서울대학교 그랜드퀘스트

• Admin

1. 기존의 전제 (The Assumption)

백신 개발의 오랜 전제는 항원 또는 사멸시킨 병원체를 외부에서 만들어 인체에 주입해야 면역이 생긴다는 것이었다. 이 전제에 따라 세포 배양, 단백질 발현, 정제, 품질 검사 등 복잡한 대규모 바이오 공정이 구축되었고, 하나의 백신이 탄생하는 데 수개월에서 수년이 걸리는 것은 당연한 일로 받아들여졌다. 세포가 RNA를 읽어 단백질을 만든다는 분자생물학의 중심 원리는 이미 알려져 있었지만, 이 원리를 백신 제조의 혁신으로 연결하는 상상은 오랫동안 이루어지지 않았다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

RNA 연구자였던 커털린 커리코(Katalin Karikó)는 이상한 점을 발견했다. 우리 몸 안에는 다양한 RNA가 존재하지만 자가 면역 반응을 일으키지 않는다. 그러나 실험실에서 만든 mRNA를 세포에 넣으면 강한 염증 반응이 발생했다. RNA 자체가 위험한 것이라면 왜 세포 내부 RNA는 문제가 없을까? 문제는 RNA의 존재가 아니라 염기의 화학적 변형 같은 구조적 차이에 있는 것 아닐까? 그렇다면 RNA를 안전하게 전달할 수 있다면, 몸이 스스로 단백질을 만들게 할 수 있지 않을까 하는 질문이 떠올랐다.

3. 그랜드퀘스트 (The Grand Quest)

외부 항원을 주입하지 않고 RNA로 인체가 스스로 백신을 생산하게 만들 수 있을까?

4. 스몰베팅 (Small Betting)

처음에는 mRNA의 불안정성과 면역 독성, 전달 기술 부재 등의 이유로 mRNA를 이용한 의약품 개발에 대한 회의가 컸다. 커털린 커리코는 20년 가까이 연구비 지원을 거절당하면서도 mRNA 연구를 이어갔고, 2005년 드루 와이스먼(Drew Weissman)과의 공동 연구를 통해 합성 mRNA의 우리딘(uridine)을 슈도우리딘(pseudouridine)으로 변형하면 면역 반응이 현저히 감소한다는 사실을 발견했다. 캐나다의 피터 컬리스(Pieter Cullis)는 지질 나노 입자(lipid nanoparticle)를 이용해 mRNA를 세포 안으로 전달하는 기술을 개발했다. 바이오엔텍(BioNTech)과 모더나(Moderna)는 암, 독감, 바이러스 감염병 등 다양한 방향으로 임상 시도를 이어가며 플랫폼 기술의 토대를 쌓았다.

5. 스케일업 (Scale Up)

2020년 1월 코로나바이러스의 유전체 서열이 공개된 지 며칠 만에 바이오엔텍과 모더나가 백신 후보 물질을 설계했다. 미국 정부의 워프 스피드(Warp Speed) 작전과 대규모 자금 지원, FDA의 신속 검토가 결합되어 통상 수년이 걸리는 임상 과정이 반년으로 압축되었다. 2020년 12월 화이자-바이오엔텍과 모더나의 mRNA 백신이 FDA 긴급 사용 승인을 받았다. 지질 나노 입자 기반의 안정적인 전달 기술과 mRNA 변형 기술이 대규모 공정으로 구현되면서, 수억 명에게 접종할 수 있는 백신 생산이 실현되었다.

6. 이 질문이 열어젖힌 미래 (Impact)

이 질문은 백신의 개념 자체를 바꾸었다. 백신은 더 이상 완성된 단백질 제품을 만들어 인체에 주입하는 방식이 아니라, 단백질을 생산하는 정보를 전달하여 인체가 스스로 단백질을 만들게 하는 플랫폼이 되었다. 병원체의 유전자 서열만 확보되면 mRNA 설계를 통해 신속하게 백신을 개발할 수 있는 길이 열렸다. 이 접근은 감염병 백신을 넘어 암 치료 백신, 단백질 치료제 등 RNA를 매개로 인체의 단백질 생산 과정에 직접 개입하는 새로운 의학 기술의 연구 영역을 열었다.

1. 기존의 전제 (The Assumption)

암 치료의 오랜 전제는 암세포가 정상 세포에서 유래한 자기 세포이기 때문에 면역계가 이를 강하게 공격하지 못하며, 따라서 암 치료는 외부에서 가해지는 의학적 개입으로 암세포를 직접 제거하는 방식으로 이루어져야 한다는 것이었다. 수술, 방사선 치료, 항암 화학요법 등 대부분의 치료법은 암세포 자체를 파괴하거나 증식을 억제하는 데 초점을 맞추었다. 면역계는 세균이나 바이러스 같은 외부 침입자를 제거하는 시스템이지만, 자기 세포에서 발생한 암은 효과적으로 제거할 수 없다고 여겨졌다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

면역학 연구자들은 T세포의 활성 과정에서 이상한 현상을 발견했다. T세포에는 공격 신호뿐 아니라 면역 반응을 억제하는 '브레이크'와 같은 분자들이 존재한다는 사실이 밝혀진 것이다. 특히 CTLA-4와 PD-1 같은 분자는 T세포의 활성을 억제하는 역할을 한다는 연구 결과가 나타났다. 나아가 많은 암세포가 PD-L1이라는 단백질을 표면에 발현하여 T세포의 PD-1과 결합함으로써 면역 공격을 능동적으로 차단한다는 관찰도 보고되었다.

3. 그랜드퀘스트 (The Grand Quest)

면역세포의 억제 신호를 차단하면 인체가 암을 스스로 제거할 수 있을까?

4. 스몰베팅 (Small Betting)

처음에는 면역계를 이용한 암 치료에 대한 회의가 컸다. 그러나 제임스 앨리슨(James Allison) 연구팀은 CTLA-4를 차단하면 T세포의 항암 반응이 회복될 수 있다는 가설을 생쥐 실험으로 검증했고, 혼조 다스쿠(Tasuku Honjo) 연구팀은 PD-1이 면역 반응을 억제하는 핵심 분자라는 사실을 밝혔다. 이후 PD-L1을 발현한 암세포가 T세포의 공격을 회피한다는 메커니즘이 확인되면서, CTLA-4, PD-1, PD-L1을 표적으로 하는 면역관문 억제제 개발이 시작되었다. 초기 임상에서 일부 말기 암 환자의 종양이 극적으로 줄어드는 사례가 나타나면서, 점차 가능성을 인정받기 시작했다.

5. 스케일업 (Scale Up)

2011년 CTLA-4 억제제인 이필리무맙이 전이성 흑색종 치료제로 FDA 승인을 받으면서 면역관문 억제제는 실제 암 치료에 도입되었다. 이후 PD-1 억제제인 펨브롤리주맙과 니볼루맙이 승인되었고, 이 치료법은 흑색종을 넘어 폐암, 신세포암, 방광암 등 다양한 암종으로 확대되었다. 연구자들은 PD-L1 발현 수준, 종양 돌연변이 부담(tumor mutational burden, TMB), 현미부수체 불안정성(microsatellite instability, MSI) 같은 바이오마커를 통해 반응 환자를 예측하려 했고, 병용 요법도 개발했다.

