실험 설계
88어떤 가설이 검증할 가치가 있는지, 그리고 어떤 실험 설계라야 실제로 그 가설을 반증할 수 있는지를 결정하는 데는 현재 어떤 AI 시스템도 스스로 안정적으로 만들어낼 수 없는 과학적 판단력이 필요하다.
생물학은 밖에서 보면 특정한 방식으로 자동화 가능해 보인다. 피펫 작업, 시퀀싱, 이미지 분석, 문헌 검색 같은 원초적인 작업 상당수는 반복적이라서 이미 소프트웨어와 로봇이 사람보다 더 빠르고 일관되게 그 일부를 처리하고 있다. 자동화하기 더 어려운 것은 애초에 어떤 실험이 해볼 가치가 있는지를 결정하는 판단력이다.
단백질 구조 예측기나 실험실 자동화 로봇 같은 AI 도구는 실재하며 빠르게 확장되고 있고, 일상적인 실험대·분석 업무 중 얼마나 많은 부분이 처리되는지를 바꾸고 있다. 하지만 이런 도구들이 바꾸지 못한 것은, 어떤 질문이 물어볼 가치가 있는지를 결정하고, 모호하거나 상충하는 결과를 맥락 속에서 해석하고, 발표된 주장이 옳다는 것에 책임을 지는 사람이 누구인가 하는 문제다.
보통
기계가 대신할 수 있는 업무의 비율
생물학의 일상적 실행 업무—시료 처리, 시퀀싱, 문헌 검색, 기본적인 이미지·데이터 분석—중 상당 부분은 이미 부분적으로 자동화되었거나 그 방향으로 가고 있다. 이 일에서 살아남는 핵심은 어떤 질문을 물을 가치가 있는지 선택하고, 그것을 실제로 답할 수 있는 실험을 설계하고, 아직 기계가 잡음과 안정적으로 구별하지 못하는 결과를 해석하는 일이다.
직함이 아니라 업무 단위로 산정했다. 낮을수록 안전하다.
AI가 대체하지 못하는 직업 →기계가 가져가지 못하는 것
모호하거나 상충하는 데이터 해석
85이상한 결과가 진짜 생물학적 발견인지, 기술적 오류인지, 아니면 잡음인지를 결정하는 데는 오늘날 AI의 패턴 매칭이 안정적으로 재현하지 못하는 맥락적인 과학적 판단이 필요하다.
섬세한 습식 실험과 현장 기법
80살아있는 조직, 세포 배양, 현장 생물은 예측 불가능하게 행동한다. 오늘날의 실험실 자동화 로봇은 미리 정의된 프로토콜을 정밀하게 실행하지만, 시료가 예상대로 움직이지 않을 때 즉흥적으로 대처하지는 못한다.
예측 불가능한 환경에서의 현장 조사
74동물을 추적하고, 원격 서식지를 조사하고, 변화하는 날씨와 지형 속에서 시료를 채취하는 일은 여전히 기계가 근접하지도 못한, 실제로 그 자리에 있는 적응력 있는 인간의 판단에 의존한다.
과학적 책무성과 동료 심사
66이름이 붙은 연구자가 발표된 주장의 정확성을 책임지고 자신의 평판을 걸고 그것을 뒷받침한다. 어떤 학술지나 연구비 지원 기관도 그 자리에 AI 시스템의 이름을 올리는 방법이나 그 여부를 아직 정하지 못했다.
이미 가져가고 있는 것
시료 처리와 시퀀싱
78자동화된 액체 취급 로봇과 고처리량 시퀀서는 특히 유전체학 중심 실험실에서 십 년 전보다 훨씬 적은 인력 개입으로 수천 개의 시료를 처리한다.
단백질 구조 예측
72알파폴드(AlphaFold) 같은 딥러닝 모델은 이제 서열만으로 단백질의 3차원 구조를 몇 분 만에 예측할 수 있다. 예전에는 단백질 하나당 몇 년씩 걸리던 결정학 실험이 필요했던 작업이다.
일상적인 이미지 분석과 세포 계수
66AI 기반 이미지 인식은 이제 현미경 이미지에서 세포를 세고, 이상 징후를 표시하고, 구조를 측정하는 작업을 완전히 없애지는 않지만 지루한 수작업 채점을 줄여 주는 일관성으로 수행한다.
문헌 검색과 요약
58AI 도구는 이제 사람이 직접 읽는 것보다 훨씬 빠르게 수천 편의 논문을 훑고 요약할 수 있다. 다만 그 요약을 원 연구 결과와 대조해 검증하는 일은 여전히 사람의 몫이다.
