 모델의 핵심 아키텍처인 페어포머(Pairformer)에서 트라이앵글 어텐션과 트라이앵글 곱셈을 가속화하도록 설계됐으며, 기존 필드 표준(cuEquivariance)과 비교해 트라이앵글 어텐션에서는 평균 2.7~2.9배, 트라이앵글 곱셈에서는 모델 구성에 따라 1.7~3.2배 빠른 속도를 냈다. 이는 해당 분야에서 새로운 최고 기록에 해당한다.
이 수치가 중요한 이유는 단순하다. 대형 제약사나 빅테크만 접근 가능했던 고성능 커널 최적화가, 이제는 별도의 전문 엔지니어링 팀 없이도 재현 가능한 수준으로 내려왔다는 뜻이기 때문이다. 실제로 앤트로픽은 FlashPairformer를 포함한 최적화 코드 전체를 깃허브에 오픈소스로 공개해 누구나 가져다 쓸 수 있게 했다.
이런 커널 최적화가 생물학 연구에서 갖는 의미는 단순한 속도 개선에 그치지 않는다. 같은 예산으로 더 많은 후보 단백질을 시뮬레이션할 수 있다는 뜻이고, 이는 결국 신약 후보 물질을 찾는 속도 자체를 앞당기는 결과로 이어진다.
4주 만에 이뤄진 30개 모델 최적화
더 놀라운 부분은 작업 방식이다. 앤트로픽은 생체분자 모델링에는 경험이 있지만 추론 최적화나 커널 엔지니어링 경험은 전혀 없는 자사 기술 인력 단 2명이 감독을 맡고, 실제 최적화 작업 대부분을 클로드가 직접 수행했다고 밝혔다. 클로드는 구조예측, 단백질설계, 단백질언어모델링, 유전체 분석에 걸친 30개 이상의 오픈소스 모델을 4주가 채 안 되는 기간에 가속화했다.
구체적인 최적화 기법으로는 반복적으로 재계산되던 중복 연산을 캐싱 처리하거나, 실행되지 않는 죽은 분기(dead branch)를 상수 출력으로 단순화하는 방식 등이 쓰였다. 이런 최적화는 원래 숙련된 엔지니어 팀이 모델 하나당 몇 주씩 매달려야 하고, 한 모델에서 얻은 노하우가 다른 모델로 잘 전이되지 않는 고질적인 작업으로 알려져 있었다.
앤트로픽 스스로도 “프런티어 AI 모델이 다른 연구자들이 더 빠르고 쉽게 과학 도구를 만들도록 도울 것”이라는 결론을 내렸을 만큼, 이번 사례는 생물학 AI 모델 기반 클로드 단백질 설계를 포함한 과학 연구 인프라 전반에 걸친 자동화 가능성을 시사한다.
정확도는 그대로, 속도만 4배
속도만 빨라지고 정확도가 희생됐다면 의미가 반감될 수밖에 없다. 앤트로픽은 이 점을 의식한 듯, 최적화된 구조예측 모델들이 평균 약 4배 빨라지면서도 정밀도 손실은 최소 수준에 그쳤고, 그중 상당수(약 2배 가속 구간)는 기존과 완전히 동일한 출력을 냈다고 밝혔다.
검증에는 DockQ 점수(예측된 결합 인터페이스가 실제 구조와 얼마나 일치하는지 평가하는 지표)가 쓰였고, 0.23 이상을 “허용 가능한 예측”으로 판정하는 기준을 그대로 적용했다. 각 모델에 대해 가속화 이전과 이후의 다운스트림 성능(구조예측 정확도 등)을 비교 확인하는 절차를 거쳤다는 점에서, 이번 생물학 AI 모델 기반 클로드 단백질 설계 최적화는 “빠르지만 부정확한 지름길”이 아니라 실제로 쓸 수 있는 개선이라는 점을 앤트로픽은 강조하고 있다.
