Executive Summary

주요 수치

아래 네 숫자가 이 글의 배경을 압축한다. 서열은 2억 건 넘게 쌓였지만 사람이 검증한 기능은 극소수이고, 서열을 문장으로 바꾸는 생성형 주석은 이미 수천만 건 규모로 데이터베이스에 배포됐다. 반면 BetaDescribe가 성공을 보였다고 보고한 표본은 6개다. 격차는 크고, 생성은 이미 대규모이며, 검증은 아직 작다.

출처: UniProt 통계 및 phys.org (2026)

단백질 데이터베이스 UniProt에는 2억 건이 넘는 아미노산 서열이 쌓여 있다. 시퀀싱 비용이 계속 떨어지면서 새 서열은 지금도 빠르게 늘어난다. 문제는 그 서열이 실제로 무슨 일을 하는지, 즉 기능이 밝혀진 경우가 전체에서 극히 일부라는 데 있다. 서열이라는 글자는 넘쳐나는데 그 뜻풀이는 대부분 빈칸으로 남아 있다.

이 격차는 UniProt 안에서도 선명하게 갈린다. 사람이 직접 문헌을 읽고 검토해 주석을 단 Swiss-Prot은 약 57만 건에 그친다. 반면 컴퓨터가 자동으로 주석을 채워 넣은 TrEMBL은 2억 5천만 건을 넘어선다. 손으로 다듬은 고품질 주석과 기계가 대량으로 붙인 주석 사이의 스케일 차이가 이 분야의 근본 구조다.

기능을 알아내는 전통적인 방법은 닮은 단백질을 찾는 것이었다. 이미 기능이 밝혀진 단백질과 서열이 비슷하면 그 설명을 옮겨 붙인다. BLAST 같은 유사도 검색이 대표적이다. 그러나 닮은 단백질이 없으면 이 방식은 답을 내지 못한다. 정말로 새롭고 낯선 단백질일수록 빈칸으로 남을 확률이 높은 셈이다.

BetaDescribe는 이 빈칸을 겨냥한다. 단백질 서열을 입력하면 그 단백질의 기능, 촉매 활성, 참여하는 대사 경로, 세포 안에서 자리 잡는 위치 같은 속성을 자연어 문장으로 풀어 낸다. 서열이라는 글자 배열을 사람이 읽을 수 있는 설명으로 옮기는, 일종의 번역기에 가깝다. 바탕이 되는 언어 모델은 대규모 텍스트로 사전학습된 LLAMA2 계열이다.

가장 큰 차별점은 닮은 서열이 없어도 작동하도록 설계됐다는 점이다. 상동성 기반 방법이 손을 못 대는 미지의 단백질에도 설명을 시도할 수 있어, 기존 자동 주석의 보완재로 소개된다. 연구팀은 서열만으로 어떤 잔기나 영역이 기능에 중요한지 탐색하는 in-silico 돌연변이 실험에도 쓸 수 있다고 제시했다.

연구팀은 그때까지 특성이 알려지지 않았던 단백질 6개에 대해 설명을 생성하는 데 성공했다고 보고했다. 가능성을 보여 주는 사례이지만, 대규모 배포를 이야기하기에 6개라는 표본은 아직 작다. 여기서 자연스럽게 질문이 생긴다. 정답이 알려지지 않은 단백질에 붙인 설명이 맞는지, 무엇으로 확인할 것인가.

BetaDescribe의 답은 역할을 나누는 것이다. 세 개의 구성 요소가 서로 다른 일을 맡는다.

• 생성기(Generator)는 서열을 받아 기능을 설명하는 후보 문장을 여러 개 만든다.
• 검증기(Validators)는 생성기와 독립적으로, 세포 내 위치 같은 비교적 단순한 속성을 서열에서 직접 예측한다.
• 판정기(Judge)는 생성기가 낸 후보들을 검증기의 예측과 대조해 받아들일지 버릴지 정하고, 단백질 하나당 최대 세 개의 설명을 최종 후보로 남긴다.

생성한 것이 곧 맞다는 보장은 없으니 따로 채점하는 층을 둔 셈이다. 만든 쪽과 채점하는 쪽을 분리한 설계는 그 자체로 합리적이다. 생성기가 스스로를 채점하게 두면 자기가 쓴 답에 후한 점수를 주기 쉽기 때문이다.

모델이 낸 결과를 또 다른 모델이 채점하는 구조를 우리는 텍스트에서 먼저 만났다. LLM이 쓴 답을 LLM이 평가하는 이른바 LLM-as-judge 방식이다. 인용이 실제 논문과 맞는지 검증하는 실험에서는 값싼 판정 모델이 프런티어 모델과 비슷한 수준으로 채점해 냈다는 결과도 나왔다. 판정을 모델에 맡기는 것이 늘 나쁜 것은 아니라는 뜻이다.

다만 그 사례들에는 공통된 전제가 있었다. 채점의 대상에 확인 가능한 정답이 있었다는 점이다. 인용은 원문을 열어 대조할 수 있고, 코드는 실행해서 통과 여부를 볼 수 있다. 판정 모델이 틀려도 사람이 나중에 원본과 맞춰 보고 바로잡을 여지가 있었다.