6. 이 질문이 열어젖힌 미래 (Impact)

이 질문은 암 치료의 패러다임을 바꾸었다. 수술, 방사선 치료, 항암 화학요법 등으로 암세포를 직접 공격하는 대신 면역계의 억제 신호를 차단하여 인체가 스스로 암세포를 제거하도록 만드는 면역항암 치료가 등장했다. 특히 CTLA-4와 PD-1을 차단하는 면역관문 억제제는 일부 환자에서 장기 생존을 가능하게 하며 암 치료의 새로운 축으로 자리 잡았다. 또한 이 발견은 면역학과 종양학의 경계를 허물어 면역 종양학(immuno-oncology)이라는 독립 분야를 탄생시켰고, CAR-T 세포 치료를 포함한 면역 기반 치료 전반의 폭발적 성장을 이끌었다. 2018년 노벨 생리의학상은 면역관문억제 원리를 발견한 제임스 앨리슨과 타스쿠 혼조가 공동 수상했다.

1. 기존의 전제 (The Assumption)

20세기 주류 경제학은 인간의 합리적 선택을 가정했다. 개인은 완전한 정보를 토대로 자신의 효용을 극대화하는 방향으로 선택하며, 감정이나 편향은 분석에서 제외되거나 예외적 노이즈로 취급되었다. 기대효용이론과 합리적 선택 모형이 경제학 전반의 이론적 기반이 되었고, 시장 균형과 가격 형성, 위험 선택 등을 설명하는 데 강력한 도구로 쓰였다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

1970년대 심리학 연구에서 인간의 판단이 체계적인 편향을 가진다는 실험 결과가 반복적으로 나타났다. 사람들은 확률을 정확히 계산하기보다 대표성, 가용성, 닻 내림(anchoring)과 같은 단순한 판단 규칙에 의존했고, 동일한 내용도 표현 방식에 따라 전혀 다른 선택을 했다. 나아가 카너먼과 트버스키는 1979년 전망이론을 통해 사람들이 결과를 절대적 수준이 아닌 기준점 대비 이득과 손실로 평가하며, 손실에서 느끼는 고통이 같은 크기의 이득에서 느끼는 기쁨보다 약 두 배 크다는 손실 기피 현상을 발견했다. 이러한 결과는 완전한 합리성이라는 전제가 실제 인간 행동을 충분히 설명하지 못한다는 의문을 제기했다.

3. 그랜드퀘스트 (The Grand Quest)

인간의 선택은 합리성이라는 가정 없이도 설명될 수 있을까?

4. 스몰베팅 (Small Betting)

처음에는 심리학 실험이 경제학에 유의미한 기여를 할 수 있다는 시각이 거의 없었다. 그러나 심리학자 대니얼 카너먼(Daniel Kahneman)과 아모스 트버스키(Amos Tversky)는 인간이 동일한 문제를 표현 방식에 따라 다르게 선택한다는 틀 효과(framing effect)와, 이득보다 손실에 더 민감하게 반응하는 손실 기피(loss aversion)를 실험으로 반복 검증했다. 이후 리처드 탈러(Richard Thaler)가 심적 회계(mental accounting)와 보유 효과(endowment effect) 등을 경제적 현상에서 관찰하면서, 행동경제학의 발견들이 현실과 연결되기 시작했다. 또한 로버트 실러(Robert Shiller)는 주식 시장의 과잉반응과 버블 현상에 관한 금융 실증 연구를 통해 합리적 행위자 모형이 금융 시장을 충분히 설명하지 못함을 보였다.

5. 스케일업 (Scale Up)

2002년 카너먼의 노벨 경제학상 수상, 2017년 탈러의 노벨 경제학상 수상, 그리고 넛지(Nudge) 정책의 전 세계적 확산이 이어졌다. 손실 기피, 현재 편향, 심적 회계 등의 개념이 정책, 금융, 의료 등 다양한 분야에서 실제 의사결정 설계에 적용되기 시작했다. 영국은 2010년 세계 최초의 행동경제학 정책 자문 기구인 BIT(Behavioural Insights Team)를 창설했다. 행동경제학의 주요 개념이 정책, 금융, 의료 등 다양한 분야에서 실제 의사결정 설계에 적용되기 시작했다. 2013년에는 실러가 자산 가격 행동에 관한 실증 분석으로 노벨 경제학상을 수상했다.

6. 이 질문이 열어젖힌 미래 (Impact)

이 질문은 경제학 연구 방향을 근본적으로 확장시켰다. 인간의 실제 판단 과정과 심리적 편향을 경제 분석에 통합하는 행동경제학이 등장했고, 손실 기피는 마케팅과 보험 설계를, 현재 편향은 연금·저축 정책을, 심적 회계는 금융 상품 구조를 바꾸었다. 경제학은 합리적인 인간만을 가정하는 학문에서 인지적 한계와 심리를 반영하는 방향으로 확장되었다. 행동금융학(behavioral finance)은 효율적 시장 가설이 설명하지 못했던 버블, 군집행동, 과잉반응 등을 체계적으로 분석하는 분야로 정립되었다.

1. 기존의 전제 (The Assumption)

인공지능 연구의 오랜 전제는 지능이란 명시적으로 설계된 규칙과 논리의 집합으로 구현된다는 것이었다. 인간의 사고를 조건-결과 형태의 규칙으로 분해하여 기계에 입력하면 지능이 구현될 수 있다고 보았고, 1980년대 전문가 시스템(Expert System)은 이 믿음을 실제 기술로 구현한 결과였다. 그러나 이미지 인식이나 언어 이해처럼 규칙을 명확히 정의하기 어려운 문제에서 이 접근법은 거의 작동하지 않았고, 인공지능의 겨울(AI Winter)로 이어졌다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

이미지 인식과 음성 처리에서 규칙 기반 접근이 반복적으로 실패하면서 기존 전제에 균열이 생겼다. 사람은 명확한 규칙을 설명하지 못해도 얼굴을 인식하고 언어를 이해한다는 점에 주목한 연구자들은 신경망 초기 연구에서 데이터로부터 패턴을 학습할 수 있다는 가능성을 발견했다. 1980년대 제프리 힌턴(Geoffrey Hinton) 연구팀이 역전파 알고리즘을 다층 신경망에 적용하는 방법을 정립하고, 얀 르쿤(Yann LeCun)이 합성곱 신경망으로 손으로 쓴 숫자 인식에 성공하면서, 규칙 없이 기계가 패턴을 인식할 수 있다는 가능성이 실제로 입증되기 시작했다.

3. 그랜드퀘스트 (The Grand Quest)

규칙을 명시적으로 가르치지 않아도 기계가 스스로 패턴을 인식할 수 있을까?