실제로 빨라진 생물학 AI 모델 14개, 숫자로 보기
추상적인 “평균 4배”라는 숫자보다 실제 모델별 수치를 보면 체감이 다르다. 앤트로픽이 공개한 벤치마크 차트에는 정확 모드(Exact)·고속 모드(Fast)·대형 모드(Big) 세 가지 설정별로 개별 생물학 AI 모델의 순전파(forward-pass) 속도 향상 배수가 정리돼 있다. 업계에서 널리 쓰이는 구조예측·설계 모델 14종을 기준으로 삼았다는 점에서 특정 모델에만 유리하게 고른 수치가 아니라는 점을 짐작할 수 있다.
- Chai-1: 고속 모드 6.4배, 대형 모드 6.3배 — 이번 차트에서 가장 큰 폭으로 빨라진 모델
- ESMFold2-Fast: 고속 모드 5.2배, 대형 모드 4.3배
- Boltz-2: 고속 모드 5.6배, 대형 모드 4.1배
- AF2 initial guess: 고속 모드 5.0배, 대형 모드 4.4배
- OpenFold3-p2·OpenBind-0: 고속·대형 모드 모두 4.9~5.1배 수준으로 나란히 상위권
- AlphaFold3(PyTorch): 고속 모드 4.5배, 대형 모드 3.2배
- 14개 모델 전체 평균은 정확 모드 1.6배, 고속 모드 4.2배, 대형 모드 3.5배
모델마다 편차는 있지만, 대부분의 생물학 AI 모델이 정밀도를 그대로 유지하는 “정확 모드”에서도 최소 1.0~2.5배, 속도를 우선하는 “고속 모드”에서는 2.3~6.4배 사이의 향상을 보였다는 점이 눈에 띈다. 연구자 입장에서는 논문 재현이나 정밀 검증이 필요할 때는 정확 모드를, 대량 스크리닝처럼 속도가 중요한 단계에서는 고속·대형 모드를 골라 쓸 수 있다는 뜻이기도 하다.
메모리 최적화로 가능해진 초대형 생체분자 시뮬레이션
이 단원은 속도 개선과는 별개로 진행된 메모리 최적화 작업, 즉 “Big” 모드가 어떤 새로운 계산을 가능하게 했는지를 다룬다.
단백질 복합체 1만 토큰 넘는 시스템을 GPU 1대로
세포 안에서 실제 작업을 수행하는 단백질 복합체, 예컨대 단백질을 만드는 리보솜, 세포에 에너지를 공급하는 호흡 복합체, 다른 단백질의 접힘을 돕는 샤페론 같은 분자 기계는 수십 개의 구성 요소가 얽혀 있다. 이런 대형 시스템의 구조를 예측하려면 통상 여러 GPU 노드에 걸친 막대한 컴퓨팅 자원이 필요했고, 이는 대부분의 분자생물학 연구자에게는 접근이 어려운 영역이었다.
클로드가 만든 저메모리 “Big” 모드는 이 장벽을 낮췄다. 1만 토큰이 넘는 시스템을 정확하게 모델링하고, 7만 토큰이 넘는 시스템에서도 GPU 단 한 대로 추론에 성공했다. 인간 미토콘드리아 복합체 I, TRiC 샤페론 복합체, 프로테아좀, 박테리아 리보솜이 모두 이 방식으로 성공적으로 접혀 실제 실험으로 확인된 구조와 밀접하게 일치했다. 참고로 기존 AlphaFold3가 정확히 예측한 40S 리보솜이 7,663개 토큰 규모였던 것과 비교하면, 복합체 I와 70S 리보솜(각각 1만 토큰 이상)은 이보다 훨씬 큰 규모다.
이런 성과는 이번 최적화 연구가 단순히 “이미 알려진 문제를 빠르게 푸는 것”을 넘어, 그동안 계산 자원의 한계 때문에 아예 시도조차 어려웠던 문제 영역으로 확장되고 있음을 보여준다.