일이 변해가는 방식
AI가 분자를 분석뿐 아니라 예측하고 설계하다
단백질 구조 예측에서 알파폴드가 2020년 이룬 돌파구—이 업적으로 개발자들은 단백질 설계의 선구자 데이비드 베이커와 함께 2024년 노벨 화학상을 나눠 받았다—이후, AI 도구는 기존 단백질을 해석하는 데 그치지 않고 새로운 단백질과 분자를 설계하는 데도 점점 더 널리 쓰이고 있다.
클라우드 실험실 덕분에 생물학자가 코드로 실험을 진행한다
원격으로 조작되는 로봇 실험실은 이제 연구자가 피펫을 한 번도 손대지 않고도 코드로 실험을 제출하고 결과를 받아볼 수 있게 해 주며, 일부 실험대 업무를 소프트웨어 엔지니어링에 가까운 작업 흐름으로 옮기고 있다.
습식 실험 기술과 전산 기술이 갈수록 한 사람 안에 결합되고 있다
생물학 프로젝트는 갈수록 손으로 하는 실험 기법과 전산 데이터 분석 모두에 능숙할 것을 요구하고 있으며, 둘 다 할 수 있는 연구자가 어느 한쪽만 좁게 전문화한 연구자보다 더 값진 대접을 받고 있다.
프리프린트가 전통적으로 느렸던 분야의 속도를 높이고 있다
2013년 출범한 바이오아카이브(bioRxiv) 같은 신속 공유 플랫폼은 생물학자가 정식 동료 심사를 거치기 전에 연구 결과를 게시할 수 있게 해 주어, 예전에는 1년 넘게 걸리던 발표 주기를 몇 주로 압축했다. 다만 사전 검증의 엄밀함은 그만큼 희생된다.
갈라져 나오는 새 직업들
전산생물학자/생물정보학자
방대한 유전체·단백질체·생태 데이터셋을 전산적으로 분석하는 역할로, 유전체학 시대 이전에는 별도의 직업으로 거의 존재하지 않았지만 지금은 대다수 대규모 생물학 프로젝트의 중심에 자리 잡고 있다.
합성생물학 엔지니어
조작된 미생물, 유전 회로, 실험실 배양 조직 같은 새로운 생물학적 시스템을 설계하고 만드는 역할로, 살아있는 세포를 단지 연구 대상이 아니라 프로그래밍 가능한 부품으로 다룬다.
실험실 자동화 과학자
클라우드 실험실과 고처리량 시설을 위한 로봇 기반 원격 실험실 작업 흐름을 설계하고 관리하는 역할로, 전통적인 실험대 과학과 자동화 공학 사이의 하이브리드 직무다.
유전 상담사
점점 더 상세해지는 유전체 검사 결과를 환자와 가족이 실제로 의료적 결정을 내리는 데 쓸 수 있는 말로 옮겨 주는 역할로, 임상 유전학과 직접적인 환자 진료 사이에 자리 잡은 빠르게 성장하는 직업이다.
전망
자동화에 가장 많이 노출된 업무는 미리 완전히 명세화할 수 있는 업무다. 일상적인 시퀀싱 실행, 표준적인 이미지 분석 파이프라인, 모델이 이미 수천 개의 비슷한 사례로 훈련된 단백질 구조 예측 같은 것들이다. 가장 보호받는 업무는 미리 명세화할 수 없는 업무다. 어떤 질문이 경력 몇 년을 바칠 가치가 있는지, 이상한 결과가 실제로 무엇을 의미하는지, 모델의 예측대로 행동하기를 계속 거부하는 살아있는 계를 어떻게 해석할지 같은 것들이다.
이런 분화는 '생물학자'라 불리는 사람의 수를 줄이기보다는, 그 일이 하루하루 실제로 무엇을 포함하는지를 바꾸어 놓을 가능성이 크다. 실험을 설계하고 결과를 해석하는 데 더 많은 시간을 쓰고, 이제 로봇과 소프트웨어가 갈수록 도맡는 반복적인 실행에는 더 적은 시간을 쓰게 될 것이다. 2040년에 일하는 생물학자는 오늘날의 생물학자보다 피펫 앞보다 키보드 앞에서 보내는 시간이 훨씬 많을 가능성이 크다.
그렇다고 해서 발표된 생물학적 주장이 틀렸을 때 누가 책임을 지는지, 혹은 어떤 실험에 자금을 대고 실행할지를 누가 결정하는지가 바뀌지는 않는다. AI 시스템이 그런 책임을 맡을 만큼 신뢰받을 수 있을 때까지—그리고 현재 어떤 규제 기관이나 연구비 지원 기관도 그 책임을 넘길 의사가 없는 한—이 일의 중심은 사람으로 남는다.