4. 스몰베팅 (Small Betting)

딥러닝 연구는 수십 년에 걸쳐 냉소와 침묵의 시기를 견뎌냈다. 힌턴 연구팀은 제한적 볼츠만 기계를 층층이 쌓는 방식으로 깊은 신경망 학습을 탐색했고, 요슈아 벤지오(Yoshua Bengio)는 언어 모델링에 신경망을 적용하는 실험을 이어갔다. LSTM, 드롭아웃, ReLU 같은 핵심 기법들이 하나씩 쌓였고, 2007년 엔비디아의 CUDA가 GPU 병렬 연산을 신경망 학습에 열어주면서 조건이 갖추어졌다. 이들의 연구는 주류 학계에서 외면받으면서도 가능성의 근거를 계단 한 칸씩 쌓아갔다. 한편 페이-페이 리(Fei-Fei Li) 연구팀이 구축한 ImageNet 데이터셋은 이 가능성을 검증할 공통의 시험장을 마련했다.

5. 스케일업 (Scale Up)

2012년 AlexNet이 ImageNet 대회에서 기존 기법들과의 격차를 압도적으로 벌리며 우승하면서 딥러닝은 일시에 주목받았다. 이후 구글, 마이크로소프트, 메타 등 주요 기업들이 연구에 뛰어들었고, 2017년 트랜스포머(Transformer) 구조의 등장으로 자연어 처리 성능이 비약적으로 향상되었다. 2022년 ChatGPT 출시 두 달 만에 사용자 1억 명을 돌파하며 딥러닝의 영향력은 기술 영역을 넘어 사회 전반으로 확산되었다. 2024년에는 존 홉필드(John Hopfield)와 제프리 힌턴이 인공 신경망과 기계 학습의 기초를 세운 공헌으로 노벨 물리학상을 공동 수상했다.

6. 이 질문이 열어젖힌 미래 (Impact)

이 질문은 인공지능 연구의 방향을 설계된 지능에서 학습하는 지능으로 근본적으로 전환시켰다. 딥러닝은 이미지 인식, 음성 인식, 자연어 처리에서 기존 성능 한계를 돌파했고, 생성적 적대 신경망(GAN), 확산 모델 등 생성형 인공지능(Generative AI)이라는 새로운 영역을 열었다. 자율주행, 의료 진단, 신약 개발, 기후 모델링까지 파급되었으며, 개인정보·저작권·알고리즘 편향 같은 새로운 사회적 의제도 함께 열렸다.

1. 기존의 전제 (The Assumption)

자연어처리 분야의 오랜 전제는 언어가 시간의 흐름에 따라 순차적으로 처리되어야 한다는 것이었다. 이 전제는 순환 신경망(RNN)과 장단기 기억(LSTM)으로 구현되어 표준 구조로 자리 잡았다. 그러나 문장이 길어질수록 초반 정보가 희석되는 기울기 소실 문제가 있었고, 순차적 처리 구조는 병렬 연산이 불가능해 대규모 학습에 한계가 있었다. 멀리 떨어진 두 단어 사이의 관계를 직접 포착하는 것도 구조적으로 어려웠다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

2014년 바다나우(Bahdanau) 연구팀이 기계 번역에 어텐션(attention) 메커니즘을 도입하면서 결정적인 단서가 나타났다. 어텐션 가중치를 시각화한 결과, 모델은 순환 신경망이 전달한 정보보다 어텐션으로 직접 참조한 단어에 더 강하게 의존하고 있었다. 순환 신경망이 중심이고 어텐션이 보조라는 기존의 이해가 실제로는 반대에 가깝다는 신호였다. 2013년 Word2Vec이 단어 간 관계를 벡터로 표현할 수 있음을 보이면서 이러한 관찰들이 쌓이고, 어텐션만으로 언어를 처리할 수 있지 않을까라는 질문이 등장했다.

3. 그랜드퀘스트 (The Grand Quest)

언어를 순차적으로 처리하지 않고 문장 전체의 맥락을 동시에 이해하는 기계를 만들 수 있을까?

4. 스몰베팅 (Small Betting)

2017년 구글 브레인(Google Brain) 연구팀은 순환 구조를 완전히 제거하고 자기 어텐션(self-attention)만으로 구성한 트랜스포머 구조를 발표했다. 입력 문장의 모든 단어가 서로 어텐션 가중치를 계산해 임의의 두 단어 사이 관계를 단 한 번의 연산으로 포착했으며, 멀티 헤드 어텐션과 위치 인코딩으로 병렬 처리와 순서 인식을 동시에 구현했다. 기계 번역 기준에서 기존 모델을 압도했고, 이 구조 위에서 BERT와 GPT 계열 모델이 등장하며 자연어처리 전반이 재편되었다.

5. 스케일업 (Scale Up)

2018년 BERT는 사전 학습(pre-training)과 미세 조정(fine-tuning) 방식으로 11개의 자연어처리 기준 과제에서 동시에 최고 성능을 달성했다. 질문 답변, 문장 분류, 개체명 인식 등 서로 다른 성격의 과제들을 하나의 사전 학습 모델로 처리하는 새로운 패러다임이 열렸다. OpenAI가 GPT-1을 발표한 후 2019년 GPT-2는 뛰어난 텍스트 생성 능력으로 사회적 우려까지 낳았고, 2020년 GPT-3(1,750억 매개변수)는 별도 학습 없이 몇 가지 예시만으로 새로운 과제를 수행하는 맥락 내 학습(in-context learning)이라는 창발적 능력을 보였다. 2022년 11월 ChatGPT는 출시 5일 만에 사용자 100만 명, 두 달 만에 1억 명을 돌파하며 트랜스포머 기술을 일반 대중에게 처음으로 직접 체감할 수 있는 형태로 전달했다.

6. 이 질문이 열어젖힌 미래 (Impact)

이 질문은 자연어처리의 패러다임을 순차적 처리에서 관계 중심 처리로 전환시켰다. 트랜스포머는 언어를 넘어 이미지(Vision Transformer), 단백질 구조 예측(AlphaFold), 음성, 코드 등 다양한 영역으로 확장되며 인공지능 연구의 공통 구조가 되었다. 사전 학습과 미세 조정 패러다임은 인공지능 기술의 접근성을 근본적으로 바꾸었고, 생성형 인공지능(Generative AI)이라는 새로운 분야를 탄생시켰다.

7. 참고: 2017년 논문 "Attention Is All You Need"

1. 기존의 전제 (The Assumption)

오랫동안 비만은 개인의 의지와 생활습관의 문제로 여겨졌다. 체중은 섭취 칼로리와 소비 칼로리의 균형으로 결정된다는 에너지 균형 이론이 교과서적 설명이었고, 비만 치료는 식이 제한과 운동 처방이라는 두 기둥 위에 세워졌다. 그러나 강한 의지로 식이 제한을 실천한 사람들도 대부분 수년 이내에 체중이 되돌려졌고, 이 패턴은 의지력의 문제라기보다 체중을 특정 수준으로 유지하려는 신체의 생물학적 방어 반응으로 설명되기 시작했다. 체중 조절이 뇌와 호르몬 시스템에 의해 강하게 조절될 수 있다는 가능성은 충분히 탐색되지 못했다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

장 호르몬 연구에서 기존 설명으로는 이해하기 어려운 현상이 반복 관찰되었다. 음식이 소화관을 통과할 때 정맥 포도당 주입보다 인슐린 반응이 훨씬 강하다는 인크레틴 효과(incretin effect)가 발견되었고, 그 핵심 인자로 GLP-1(Glucagon-Like Peptide-1)이 규명되었다. GLP-1 수용체가 췌장뿐 아니라 뇌의 시상하부와 뇌간에도 존재한다는 사실이 확인되면서, 이 호르몬이 포만감을 직접 조절하는 장-뇌 축(gut-brain axis)의 핵심 신호임이 드러났다. 식욕과 체중이 의지가 아닌 호르몬 신호에 의해 생물학적으로 조절된다는 가능성이 열렸다.