리보솜부터 바이러스 캡시드까지
앤트로픽은 최적화의 한계를 시험하기 위해 한 걸음 더 나아갔다. 8개 GPU로 구성된 단일 B300 노드를 이용해 3만 1,000토큰에서 7만 토큰이 넘는 규모의 바이러스 캡시드와 단백질 구획 전체를 예측하도록 클로드에 요청한 것이다. 이는 구조예측 모델의 훈련 컨텍스트보다 거의 두 자릿수(약 100배) 더 큰 규모다.
결과는 예상대로 정확하지 않았다. 앤트로픽 스스로도 이 정도 규모에서는 예측 구조가 무너지는 경향을 보였다고 솔직하게 밝히고 있다. 다만 중요한 점은 따로 있다. 불과 얼마 전까지 이런 규모의 추론 자체가 시도조차 불가능했는데, 이제는 단일 GPU 노드 수준에서 시도라도 해볼 수 있게 됐다는 사실이다. 앤트로픽은 도구가 개선되면 머지않아 연구자들이 더 복잡한 생물학적 시스템을 계산적으로 모델링할 수 있게 될 것이라고 전망했다. 이번 연구가 지금 당장의 완성도보다 확장 가능성에 방점을 찍고 있다는 점을 보여주는 대목이다.
클로드의 단백질 결합체 설계 성능 — 8월 결과와 9월 결과 비교
이 단원에서는 이번 9월 발표의 토대가 된 지난 8월 단백질 결합체 설계 캠페인 결과와, 최적화된 모델로 재현한 9월 결과를 나란히 짚는다.
단백질 결합체 15개 표적 중 14개 성공, 히트율 22~35%
지난 8월 18일 공개된 결과에 따르면, 클로드 오퍼스 4.8과 미토스 프리뷰는 15개 단백질 표적을 대상으로 새로운 결합체(디노보 바인더)를 설계하는 캠페인을 수행해 14개 표적에서 성공적인 결합체를 만들어냈다. 이 실험의 세부 수치와 표적별 사례는 이미 별도 기사에서 자세히 다룬 바 있어, 이 글에서는 핵심만 짚고 9월 최적화 결과와의 연결고리에 집중한다. 개별 설계가 실제로 결합에 성공하는 비율(히트율)은 설정에 따라 22.6%에서 35.1% 사이였는데, 이는 현재 단백질 설계 캠페인에서 일반적인 수준인 10~15%를 크게 웃도는 수치다. 검증은 앤트로픽 자체가 아니라 애덥티브 바이오와 트위스트 바이오사이언스라는 독립된 외부 기관이 웻랩에서 수행했다.
- RBX1: 미토스 프리뷰가 단일 표적 모드에서 40% 히트율을 기록, 애덥티브 바이오 경진대회 참가자 평균 3.7%를 크게 상회
- TNFα: 여러 전문가 그룹이 어려움을 겪던 표적에서 오퍼스 4.8이 사람·원숭이·쥐에 모두 결합하는 종간 교차반응성 결합체 설계에 성공 (TNFα는 휴미라 같은 치료제의 표적으로 알려진 단백질)
- β-시트 구조: 대부분의 계산 설계 결합체가 α-헬릭스 다발인 것과 달리, 6개 표적에서 20% 이상 β-가닥을 포함하는 결합체 15종을 확보
- 한계: BBF-14, 말토스 결합 단백질(MBP) 등 구조적으로 까다로운 표적에서는 성공률이 낮거나 결합이 확인되지 않음
이 캠페인에서 클로드는 표적마다 어디를 설계 지점으로 삼을지 스스로 정하고, 여러 구조 설계·서열 설계·공동접힘 모델을 오케스트레이션해 후보 구조와 서열을 생성했으며, 시뮬레이션 상에서 여러 차례 최적화를 반복한 뒤 발현 가능성과 용해도, 결합력을 기준으로 후보를 압축하는 전 과정을 사실상 자율적으로 수행했다. 사람의 개입은 네트워크 접근 승인이나 인프라 점검 정도에 그쳤다.
