Research Data & AI

https://www.qmul.ac.uk/ 이번 주 AI4S 분야는 생명과학 연구의 패러다임을 바꿀 수 있는 '알파폴드 3'의 성능 고도화 소식과 함께, AI 에이전트들이 도구와 데이터베이스를 스스로 활용하며 협업할 수 있는 '에이전틱 AI(Agentic AI)' 생태계 조성이 핵심 이슈로 떠올랐다. < 주요 연구 성과 및 뉴스 > ▣   구글 딥마인드 :  대규모 업데이트와 데이터베이스 확장 Google DeepMind는 단백질뿐만 아니라 DNA, RNA, 리간드(ligands) 등 모든 생체분자의 상호작용을 예측하는 차세대 모델 '알파폴드 3'를 발표하고(2024.5), 최근  알파폴드 데이터베이스의 대규모 확장과  '알파폴드 서버'의 기능 고도화와 오픈소스화가 진행되었 다 . 복합체 구조의 대량 공개 : 2026년 3월 중순, 구글  딥마인드와 EMBL-EBI는 수백만 개의 단백질 복합체구조 를 알파폴드 데이터베이스에 새롭게 추가했다. 데이터 규모: 2026년 현재 데이터베이스는 2억 개 이상의 구조를 포함하고 있으며, 특히 이번 봄에 이루어진 업데이트는 이전 버전에서 다루기 힘들었던 '분자 간 상호작용' 데이터가 대거 포함되었다는 점이 핵심이다. 오픈 소스 전환 : 알파폴드 3는 초기 출시 당시 소스 코드가 제한적이었으나, 2024년 말과 2025년 중반을 거치며 학술용 소스 코드와 모델 가중치가 완전히 공개되었다. 실시간 서버 업데이트 : 2026년 5월 현재 운영 중인 '알파폴드 서버'는 단순 단백질 접힘을 넘어 DNA, RNA, 리간드 결합까지 지원하는 최종 안정화 버전으로 업데이트되어, 연구 현장에서의 실질적인 활용도가 이번 주에 정점을 찍고 있다. 출처 : AlphaFold Protein Structure Database, 2026.05., https://alphafold.ebi.ac.uk/ ▣   퀸 메리 대학교: 곤충 뇌 모방을 통한 초고...

  논문을 많이 쓰면 훌륭한 연구자일까? 오랫동안 우리는 그렇게 믿어왔다. 논문 수, 인용 횟수, 피인용 지수. 이 숫자들이 연구자의 가치를 증명해 왔다. 그러나 AI가 하루 만에 논문 초안을 완성하고, 수천 편의 선행 연구를 순식간에 분석하는 지금, 그 믿음은 조용히 흔들리고 있다. 숫자가 놓치는 것들 인용 횟수는 여전히 강력한 지표처럼 보인다. 하지만 그 이면을 들여다보면 허점이 드러난다. 연구자들끼리 서로의 논문을 인용해주는 카르텔, 화제성 높은 주제에 쏟아지는 '따라쓰기' 연구들, 발표 당시엔 주목받았지만 기술 변화 앞에 금세 낡아버리는 결론들. 숫자는 부풀려질 수 있고, 유행은 금세 지나간다. 더 근본적인 문제가 있다. AI는 이미 데이터를 분석하고, 패턴을 찾고, 논문을 쓰는 일을 인간보다 빠르게 해낸다. 그렇다면 그 일을 더 열심히 하는 것이 과연 경쟁력이 될 수 있을까. AI 시대가 요구하는 연구자의 역할 패러다임이 바뀌고 있다. 과학자가 AI를 도구로 쓰는 'AI for Science'의 시대, 연구자에게 요구되는 능력은 달라진다.  AI가 내놓은 결과가 정말 맞는지 판단하는 것, 알고리즘이 보지 못하는 맥락을 읽어내는 것, 그리고 무엇보다 "지금 우리가 풀어야 할 문제가 정말 이것인가" 를 묻는 것. 이것은 AI가 쉽게 흉내 낼 수 없는 인간의 영역이다. 데이터를 잘 다루는 사람보다, 어떤 데이터를 왜 모아야 하는지를 아는 사람이 필요해진다. 한국 연구의 돌파구는 어디에 있는가 미국과 중국이 AI 패권을 두고 정면충돌하는 사이, 한국의 선택지는 무엇인가.  중국식 전략, 즉 인력과 예산을 쏟아부어 양으로 압도하는 방식은 한국의 현실에서 작동하지 않는다. 그렇다고 미국의 기초과학 생태계를 단기간에 따라잡을 수도 없다. 한국이 집중해야 할 것은 질문의 질 이다. 10년 뒤에도 유효한 문제를 먼저 발견하는 것, 남들이 당연하게 여기는 전제를 의심하는 것, AI를 손에 쥐고 인간 사회의 ...