3. 그랜드퀘스트 (The Grand Quest)

뇌의 포만 신호를 모방하여 인위적으로 체중을 조절할 수 있을까?

4. 스몰베팅 (Small Betting)

1980년대 동물 실험에서 GLP-1이 인슐린 분비를 자극하면서 동시에 식욕을 억제한다는 결과들이 쌓였다. 그러나 GLP-1은 체내에서 1~2분 만에 분해되어 약물로 활용하기 어려웠다. 이 한계를 돌파하기 위해 힐라 몬스터(Gila monster) 독도마뱀 침에서 발견된 분해 저항성 펩타이드를 기반으로 엑세나타이드가 개발되었고, 노보 노르디스크는 지방산 결합으로 반감기를 수십 배 늘린 리라글루타이드를 개발했다. 리라글루타이드 임상에서 체중의 유의한 감소가 관찰되면서, GLP-1이 비만 치료제로 발전할 수 있다는 가능성이 처음으로 임상적으로 확인되었다.

5. 스케일업 (Scale Up)

2005년 엑세나타이드가 제2형 당뇨병 치료제로 FDA 승인을 받으며 GLP-1 수용체 작용제가 처음으로 임상에 도입되었고, 2014년 리라글루타이드가 비만 치료 적응증을 추가로 승인받았다. 2021년 STEP 1 임상에서 주 1회 투여가 가능한 세마글루타이드는 68주 투여 후 평균 14.9퍼센트의 체중 감소를 보였고, 비당뇨 비만 환자에서도 심혈관 위험을 유의하게 줄인다는 사실이 확인되며 비만 치료의 새로운 기준을 세웠다. GLP-1과 GIP 수용체를 동시에 자극하는 이중 작용제 티르제파타이드는 평균 20퍼센트 이상의 체중 감량으로 비만 수술의 효과에 근접했다.

6. 이 질문이 열어젖힌 미래 (Impact)

이 질문은 비만을 의지의 실패가 아닌 장-뇌 호르몬 신호 체계의 조절 이상으로 바라보는 새로운 패러다임을 열었다. GLP-1 기반 약물은 체중 감량과 동시에 혈당 조절, 심혈관 위험 감소, 간 지방 축적 억제를 함께 달성하면서 비만·당뇨·심혈관 질환을 통합적으로 다루는 대사 의학 분야를 열었다. GLP-1 수용체가 뇌·심장·신장 등 광범위한 기관에 분포한다는 사실이 확인되면서, 이 신호 체계가 비만을 넘어 신경퇴행성 질환과 중독 행동 등 다양한 질환으로 탐색이 확장되고 있다.

1. 기존의 전제 (The Assumption)

노화는 시간의 흐름에 따라 필연적으로 진행되는 비가역적 쇠퇴 과정으로 이해되어 왔다. 세포와 조직은 DNA 손상, 활성산소 축적, 단백질 변성 등의 무작위적 손상을 지속적으로 축적하며 기능을 잃는다는 것이 교과서적 설명이었다. 이 전제는 연구의 방향을 노화 자체를 조절하는 것이 아니라 노화로 인해 발생하는 질병을 치료하는 것으로 고정시켰다. 노화 자체를 조절하거나 되돌린다는 발상은 비현실적인 것으로 간주되었다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

실험실에서 다루기 쉬운 선충·효모·초파리 같은 모델 생물에서 기존 이론으로 설명되지 않는 현상이 반복적으로 관찰되었다. 선충에서 특정 유전자(daf-2)를 변형했을 때 수명이 두 배 이상 증가했고, 칼로리 제한이 다양한 종에서 일관되게 수명을 연장하는 결과가 나타났다. 단순한 식이 변화 하나가 진화적으로 멀리 떨어진 종들에서 공통적으로 수명을 연장한다는 사실이 관찰되면서, 그 배후에 종을 넘어 보존된 생물학적 메커니즘이 있을 것이라는 강한 신호가 읽혀졌다. 그 메커니즘이 무엇인지는 아직 밝혀지지 않았지만, 질문의 방향은 분명해졌다.

3. 그랜드퀘스트 (The Grand Quest)

노화는 피할 수 없는 운명이 아니라 조절 가능한 생물학적 과정일까?

4. 스몰베팅 (Small Betting)

노화 자체에 개입한다는 발상은 처음에는 허황된 야망으로 여겨졌다. 그럼에도 일부 연구자들은 서로 다른 경로에서 작은 실험들을 이어나갔다. 노화 세포(senescent cell)가 염증성 물질을 분비해 주변 조직의 노화를 촉진한다는 사실이 밝혀졌고, 이를 선택적으로 제거하는 세놀리틱(senolytic) 전략이 등장했다. 후성유전학적 시계를 되감는 부분적 역분화(partial reprogramming) 기술도 가능성을 제시했다. 각각의 실험은 서로 다른 연구실에서 독립적으로 진행되었지만, 노화가 개입 가능한 과정이라는 하나의 방향을 가리키고 있었다.

5. 스케일업 (Scale Up)

노화생물학은 기초 연구에서 임상 적용으로 빠르게 확장되었다. 세포 노화를 유발하는 세포들을 선택적으로 제거하는 세놀리틱(senolytic) 약물이 개발되어 동물 모델에서 다양한 노화 관련 질환을 지연시키는 결과가 나왔다. NAD+ 전구체인 NMN과 NR은 임상 시험에 진입했고, mTOR 억제제인 라파마이신은 고령 쥐에서 수명을 9~14퍼센트 연장하는 결과를 보이며 기존 승인 약물로 노화 개입이 가능함을 처음으로 입증했다. 야마나카 인자(Yamanaka factors)를 이용한 부분적 역분화(partial reprogramming) 기술은 조직의 노화를 되돌릴 가능성을 제시했다. 이처럼 다수의 경로가 동시에 탐색되면서 노화 개입 연구는 전례 없는 규모로 확대되었다.

6. 이 질문이 열어젖힌 미래 (Impact)

이 질문은 노화를 질병의 배경 조건이 아니라 직접 개입 가능한 표적으로 재정의했다. 노화의 공통 메커니즘을 조절하면 여러 만성질환을 동시에 지연시킬 수 있다는 접근이 등장했고, 건강수명(healthspan) 연장을 목표로 하는 노화 연구 산업이 형성되었다. 향후 연구는 노화 경로의 정밀 제어, 생물학적 나이의 측정과 조절, 조직 수준의 재생 등으로 확장될 가능성이 있으며, 질병 단위 치료 중심의 의료 패러다임을 근본적으로 재구성하는 방향으로 이어지고 있다.