8월 캠페인에 쓰인 16개 단백질 표적
이 캠페인이 신뢰할 만한 이유 중 하나는 표적 선정 방식에 있다. 앤트로픽은 애덥티브 바이오의 오픈 벤치마크인 BenchBB에 포함된 표적들을 다수 포함시켜, 기존에 발표된 히트율·친화도 수치와 직접 비교할 수 있게 했다. 동시에 15-PGDH와 GDF-8이라는 두 개의 신규 표적은 애덥티브 바이오가 최근 진행한 경진대회에서 가져와, 클로드가 학습 데이터나 온라인 검색으로 답을 미리 알고 있을 가능성을 차단했다. 실제로 모든 표적에 대해 클로드가 설계한 서열이 기존에 공개된 적 없는 독창적인 서열인지 확인하는 절차도 거쳤다.
- 15-PGDH, BBF-14, BHRF1, Cas9, EGFR
- GDF-8(Latent), GDF-8(Mature), IL-7Rα, 말토스 결합 단백질(MBP)
- 니파바이러스 당단백질 G, PD-L1, RBX1, TNFα
- TREM2, TrkA, VEGF-A (총 16개 표적, 이 중 15개에서 결과 확보)
표 하나에 다 담기 어려울 만큼 표적의 성격도 제각각이다. 암 신호전달에 관여하는 EGFR나 면역관문 단백질 PD-L1처럼 이미 여러 치료제의 표적으로 검증된 단백질이 있는가 하면, 자연에 존재하지 않고 순수하게 컴퓨터로 설계된 벤치마크용 단백질 BBF-14처럼 극도로 까다로운 표적도 섞여 있다. 생물학 AI 모델 기반 클로드 단백질 설계 캠페인이 이런 다양한 난이도의 표적을 한꺼번에 다뤘다는 점에서, 특정 표적에만 최적화된 반쪽짜리 성과가 아니라는 점을 어느 정도 뒷받침한다.
100배 적은 GPU로 동일 성능 낸 9월 최적화 결과
8월 캠페인에서는 표적 하나당 최대 1만 달러, 약 2,500 엔비디아 H100 GPU 시간(24시간 기준)을 클로드에 쓸 수 있게 했다. 이는 대부분의 개별 단백질 설계자가 감당하기 어려운 규모의 자원이다. 이번에 앤트로픽은 새로 가속화된 모델들을 활용해 미토스 5.1, 미토스 5, 오퍼스 5 세 가지 클로드 모델을 16개 표적에 투입하는 훨씬 가벼운 실험을 진행했다.
결합력 예측치인 ipSAE 점수를 기준으로 비교한 결과, 16개 표적에 걸쳐 평균을 냈을 때 세 모델의 중앙값·최고값 설계 모두 8월 캠페인과 거의 동일한 수준의 성능을 냈다. 그런데 이번에는 GPU 시간이 8월 캠페인의 100분의 1 수준에 불과했고, 클로드 토큰 비용까지 합쳐도 약 150달러 수준의 지출로 비슷한 성능에 도달할 수 있었다. 생물학 AI 모델 기반 클로드 단백질 설계라는 기술이 대형 연구소 전유물에서 개별 연구자도 접근 가능한 도구로 넘어가는 전환점을 이 수치가 잘 보여준다.
애덥티브 바이오와 함께 여는 100만 달러 단백질 설계 경진대회
이 단원은 이번 발표에서 가장 실질적인 참여 기회에 해당하는 경진대회의 구체적인 조건을 정리한다.
