Anthropic 발표…실험실 검증에서 업계 평균 성공률 상회
Anthropic은 2026년 8월 18일 Claude(Opus 4.8 및 Mythos Preview)가 de novo 단백질 바인더를 설계하고, 독립적인 실험실에서 실제 결합을 확인했다고 공식 발표했다. 이 결과는 AI가 단순 계산을 넘어 실험 과학의 핵심 병목을 줄일 수 있음을 보여주는 구체적인 사례로 주목받고 있다.
실험 개요와 확인된 사실
Anthropic은 단백질 설계 벤치마크에서 자주 쓰이는 타깃과 Adaptyv Bio의 BenchBB 전체, 그리고 최근 경쟁에서 나온 신규 타깃(15-PGDH, GDF-8 등)을 포함해 총 15–16개 타깃을 선정했다. Claude에게 약 3만 토큰 분량의 전문가 작성 프로토콜 프롬프트를 주고, 에피토프·스캐폴드·서열을 지정하지 않은 채 자율적으로 설계를 진행하게 했다.
Claude는 공개된 전문 모델(RFdiffusion 계열, SolubleMPNN, ESMFold2, Protenix 등)을 직접 설치·실행하고, 타깃 조사·에피토프 선택·후보 생성·in silico 최적화·순위 매기기까지 수행했다. 각 타깃당 30개씩, 총 1,320개 설계가 Adaptyv Bio와 Twist Bioscience에 보내져 합성·발현·결합 측정(SPR)을 받았다. 두 CRO는 설계 출처를 모른 채 독립적으로 실험을 진행했다.
주요 수치
- 해석 가능한 데이터가 나온 15개 타깃 중 14개에서 바인더 확인
- 전체 1,320개 설계 중 354개가 결합 (히트율 약 26.8–27%)
- 다중 타깃 동시 설계(48시간): Mythos Preview 26.7%, Opus 4.8 22.6%
- 단일 타깃 집중 설계(24시간): Mythos Preview 35.1%
- 분야 일반적 히트율: 10–15%
- 상위 순위 설계의 히트율은 더 높아, 1순위 설계만 보면 약 49%
- 일부 바인더는 기존 경쟁 우승작보다 강한 친화도를 보임 (예: RBX1에서 3.9 nM vs 재측정된 우승작 45 nM)
발현률도 약 95%로, 최근 전문가 경쟁 수준과 맞먹었다. 프롬프트와 설계 서열, 실험 데이터는 Hugging Face에 공개됐다.
기술적 접근 방식의 특징
이번 실험의 핵심은 Claude가 ‘전문 도구를 오케스트레이션하는 에이전트’ 역할을 했다는 점이다. 단순 생성 모델이 아니라, 공개 단백질 설계·구조 예측 도구를 스스로 선택·실행하고, 결과를 평가하며 반복하는 폐쇄 루프를 돌렸다. 인간 전문가가 프롬프트를 작성하고 인프라를 제공한 것은 맞지만, 설계 결정 과정 자체에는 개입하지 않았다.
이 방식은 기존 전문 단백질 설계 파이프라인(전문가 팀이 수주–수개월 소요)과 비교해 시간과 전문성 장벽을 크게 낮춘다. 동시에, 순수 특화 모델만으로는 다루기 어려운 ‘캠페인 전체 오케스트레이션’ 문제를 일반 목적 LLM이 해결할 수 있음을 보여준다.
심층 분석
과학적 관점
단백질 바인더 설계는 신약 개발의 초기 단계 중 하나다. 타깃에 강하게 결합하는 분자를 찾는 작업은 전통적으로 많은 시행착오를 요구했다. Claude의 결과는 AI가 이 단계를 가속할 수 있다는 직접적인 증거를 제공한다. 특히 여러 타깃에서 경쟁 참가자들의 히트율과 친화도를 넘어서거나 맞먹는 성과를 낸 점은, 에이전트형 AI가 이미 전문가 수준의 설계 캠페인을 수행할 수 있음을 시사한다.
다만 결합 확인은 시작에 불과하다. 구조 검증, 세포 활성, 안정성, 면역원성, 약동학 등 후속 단계는 여전히 남아 있다. 타깃별로 히트율이 크게 달라진 점(일부 타깃은 0%, 일부는 90%에 가까움)도, 아직 ‘모든 타깃에 보편적으로 적용 가능한 완전 자동화’ 단계는 아님을 보여준다.
산업·신약 개발 관점
신약 개발에서 초기 후보 발굴 비용과 시간은 여전히 큰 병목이다. AI가 수주–수개월 걸리던 설계를 하루–이틀 수준으로 줄이고, 성공률을 2배 가까이 끌어올리면 전체 파이프라인의 처리량이 늘어날 수 있다. 특히 자동화 wet-lab(Adaptyv Bio 같은 클라우드 랩)과 결합하면 ‘설계–합성–측정–학습’ 루프가 빠르게 돌 수 있다.
이는 기존 단백질 공학 기업과 AI 네이티브 바이오텍 모두에게 기회이자 압력이다. 전문 설계 인력의 역할이 ‘직접 설계’에서 ‘프롬프트·검증·후속 최적화’로 이동할 가능성이 있다. 동시에, 오픈소스 도구만으로도 이 수준의 성과가 나왔다는 점은 진입 장벽을 낮추는 요인이다.
한계와 주의점
- 자율성의 범위: 프롬프트 자체는 인간 전문가가 작성했다. Claude가 제로에서부터 완전히 독립적으로 문제를 정의한 것은 아니다.
- 타깃 의존성: 잘 연구된 벤치마크 타깃과 일부 신규 타깃에서 성과를 냈지만, 표면이 평평하거나 유연한 타깃(예: MBP)에서는 실패했다.
- 측정 범위: 결합만 확인했을 뿐, 치료제로 이어지기 위한 활성·독성·제조 가능성 등은 검증되지 않았다.
- 이중 사용 위험: 단백질 설계 능력은 치료제뿐만 아니라 위험 물질 연구에도 쓰일 수 있다. Anthropic도 이 점을 명시적으로 언급하며, 관련 기능을 일반 공개에서 제한하고 있다.
향후 전망
이번 결과는 ‘에이전트형 AI + 자동화 실험실’ 조합이 실제 과학 워크플로우에 진입할 수 있음을 보여준다. 앞으로 더 긴 시간 규모의 캠페인, 더 어려운 타깃, 그리고 결합을 넘어 기능까지 검증하는 폐쇄 루프가 시도될 가능성이 높다. 프롬프트와 데이터가 공개됐기 때문에, 다른 연구 그룹이 재현·확장·개선하는 작업도 빠르게 이어질 것으로 보인다.
궁극적으로는 단순 바인더를 넘어 효소, 멀티 도메인 조립체, 스위치 단백질 등으로 범위가 넓어질 수 있다. 다만 그 과정에서 실험 데이터 품질, 재현성, 그리고 안전 거버넌스가 함께 따라와야 한다.
참고: 본 분석은 Anthropic 공식 연구 블로그와 기술 보고서, Adaptyv Bio의 독립 실험 결과를 기반으로 작성됐다. 모든 수치는 발표 시점의 공개 자료에 따른 것이다.