1. 기존의 전제 (The Assumption)

세포 분화는 비가역적 과정이라는 것이 20세기 생물학의 통념이었다. 수정란에서 시작된 세포는 발달 과정에서 점점 특정 기능을 맡게 되고, 일단 피부세포나 신경세포처럼 분화하면 다시 초기 상태로 돌아갈 수 없다고 여겨졌다. 줄기세포 연구는 배아에서 직접 줄기세포를 얻는 방향으로 발전했으며, 분화된 세포의 역분화 가능성은 거의 탐구되지 않았다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

정형외과 레지던트였던 야마나카 신야(Shinya Yamanaka)는 임상의 한계를 경험한 뒤 배아줄기세포 연구에서 영감을 받았다. 배아줄기세포와 체세포의 유전자 발현을 비교하면서 핵심 유전자 네트워크만 바꾸어도 세포 상태를 되돌릴 수 있지 않을까 하는 의문이 생겼다. 배아를 파괴해야 하는 윤리 문제를 우회하면서 줄기세포 상태를 만들 수 있는지에 대한 탐색이 여기서 시작되었다.

3. 그랜드퀘스트 (The Grand Quest)

성숙한 체세포를 다시 배아줄기세포 상태로 되돌릴 수 있을까?

4. 스몰베팅 (Small Betting)

야마나카 연구팀은 2003년부터 배아줄기세포에서 높게 발현되는 유전자 후보 24종을 선별하고, 레트로바이러스 벡터를 이용해 마우스 섬유아세포에 도입하는 실험을 시작했다. 24종 전체를 도입한 뒤 하나씩 제거하는 방식으로 필수 인자를 좁혀나간 결과, 2006년 Oct4, Sox2, Klf4, c-Myc 네 가지 유전자(야마나카 인자)만으로 마우스 체세포를 다능성 줄기세포로 전환하는 데 성공하고 학술지 Cell에 발표했다. 이듬해인 2007년에는 야마나카 팀과 제임스 톰슨(James Thomson) 팀이 각각 다른 인자 조합으로 인간 체세포에서 iPS 세포를 만드는 데 성공했다.

5. 스케일업 (Scale Up)

2012년 노벨 생리의학상 수상 이후 iPS 세포 연구는 전 세계적으로 빠르게 확산되었다. 레트로바이러스 대신 에피소멀 벡터·합성 mRNA·단백질 직접 전달 등 비삽입성 방법들이 개발되면서 안전성이 크게 개선되었고, 역분화 효율도 함께 높아졌다. 2014년 일본 리켄 연구소의 다카하시 마사요(Masayo Takahashi) 팀은 황반변성 환자에게 자신의 세포로 만든 iPS 유래 망막세포를 이식하는 첫 임상을 시행했고, 다양한 장기의 오가노이드(organoid) 제작과 희귀질환 모델링으로 연구 범위가 넓어졌다. 일본은 iPS 연구를 국가 전략으로 설정하여 주요 면역형을 포함하는 iPS 세포주를 미리 구축해두는 공용 세포 뱅크 구상을 본격화했다.

6. 이 질문이 열어젖힌 미래 (Impact)

이 질문은 세포의 운명은 되돌릴 수 없다는 생물학의 기본 전제를 뒤집었다. 세포 정체성이 유전자 네트워크로 재프로그래밍될 수 있다는 새로운 패러다임이 등장했고, 재생의학·질병 모델링·신약 개발 등 새로운 연구 영역이 빠르게 확장되었다. 배아를 사용하지 않는 줄기세포 연구가 가능해지면서 윤리 논쟁의 구조도 크게 변화했으며, iPS 기술이 촉발한 '세포 정체성 전환' 개념은 줄기세포를 거치지 않는 직접 세포 전환 연구로도 이어지고 있다.

1. 기존의 전제 (The Assumption)

단백질의 3차원 구조는 반드시 실험을 통해서만 규명할 수 있다는 것이 구조생물학의 오랜 통념이었다. X선 결정학, 핵자기공명(NMR), 크라이오 전자현미경(cryo-EM)과 같은 실험 기술이 구조 연구의 유일한 수단으로 여겨졌고, 하나의 구조를 규명하는 데 수년이 걸리는 경우가 많았다. 1961년 안핀센(Anfinsen)은 단백질 구조가 서열 속에 이미 결정되어 있다는 원리를 제시했지만, 가능한 구조 형태의 조합이 천문학적으로 많다는 레빈탈의 역설(Levinthal's paradox)은 서열만으로 구조를 계산하는 것이 현실적으로 불가능하다는 인식을 굳혔다. 아미노산 서열과 구조 사이의 관계를 계산적으로 풀 수 있다는 가능성은 오랫동안 주변적인 연구로 취급되었다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

유전체 해독이 확산되면서 단백질 서열 데이터가 폭발적으로 늘어났고, 진화 과정에서 기능상 중요한 아미노산 쌍이 함께 변이하는 공진화(coevolution) 패턴이 확인되면서 서열 속에 구조 정보가 암호화되어 있다는 단서가 등장했다. 2012년 딥러닝이 이미지 인식에서 기존 방법을 압도하는 성과를 보이면서 서열 데이터만으로 구조 규칙을 학습할 수 있다는 가설에 설득력이 생겼고, 딥마인드가 단백질 구조 예측 대회인 CASP에 참여하기로 결정한 것이 이 질문이 본격적인 탐색의 대상이 된 계기였다.

3. 그랜드퀘스트 (The Grand Quest)

아미노산 서열만으로 단백질의 3차원 구조를 정확히 예측할 수 있을까?

4. 스몰베팅 (Small Betting)

딥마인드는 2016년부터 CASP를 목표로 AlphaFold를 구축했다. 아미노산 쌍 간 거리 분포를 딥러닝으로 예측하고 다중 서열 정렬(MSA)로 공진화 패턴을 추출하는 방식을 핵심으로 삼아, 2018년 CASP13에서 1위를 차지했다(AlphaFold1). 이후 트랜스포머(transformer) 기반 어텐션 메커니즘을 도입해 모델을 전면 재설계한 AlphaFold2는 2020년 CASP14에서 실험 수준에 근접한 정확도로 대부분의 표적 구조를 예측했고, CASP 의장으로부터 '생물학의 그랜드 챌린지 중 하나가 해결되었다'는 평가를 받았다.

5. 스케일업 (Scale Up)

2021년 딥마인드와 EMBL-EBI는 2억 개 이상의 단백질 예측 구조를 무료로 공개했다. 구조 규명에 수년이 걸리던 연구가 몇 시간 안에 가능해지면서 신약 개발·감염병 연구 등에 즉각 활용되었다. 이후 단백질 복합체를 다루는 AlphaFold-Multimer, DNA·RNA·소분자까지 포괄하는 AlphaFold3가 차례로 발표되었고, 구조 예측은 연구 도구를 넘어 신약 개발 플랫폼으로 빠르게 전환되었다.