단백질 설계 경진대회 5가지 도전 과제
앤트로픽과 애덥티브 바이오는 오픈 단백질 설계 경진대회를 여러 차례 운영해 온 애덥티브 바이오의 경험을 바탕으로, 현재 단백질 설계 기술의 최전선에 있는 다섯 가지 문제를 공동으로 선정했다. 구체적으로는 종간 교차반응성(species cross-reactivity), pH 민감성(pH-sensitivity), 펩타이드-MHC 특이성(peptide-MHC specificity) 같은 까다로운 조건과 함께, GPCR(G단백질 결합 수용체)처럼 설계가 어렵기로 유명한 표적이 포함됐다.
이 도전 과제들은 각각 프로틴베이스(proteinbase.com)의 경진대회 페이지에 상세 조건과 지원 자격이 공개돼 있다. 관심이 있는 연구자나 학생, 스타트업이라면 이 페이지에서 신청 절차를 직접 확인할 수 있다.
참가자에게 주어지는 자원
이번 경진대회의 규모는 상당하다. 앤트로픽과 애덥티브 바이오는 참가자들을 위해 최대 100만 달러 상당의 클로드 크레딧을 제공하며, 모달(Modal)이 최대 25만 달러의 컴퓨트 크레딧을, 트위스트 바이오사이언스가 DNA 합성을 지원한다. 애덥티브 바이오는 5,000개가 넘는 설계를 웻랩에서 직접 실험 검증하기로 했다.
이 조합이 특별한 이유는 단순 상금이 아니라 “설계-컴퓨트-DNA 합성-웻랩 검증”으로 이어지는 파이프라인 전체를 참가자에게 무상으로 열어준다는 데 있다. 그동안 아이디어는 있어도 웻랩 검증 비용 때문에 시도하지 못했던 개인 연구자나 소규모 바이오벤처에게는 이례적으로 넓은 기회의 창이 열린 셈이다. 지원은 온라인 신청서를 통해 이뤄지며, 신청 자격과 마감 일정 등 세부 사항은 경진대회 공식 페이지에서 계속 갱신되고 있으므로 참가를 고려한다면 최신 공지를 직접 확인하는 편이 안전하다.
신약 개발과 생명과학 연구에 미치는 영향
이 단원은 이번 성과를 과장하지 않고, 신약 개발 파이프라인에서 실제로 어느 위치에 해당하는지와 함께 따라오는 위험 요소까지 균형 있게 짚는다.
신약 개발 파이프라인 속 단백질 설계의 위치
여기서 분명히 해둘 점이 있다. 앤트로픽 스스로도 밝히듯, 미니바인더(단백질 미니 결합체)는 표준적인 치료제 형태가 아니다. 모노클로널 항체나 저분자 화합물처럼 이미 자리 잡은 치료 양식조차, 고친화도 결합체를 확보하는 일은 신약 후보 물질을 만드는 과정의 첫 단계에 불과하다. 생물학 AI 모델 기반 클로드 단백질 설계가 이 첫 단계를 획기적으로 앞당긴 것은 사실이지만, 이후 독성 시험, 약동학 검증, 임상 시험 등 훨씬 길고 규제가 엄격한 과정이 그대로 남아 있다.
그럼에도 이번 발표가 갖는 의미는 작지 않다. 앤트로픽은 이번 최적화에 쓰인 코드 전체를 깃허브 저장소에 오픈소스로 공개했다. 신약 개발과 관련된 모델을 자체적으로 운용하는 국내외 제약사·바이오텍 연구팀이라면, 별도의 라이선스 없이 이 최적화 기법을 곧바로 자사 파이프라인에 적용해볼 수 있다는 뜻이다.
이런 흐름은 앤트로픽이 지난 6월 말 선보인 연구용 제품 클로드 사이언스(Claude Science)의 연장선에도 있다. 클로드 사이언스는 새로운 AI 모델이 아니라, 연구자들이 흔히 쓰는 도구·패키지를 하나로 묶고 검증 가능한 산출물을 남기며 유연한 컴퓨팅 자원 접근을 제공하는 워크플로 제품이다. 앤트로픽은 이 제품이 “새로운 AI 모델도 아니고, 생물학에 특화된 더 강력한 모델도 아니다”라고 선을 그으면서도, 이미 누구나 쓸 수 있는 클로드 모델을 연구 현장에 맞게 재배치하는 것만으로도 이 정도의 가속 효과를 낼 수 있다는 점을 이번 생물학 AI 모델 기반 클로드 단백질 설계 발표로 입증한 셈이다.