단백질 기능 설명에는 그 여지가 훨씬 얇다. 한 번도 실험된 적 없는 단백질이라면 대조할 정답이 아직 세상에 없다. 판정기가 어떤 설명을 받아들였다는 사실이, 그 설명이 옳다는 증거가 되지는 못한다. 검증의 마지막 병목은 더 빠른 모델이 아니라 실험실에서 확인하는 시간이라는 제약이 그대로 남는다.

생성형 주석은 이미 대규모로 쓰이고 있다. 구글이 2023년 공개한 ProtNLM은 서열에 제목을 붙이듯 기능 설명을 생성하는 모델로, UniProt 자동 주석 파이프라인에 통합돼 약 4,900만 건의 서열에 이름을 붙였다. 정해진 라벨 중에서 고르는 분류가 아니라 새 문장을 만들어 낸다는 점에서 BetaDescribe와 같은 계열이고, 그래서 "만들어 낸 설명을 무엇으로 확인하느냐"는 문제를 처음부터 안고 시작한다.

빠르고 많이 붙인 주석이 곧 맞는 주석은 아니다. UniProtKB 전반을 분석한 연구들은 단백질의 64%가 불완전한 주석을 갖고 있고, 기능의 83%에서 소스마다 용어가 어긋나는 불일치가 나타난다고 보고했다. 오류는 대체로 세 갈래다. 하지 않는 기능을 한다고 붙인 잘못된 주석, 기능의 일부만 적은 불완전한 주석, 같은 기능인데 소스마다 다르게 적은 불일치 주석이다.

이 수치들은 BetaDescribe를 평가한 것이 아니라 생성형 주석이 들어서기 전부터 있던 배경이다. 그러나 잘못된 라벨이 한 번 데이터베이스에 들어가면, 다음 모델이 그것을 학습하고 다시 옮겨 붙이며 오류가 번지는 구조는 텍스트에서도 익숙하다. ProtNLM 쪽도 외부 증거 없이 생성한 설명을 검증하기는 어렵다고 스스로 인정하며, 사용자 피드백으로 개선한다는 사후 인간 검증 루프에 기대고 있다.

BetaDescribe가 여는 가능성은 분명하다. 닮은 서열이 없어 빈칸으로 남던 단백질에 처음으로 설명의 실마리를 준다는 것은 작지 않은 진전이다. 다만 그 설명을 데이터베이스에 라벨로 올리는 순간, 그것은 연구의 가설이 아니라 다음 모델이 참으로 학습할 사실이 된다. 그 경계에서 필요한 것은 텍스트 데이터를 다뤄 온 쪽에는 이미 익숙한 원칙들이다.

• 불확실성 표기. 생성한 설명에 확정 라벨과 예측 라벨을 구분하는 신뢰도를 함께 붙여, 검증되지 않은 설명이 검증된 것처럼 유통되지 않게 한다.
• 실험 검증의 우선순위화. 실험실 시간은 한정돼 있으니, 가장 의심스럽거나 파급이 큰 라벨부터 먼저 확인하도록 순서를 매긴다.
• 오류 유형별 모니터링. 잘못된 주석, 불완전한 주석, 불일치 주석 중 어디에 특히 취약한지를 나눠 추적한다.

정답이 없는 데이터에 AI가 라벨을 달 때 그 라벨을 무엇으로 채점하는가. 텍스트에서 반복해 온 이 질문이 이제 생물학 데이터라는 새 무대에 올랐다. 무대가 바뀌었을 뿐 질문은 같고, 답도 크게 다르지 않다. 라벨을 만드는 능력만큼 그 라벨을 의심하고 검증하는 절차를 함께 갖출 때에만, 생성된 설명은 그럴듯한 문장을 넘어 믿을 수 있는 데이터가 된다.

학술 논문

• 1.Dotan, E., Lyubman, I., Bacharach, E., Ehrlich, M., Belinkov, Y., Pupko, T. (2026). "BetaDescribe: Providing rich descriptions from protein sequences." PNAS.
• 2.Dotan, E., Lyubman, I., Bacharach, E., Ehrlich, M., Belinkov, Y., Pupko, T. (2024). "Protein2Text: Providing Rich Descriptions for Protein Sequences." bioRxiv (프리프린트).
• 3.Gane, A. (2022). "ProtNLM: Model-based Natural Language Protein Annotation." Google Research (프리프린트).
• 4.Faria, D., Schlicker, A., Pesquita, C., Bastos, H., Ferreira, A.E.N., Albrecht, M., Falcão, A.O. (2012). "Mining GO Annotations for Improving Annotation Consistency." PLOS ONE.

1차 소스·공식 문서

• 5.phys.org (2026). "AI system translates protein sequences into text, helping reveal functions of unknown proteins."
• 6.Technion Israel Institute of Technology (2026). "The Language of Proteins." 공식 블로그.
• 7.UniProt Consortium. "Automatic annotation." UniProt Help.