6. 이 질문이 열어젖힌 미래 (Impact)

이 질문은 구조생물학의 연구 방식 자체를 바꾸었다. 구조가 연구의 종착점이 아니라 출발점이 되면서 신약 개발·효소 공학·질병 메커니즘 연구가 크게 가속되었다. 나아가 원하는 기능을 가진 새로운 단백질을 역으로 설계하는 단백질 설계 분야가 열리면서, 생명과학은 자연이 만든 단백질을 분석하는 단계를 넘어 인공지능으로 새로운 단백질을 설계하는 시대로 진입하고 있다. 2024년 노벨화학상은 이 연구를 이끈 데미스 허사비스, 존 점퍼, 데이비드 베이커에게 수여되었다.

1. 기존의 전제 (The Assumption)

고대 생물의 DNA는 수만 년이 지나면 분해되어 분석이 불가능하다는 것이 분자생물학과 고인류학의 오랜 통념이었다. 화석에서 추출되는 DNA는 극도로 짧은 조각으로 남아 있었고, 발굴과 분석 과정에서 현대 인간의 DNA가 시료에 섞여 들어가는 오염 문제도 심각했다. 고대 DNA와 현대 DNA를 구별하는 것 자체가 어려웠기 때문에, 멸종 인류의 유전 정보를 체계적으로 복원하는 것은 불가능한 일로 여겨졌다. 이런 한계 속에서 고인류학은 형태학에 의존해 연구를 이어왔다. 1856년 네안데르탈인 화석이 처음 발견된 이후, 연구자들은 두개골 용량, 눈두덩 뼈(안와상 융기)의 돌출 정도, 치아 마모 패턴, 사지뼈 비율 같은 형태학적 특징을 비교·분류하는 방식으로 멸종 인류를 이해해왔다. 즉, 고인류학은 '뼈가 말해줄 수 있는 것'의 한계 안에서 연구를 정교화하는 방향으로 발전해왔다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

1984~1985년 박제와 미라에서 고대 DNA를 추출했다는 보고들이 나왔지만, 오염과 진짜 고대 DNA를 구별할 방법이 없었다. 오염 통제와 고대 DNA 특유의 손상 패턴 분석법이 확립되고, 차세대 염기서열 분석(NGS) 기술의 등장으로 수백만 개의 짧은 DNA 조각을 동시에 읽고 재조합하는 것이 현실적으로 가능해지면서 비로소 기존 전제를 다시 묻는 질문이 형성되었다.

3. 그랜드퀘스트 (The Grand Quest)

네안데르탈인의 게놈 전체를 복원할 수 있을까?

4. 스몰베팅 (Small Betting)

스반테 파보(Svante Pääbo)는 오염 관리 기술과 고대 DNA 특유의 손상 패턴 분석법을 개발하며 짧은 DNA 조각의 진위를 구별하는 방법을 확립했다. 이후 차세대 염기서열 분석(NGS) 기술을 고대 DNA에 적용해 2010년 네안데르탈인 초안 게놈을 발표했으며, 같은 해 시베리아 데니소바 동굴에서 발굴된 손가락뼈 하나가 DNA 분석만으로 완전히 새로운 고대 인류 집단인 데니소바인임이 밝혀졌다. 2013년에는 고품질 게놈이 완성되어 네안데르탈인과 데니소바인 두 집단의 유전적 차이를 정밀하게 분석하는 기반이 마련되었다.

5. 스케일업 (Scale Up)

네안데르탈인 게놈 복원 이후 고유전체학(paleogenomics)이 독립적 연구 분야로 성장했다. 고대 DNA 분석 기술은 인류 이동 경로, 집단 간 혼혈, 언어와 문화의 기원을 유전체 수준에서 탐구하는 도구가 되었다. 현재 수천 개의 고대 인류 게놈이 분석되었고, 신석기 혁명, 청동기 시대 이주, 흑사병의 유전적 흔적 등 역사의 결정적 사건들이 유전체 데이터로 재조명되고 있다.

6. 이 질문이 열어젖힌 미래 (Impact)

이 질문은 고인류학의 방법 자체를 바꾸었다. 화석 형태학에 의존하던 학문이 유전체 데이터를 직접 분석하는 진화유전체학으로 확장되었다. 현대 인류와 네안데르탈인이 실제로 교배했다는 사실이 밝혀졌고, DNA 분석만으로 새로운 고대 인류 집단이 발견되었다. 고유전체학은 인류 이동, 질병 유전자 기원, 멸종 동물의 진화를 탐구하는 새로운 장을 열었다. 2022년 노벨 생리의학상은 이 연구를 이끈 스반테 파보(Svante Pääbo)에게 수여되었다.

1. 기존의 전제 (The Assumption)

공유자원은 개인의 이익 추구 때문에 결국 남용되고 고갈된다는 것이 오랫동안 경제학의 교과서적 전제였다. 어장, 목초지, 산림 같은 공유자원에서는 각 개인이 더 많이 이용할수록 개인의 이익은 커지지만, 자원 고갈의 비용은 공동체 전체에 분산되기 때문에 과잉 이용이 합리적인 선택이 된다고 보았다. 개릿 하딘(Garrett Hardin)의 공유지의 비극은 이러한 논리를 대표적으로 뒷받침하였으며, 해결책은 사유화 또는 국가 규제뿐이라는 이분법적 틀이 자원경제학과 환경정책의 근간이 되었다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

엘리너 오스트롬(Elinor Ostrom)은 세계 여러 지역의 관개 시스템, 산림, 어업 공동체를 연구하면서 기존 이론과 맞지 않는 현상을 반복적으로 발견했다. 스페인의 전통 관개 시스템과 스위스의 공동 목초지에서는 정부 통제 없이도 이용자들이 스스로 규칙을 만들고 수백 년간 자원을 유지해 왔다. 기존 이론으로는 설명할 수 없는 이 경험적 사례들의 축적이 공유자원 관리에 대한 근본 전제를 다시 묻게 만들었다.

3. 그랜드퀘스트 (The Grand Quest)

공동체가 공유자원을 시장과 정부 없이도 스스로 관리할 수 있을까?

4. 스몰베팅 (Small Betting)

오스트롬은 스위스 퇴르벨, 일본의 산림 공동체, 스페인의 관개 조합 등 세계 각지의 사례를 수십 년에 걸쳐 현장 조사했다. 각 공동체가 고안한 규칙의 구조와 집행 방식을 비교 분석하면서 성공적인 공유자원 관리에 공통된 설계 원리가 있음을 귀납적으로 도출해 냈다. 1973년 인디애나 대학교에 설립한 정치이론 및 정책 분석 워크숍을 거점으로 수행된, 이 작고 집요한 현장 연구들의 축적이 이론적 틀로 발전하는 토대가 되었다.

5. 스케일업 (Scale Up)

1990년 출판된 저서 공유자원의 거버넌스(Governing the Commons)는 전 세계 공동체 자원 관리 사례를 체계화하며 학계에 강력한 충격을 주었다. 이후 이 연구 흐름은 제도경제학, 환경 거버넌스, 개발경제학 등 여러 분야로 확산되었고, 공동체 기반 자원 관리라는 새로운 정책 패러다임이 국제 개발 기구와 각국 정부 정책에 실제로 반영되기 시작했다.