듀얼유즈 리스크와 안전장치
생물학 연구를 가속화하는 AI 능력은 필연적으로 이중 용도(dual-use) 문제를 동반한다. 신약 개발을 앞당기는 바로 그 능력이, 견고한 안전장치 없이는 위험한 생물학 연구에 악용될 가능성도 함께 커지기 때문이다. 이 때문에 앤트로픽은 일반 사용자에게 공개된 클로드 페이블 5에서는 단백질 설계를 포함한 이중 용도 생물학 연구 능력을 여전히 제한하고 있으며, 신뢰할 수 있는 접근 프로그램(Life Sciences Verification Program)을 통해서만 전문 연구자에게 관련 기능을 단계적으로 열어주는 방식을 택했다.
같은 시기 앤트로픽은 생물학 안전성뿐 아니라 재래식 무기 개발이나 사이버보안 관련 위험 등 다른 영역의 모델 평가 결과도 별도 리서치 포스트로 공개하고 있다. 생물학 AI 모델 기반 클로드 단백질 설계처럼 눈에 띄는 과학적 성과를 발표하는 동시에, 잠재적 위험 영역에 대한 자체 평가 결과도 함께 공개하는 방식을 병행하고 있다는 점은 이 회사가 능력 공개와 위험 관리를 별개가 아니라 한 세트로 다루고 있음을 보여준다.
이런 신중한 접근은 최근 앤트로픽이 오픈AI·구글 등과 함께 논의해온 AI 안전 협력 및 표준화 움직임과도 맞닿아 있다. 생물학처럼 파급력이 큰 영역일수록, 성능 공개와 안전 통제를 동시에 관리하려는 시도가 업계 전반에서 강화되는 흐름과 이 생물학 연구 프로그램의 접근 제한 방식이 궤를 같이한다고 볼 수 있다.
한국 바이오·제약 산업에 주는 시사점
마지막 단원에서는 이번 소식을 국내 바이오·제약 생태계 시각에서 다시 읽어본다.
국내 바이오벤처가 클로드 단백질 설계에서 참고할 점
국내 바이오벤처나 대학 연구실 상당수는 대형 제약사만큼의 컴퓨팅 예산을 확보하기 어렵다. 이번 경진대회처럼 컴퓨트·크레딧·웻랩 검증까지 묶어 제공하는 프로그램은, 자본력이 부족한 국내 연구팀이 해외 최신 단백질 설계 기술을 실전에서 검증해볼 수 있는 흔치 않은 창구가 될 수 있다. 특히 GPCR이나 pH 민감성 결합체처럼 국내에서도 신약 타깃으로 관심이 높은 표적이 도전 과제에 포함돼 있다는 점은 눈여겨볼 대목이다.
여기에 더해, 클로드 모델 자체의 이용 비용이 계속 낮아지고 있다는 점도 실질적인 진입 장벽을 낮추는 요인이다. 실제로 앞서 출시된 클로드 페이블 5.1·미토스 5.1은 캐시 요금을 75% 인하하면서 벤치마크 성능도 함께 끌어올렸는데, 이런 비용 절감 흐름이 이어진다면 클로드 단백질 설계 같은 고비용 연산 작업에 드는 실질 비용 부담도 계속 줄어들 가능성이 크다.