AI는 더 이상 선택의 영역이 아니다. 이미 경쟁의 기준 자체가 바뀌었다. 과거의 경쟁력은 얼마나 많은 지식을 보유하느냐에 달려 있었다. 의사는 방대한 의학 지식을, 변호사는 판례를, 분석가는 데이터를 머릿속에 축적하는 것이 곧 전문성이었다. 그러나 지금은 다르다. 생성형AI는 수백만 건의 논문을 순식간에 요약하고, AI 분석도구는 인간이 며칠씩 걸리던 데이터 처리를 짧은 시간에 완료한다. 지식의 독점은 이미 끝났다. 방대한 데이터를 목적에 맞게 가공하고, 그로부터 의미 있는 가치를 창출하는 능력이 새로운 핵심역량으로 자리 잡았다. 이 변화는 단순한 업무 효율화 수준을 훨씬 넘어선다. 복잡한 정보를 체계적인 지식구조로 전환하거나, 파편화된 자료 속에서 핵심 통찰을 끌어내는 일은 단순히 AI를 '사용하는 것'만으로는 불가능하다. 실제로 맥킨지 연구에 따르면, AI 도입기업 간 성과격차의 상당 부분은 기술 차이가 아니라 AI를 활용하는 사람의 역량 차이에서 비롯된다. 인간의 직관과 AI의 연산력이 정밀하게 결합될 때 비로소 그 결과가 극대화된다. 전문적인 연구, 데이터 구조화, 의사결정 지원 영역에서 AI 활용 역량의 차이는 결과물의 격차로 직결된다. 그렇다면 AI 시대에 진정으로 필요한 능력은 무엇인가? 첫째는 기획력이다. AI에게 정확하고 날카로운 질문을 던지는 능력, 즉 문제를 구조화하고 목적을 명확히 설정하는 힘이다. 같은 AI 도구를 사용하더라도 어떤 프롬프트를 설계하느냐에 따라 결과물의 수준은 천차만별이다. 이는 단순한 기술적 숙련도의 문제가 아니라, 문제의 본질을 꿰뚫는 사고력의 문제다. 둘째는 전문성이다. AI가 내놓은 결과물을 그대로 수용하지 않고, 비판적으로 검토하여 완성도를 높이는 판단력이다. AI는 그럴듯한 오류를 자신 있게 제시하기도 한다. 이른바 '할루시네이션(hallucination)' 현상이다. 이를 걸러내는 것은 오직 해당 분야의 깊은 전문지식을 갖춘 인간만이 할 수 있다. AI를 검증할 수 ...

                                                     iStock,  Ilya Lukichev 2026년 4월 4주차 및 5월 1주차(4.27~5.4) AI for Science(AI4S) 분야의 주요 뉴스 및 연구 소식들이다. 지난 주간에는 유전자 편집 및 암 진단과 같은 바이오 의료 분야의 실질적인 산업성과와 더불어, 과학적 수학문제를 해결하는 새로운 알고리즘 모델 등장이 두드러졌다. < 주요 연구 성과 및 뉴스 > ▣   Eli Lilly & Profluent, 유전자 편집의 '성배'를 찾기 위한 22.5억 달러 규모 협력 글로벌제약사 일라이 릴리(Eli Lilly)와 AI바이오기업 프로플루언트(Profluent)가 AI 모델을 이용한 차세대 유전자편집 기술 개발을 위해 대규모 파트너십을 체결했다. AI모델을 사용하여 DNA를 정교하게 자르고 재결합하는 '부위특이적 재조합 효소(Site-specific recombinases)'를 설계한다.  기존 유전자 편집의 한계를 넘어 킬로베이스(kb) 단위의 대규모 DNA 편집을 가능하게 하는 기술을 목표로 하며, 이는 유전질환치료의 새로운 지평을 열 것으로 기대된다.  릴리는 최근 엔비디아(NVIDIA)와 협력하여 구축한 슈퍼컴퓨터 '릴리팟(LillyPod)'을 통해 이러한 AI기반 약물 발굴 속도를 가속화하고 있다. 출처:  Lilly, AI biotech Profluent ink $2.25B pact in search of genetic medicine ‘holy grail’ ( BioSpace, 2026.04.28) ▣ 미  펜실베이니아 대학교, 과학의 난제 ...