6. 이 질문이 열어젖힌 미래 (Impact)

이 질문은 공유자원 관리에 대한 학문적 패러다임을 근본적으로 바꾸었다. 자원 문제의 해결책이 사유화나 국가 규제에만 있지 않다는 가능성을 열었고, 공동체 기반 제도 설계라는 새로운 연구 방향과 정책 접근이 세계적으로 확산되었다. 기후 변화, 생물다양성 위기, 그리고 오픈소스·위키피디아 같은 디지털 공유자원에 이르기까지, 다층적 거버넌스와 참여형 제도 설계에 대한 탐구를 촉발했다. 엘리너 오스트롬은 2009년 노벨경제학상을 수상했다.

1. 기존의 전제 (The Assumption)

지식은 검증된 전문가 집단에 의해서만 생산될 수 있다는 것이 오랫동안 학계와 출판계의 통념이었다. 1768년부터 출판된 브리태니커 백과사전은 권위 있는 전문가가 집필하고 편집위원회가 승인하는 방식으로 지식의 표준을 상징해왔다. 비전문가의 참여는 원칙적으로 배제되었고, 검증되지 않은 지식은 신뢰할 수 없다는 논리가 학계와 출판계 전반에 깊이 뿌리내리고 있었다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

1990년대 후반 리눅스(Linux) 오픈소스 프로젝트는 자원봉사 개발자들의 분산된 협력이 상업용 소프트웨어와 경쟁하는 성과를 낸다는 것을 보여주었다. 이에 착안해 2000년 출범한 누피디아(Nupedia)는 전문가 검증 모델을 온라인으로 옮겨온 백과사전 실험이었으나, 7단계 동료평가 구조 탓에 수 년의 노력에도 완성된 문서는 수십 건에 불과했다. 이 명백한 실패가 지미 웨일스(Jimmy Wales)와 래리 생어(Larry Sanger)로 하여금 전혀 다른 방식의 실험, 즉 누구나 자유롭게 편집하는 위키 방식을 시도하도록 이끌었다.

3. 그랜드퀘스트 (The Grand Quest)

전 세계 사람들이 하나의 디지털 공간에서 협력하여 공통의 공유지식을 만들어낼 수 있을까?

4. 스몰베팅 (Small Betting)

생어의 제안으로 2001년 1월, 웨일스는 누피디아의 한계를 우회하기 위한 작은 실험으로 위키피디아를 시작했다. 누구나 문서를 작성·수정할 수 있되 모든 편집 내역이 기록으로 남아 언제든 되돌릴 수 있는 단순한 구조였다. 초기에는 품질 훼손 우려가 컸지만, 첫 달 안에 수백 건의 문서가 생성되며 누피디아가 수 년간 이루지 못한 규모를 몇 주 만에 넘어섰다. 커뮤니티가 스스로 오류를 발견하고 수정하는 속도도 예상을 뒤집었다.

5. 스케일업 (Scale Up)

2003년 위키미디어 재단(Wikimedia Foundation)이 설립되며 제도적 기반을 갖추었고 영어판 문서는 10만 건을 넘어섰다. 2005년 학술지 Nature의 비교 연구는 위키피디아의 정확성이 브리태니커와 큰 차이가 없다는 결과를 발표하며 신뢰성 논쟁의 전환점이 되었다. 2006년 영어판 100만 건을 돌파했고, 이후 300개 이상의 언어판이 운영되며 총 문서 수 6,000만 건을 넘어섰다. 전문가 검증 없이도 대규모 지식 체계가 자기 교정되며 성장하는 모델이 세계적으로 확립되었다.

6. 이 질문이 열어젖힌 미래 (Impact)

위키피디아는 지식 생산의 구조를 근본적으로 바꾸었다. '검토 후 공개'에서 '공개 후 수정'으로의 패러다임 전환이 지식 영역 전반으로 확산되었고, 학술 영역에서는 오픈 액세스(open access)와 사전출판(preprint) 문화가 자리를 잡아가고 있다. 집단지성(collective intelligence)과 크라우드소싱(crowdsourcing)은 독립적인 연구 영역으로 발전했고, GitHub·시민 과학 프로젝트 등 플랫폼 기반 협업 모델이 사회 전반으로 확산되었다. 다만 편집자 집단의 편향성, 허위 정보 유입 가능성 등 해결되지 않은 과제도 함께 남아 있다.

1. 기존의 전제 (The Assumption)

거래의 신뢰는 반드시 중앙 권위에 의해 보장되어야 한다는 전제가 오랫동안 절대적인 원리로 받아들여졌다. 은행, 정부, 카드사와 같은 중개 기관이 거래 기록을 관리하고 신뢰를 담보함으로써 경제 시스템이 작동했다. 디지털 환경에서 동일 자산이 여러 번 사용되는 이중지불(double spending) 문제를 막기 위해서도 중앙 관리자는 필수적인 존재로 여겨졌다. 중개 기관 없이도 거래가 가능하다는 가능성은 애초에 탐색 대상에서 배제되었다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

데이비드 차움(David Chaum)이 암호학적 거래 검증 시스템을 처음 제안한 이후, 사이퍼펑크(cypherpunk) 공동체를 중심으로 중앙 기관 없는 디지털 화폐를 구현하려는 시도가 이어졌지만 이중지불(double spending) 문제 앞에서 번번이 막혔다. 작업증명(Proof of Work) 아이디어와 할 피니(Hal Finney)의 재사용 가능한 작업증명 시스템 등 각각의 실패가 다음 시도를 위한 문제 정의를 남기며 방향이 서서히 좁혀지던 중, 2008년 금융위기가 중앙화된 금융 시스템의 취약성을 전 세계에 드러냈다. 바로 그 시점에 사토시 나카모토(Satoshi Nakamoto)가 분산원장 구조와 작업증명을 결합해 중앙 기관 없이도 이중지불을 방지할 수 있다는 비트코인 백서를 공개하면서, 수십 년간 축적된 암호학적 탐색과 현실의 위기가 한 지점에서 수렴했다.

3. 그랜드퀘스트 (The Grand Quest)

중앙 권위 없이도 신뢰 가능한 거래 시스템을 만들 수 있을까?

4. 스몰베팅 (Small Betting)

처음에는 분산 시스템으로 신뢰를 구현한다는 발상에 회의가 컸다. 사이퍼펑크(cypherpunk) 공동체의 여러 선행 시도들은 이중지불 문제를 끝내 해결하지 못했다. 그러나 사토시 나카모토(Satoshi Nakamoto)는 2008년 논문에서 작업증명(Proof of Work)과 분산 장부 구조를 결합해 이 문제를 우회하는 방식을 제안했고, 2009년 비트코인(Bitcoin) 네트워크를 통해 최초의 검증 가능한 실험을 가동했다. 소수의 참여자들이 자발적으로 네트워크에 합류하면서 설계가 현실에서도 작동함을 확인해나갔다.

5. 스케일업 (Scale Up)

비트코인의 작동이 확인된 이후 이더리움(Ethereum)이 스마트컨트랙트 플랫폼을 도입하면서 블록체인의 활용 범위가 금융 거래를 넘어 범용 계약 실행으로 확장되었다. 기업들은 허가형 분산원장 기술을 도입해 공급망 추적, 의료기록 관리, 무역 금융 등에 적용했다. 레이어2(Layer 2) 기술 개발과 합의 방식의 다양화로 확장성 문제가 보완되었고, 탈중앙화를 우회하려는 의도로 각국 중앙은행이 오히려 블록체인 기술에서 영감을 받아 디지털 화폐(CBDC, Central Bank Digital Currency) 발행을 검토하기 시작했다는 점은 이 질문이 만들어낸 역설적인 파장이다.