실무적으로 접근한다면, 국내 바이오벤처나 학교 연구실은 우선 프로틴베이스 경진대회 페이지에서 5가지 도전 과제 중 자신의 연구 주제와 맞닿는 표적이 있는지부터 확인하는 것이 순서다. 이어서 깃허브에 공개된 최적화 코드를 자사가 이미 쓰고 있는 구조예측·설계 파이프라인에 적용할 수 있는지 검토하고, 필요하다면 클로드 사이언스 환경에서 소규모 파일럿을 먼저 돌려보는 방식이 리스크를 줄이는 현실적인 접근이 될 수 있다. 처음부터 표적을 크게 잡기보다는, 이미 검증된 벤치마크 표적 한두 개로 자체 파이프라인의 재현성을 확인한 뒤 신규 표적으로 넓혀가는 단계적 접근이 안전하다.
오픈소스 코드 공개가 갖는 의미
앤트로픽이 30개 이상 모델의 최적화 코드를 깃허브에 전면 공개한 결정은 국내 연구 생태계에도 직접적인 파급 효과를 낼 만하다. 대학 연구실이나 스타트업이 자체적으로 커널 최적화 전문 인력을 채용하지 않고도, 공개된 코드를 그대로 가져와 자사 파이프라인에 이식하는 방식으로 계산 비용을 절감할 수 있기 때문이다.
결국 이번 발표가 보여주는 방향은 뚜렷하다. 단백질 설계와 생체분자 모델링이라는, 한때 소수의 전문 연구소만 다룰 수 있던 영역이 클로드 단백질 설계 같은 AI 도구를 통해 훨씬 넓은 범위의 연구자와 스타트업에게 열리고 있다는 것이다. 이 흐름이 실제 신약으로 이어지기까지는 여전히 긴 시간과 임상 검증이 필요하지만, 그 출발선이 눈에 띄게 앞당겨지고 있다는 점만은 분명하다.
이 글은 앤트로픽과 애덥티브 바이오가 공개한 연구 발표를 정리한 정보 제공 목적의 콘텐츠이며, 특정 치료제나 투자를 권유하는 내용이 아니다. 본문에 언급된 단백질 결합체와 최적화 기법은 아직 초기 연구 단계의 결과이며, 임상적으로 검증되거나 규제 당국의 승인을 받은 치료제가 아니다. 신약 개발로 이어지기 위해서는 추가적인 전임상·임상 검증이 반드시 필요하며, 관련 분야의 구체적인 의사결정은 전문가와 상담하는 것이 안전하다.
한눈에 보는 핵심 요약
- 앤트로픽이 2026년 9월 17일, 클로드 단백질 설계와 생물학 AI 모델 최적화 관련 새 연구 결과를 공개했다.
- 클로드는 4주 이내에 생물학 AI 모델 30개 이상을 평균 4배 가속화했으며, 일부는 정밀도 손실 없이 약 2배 빨라졌다.
- FlashPairformer 커널은 트라이앵글 어텐션에서 2.7~2.9배, 트라이앵글 곱셈에서 1.7~3.2배 속도를 냈다.
- 저메모리 “Big” 모드는 GPU 1대로 1만 토큰이 넘는 생체분자 시스템(리보솜, 프로테아좀 등)을 정확히 예측했다.
- 8월 캠페인에서는 15개 표적 중 14개에서 결합체 설계에 성공, 히트율 22~35%(업계 평균 10~15%)를 기록했다.
- 9월 최적화 결과, 100배 적은 GPU와 약 150달러 비용으로 8월과 동등한 시뮬레이션 성능을 재현했다.
- 애덥티브 바이오와 함께 최대 100만 달러 클로드 크레딧, 25만 달러 모달 컴퓨트, 5,000개+ 웻랩 검증을 지원하는 단백질 설계 경진대회를 새로 시작한다.
- 미니바인더는 아직 표준 치료제가 아니며, 신약이 되기까지는 추가 임상 검증이 필요하다.
- 이중 용도 위험 때문에 관련 기능은 일반 공개 대신 신뢰 기반 접근 프로그램을 통해 단계적으로 열리고 있다.