6. 이 질문이 열어젖힌 미래 (Impact)

이 질문은 신뢰의 개념을 재정의했다. 신뢰는 더 이상 특정 기관이 보증하는 것이 아니라, 네트워크 참여자 간 합의로 생성될 수 있는 것으로 이해되기 시작했다. 분산원장(distributed ledger), 스마트컨트랙트(smart contract), 탈중앙화 금융(DeFi) 등 새로운 연구 영역이 등장했고, 금융뿐 아니라 계약, 조직 운영, 데이터 관리 방식까지 변화하는 계기가 되었다.

1. 기존의 전제 (The Assumption)

유전체는 읽고 해석할 수는 있지만, 원하는 위치를 정확히 수정하는 것은 매우 어렵다는 인식이 지배적이었다. 특정 DNA 서열을 절단하거나 수정하려면 해당 위치에 맞는 단백질을 새롭게 설계해야 했고, 이는 고도의 전문성과 시간, 비용을 요구하는 작업이었다. ZFN(Zinc Finger Nuclease), TALEN(Transcription Activator-Like Effector Nuclease) 같은 기술은 특정 위치 절단을 가능하게 했지만, 설계와 제작 과정이 복잡하여 소수의 전문가만 활용할 수 있는 기술로 남아 있었다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

세균의 CRISPR 시스템은 외래 DNA를 인식하고 절단하는 면역 기작으로 알려져 있었다. 세균은 바이러스에 감염되면 그 DNA 조각을 자신의 게놈 안에 있는 CRISPR 영역에 저장해두고, 다음에 같은 바이러스가 침입하면 저장된 서열을 바탕으로 만든 RNA가 Cas 단백질을 해당 바이러스 DNA로 정확히 안내해 절단한다. 핵심은 이 안내 역할을 하는 RNA 서열을 바꾸면 Cas 단백질이 향하는 표적도 바뀐다는 점이었다. 기존의 유전자 편집 기술인 ZFN나 TALEN은 새로운 표적을 공격하려면 단백질 자체를 처음부터 다시 설계해야 했고, 이 과정이 수개월에서 수 년이 걸렸다. 이로써 단백질을 매번 새로 설계하지 않아도 RNA 서열 하나만 바꾸면 표적이 달라진다는 통찰이 생겼다. 이것이 기존 ZFN·TALEN 방식의 병목이었던 단백질 설계 단계 전체를 건너뛸 수 있다는 가능성의 핵심이었다.

3. 그랜드퀘스트 (The Grand Quest)

복잡한 단백질 설계 없이 유전체를 간단하게 편집할 수 있을까?

4. 스몰베팅 (Small Betting)

초기 연구는 세균 유전체에서 CRISPR 반복 서열의 의미를 파악하는 기초 작업에서 출발했다. 다우드나(Jennifer Doudna)와 샤르팡티에(Emmanuelle Charpentier) 연구팀은 Cas9 단백질과 가이드 RNA가 함께 작동하여 특정 DNA 서열을 절단할 수 있음을 시험관 수준에서 확인했고, 장펑(Feng Zhang) 연구팀은 이 시스템을 인간 및 생쥐 세포에서 작동시키는 데 성공했다. 작고 집요한 시도들이 쌓이면서 기초 연구에서 출발한 발견이 실제 편집 도구로 변환되기 시작했다.

5. 스케일업 (Scale Up)

CRISPR-Cas9은 신속하게 전 세계 연구실로 확산되었다. 복잡한 단백질 설계 없이 가이드 RNA(guide RNA) 서열만 합성하면 원하는 유전체 위치를 표적으로 삼을 수 있다는 단순함이 핵심이었다. 이 기술은 기초 생물학 연구뿐 아니라 유전 질환 치료, 작물 개량, 바이오의약품 개발 등 다양한 응용으로 이어졌고, 염기 편집(base editing)과 프라임 편집(prime editing) 같은 정밀한 후속 기술도 등장했다.

6. 이 질문이 열어젖힌 미래 (Impact)

이 질문은 유전자 편집의 성격을 근본적으로 바꾸었다. 유전체는 더 이상 해석의 대상이 아니라 설계와 수정이 가능한 대상으로 전환되었고, CRISPR-Cas9은 누구나 사용할 수 있는 범용 도구로 확산되었다. 그 결과 질병 치료를 위한 유전자 교정, 작물 개량, 생명공학 산업이 급속히 발전했으며, 인간 배아 편집 같은 윤리적 논의도 본격화되었다. 2020년 노벨화학상은 유전자를 정밀하게 교정할 수 있는 CRISPR-Cas9 유전자 가위를 개발한 다우드나와 샤르팡티에 두 명의 여성 과학자에게 수여되었다.

1. 기존의 전제 (The Assumption)

DNA 분석을 위해서는 충분한 양의 DNA가 확보되어야 한다는 것이 분자생물학의 기본 전제였다. 연구자들은 세포를 배양하거나 복잡한 정제 과정을 거쳐 DNA를 확보해야 했으며, 그 과정만으로도 며칠에서 수 주가 걸렸다. 극히 적은 양의 DNA는 실험적으로 다루기 어렵거나 의미 있는 결과를 얻기 힘든 것으로 여겨졌다. 시험관 안에서 DNA를 직접 증폭한다는 가능성은 고려되지 않았다.

2. 이 질문을 떠올리게 된 계기 (What Prompted This Question?)

DNA는 세포 내에서 복제 효소에 의해 반복적으로 복사된다는 사실은 이미 알려져 있었다. 온도 변화에 따라 DNA 이중가닥이 분리되고 다시 결합하는 특성도 관찰되어 있었다. 1983년 캐리 멀리스(Kary Mullis)는 프라이머와 DNA 중합효소를 이용해 특정 DNA 구간을 반복 복사하는 순환 과정을 고안했다. 이미 알려진 지식들을 하나의 순환 과정으로 연결한다는 발상이었으나, 고온에서도 안정적으로 작동하는 효소가 없다는 현실적 장벽이 있었다.

3. 그랜드퀘스트 (The Grand Quest)

극소량의 DNA를 짧은 시간 안에 수백만 배로 증폭할 수 있을까?

4. 스몰베팅 (Small Betting)

멀리스는 1983년 초기 실험에서 Klenow 단편으로 증폭 원리를 검증했고, 세터스(Cetus) 사의 연구팀은 이를 겸상적혈구병 진단에 적용해 1985년 사이언스(Science)에 최초로 발표했다. 이후 고온에서도 안정적인 Taq 중합효소를 PCR에 적용하는 실험이 이어졌고, 자동 열순환기(thermal cycler) 개발과 함께 1988년 PCR이 완성되었다. 각 단계는 하나의 큰 계획이 아닌, 서로 다른 목적을 가진 연구자들의 작은 실험들이 시간 속에서 연결된 결과였다.

5. 스케일업 (Scale Up)

세터스(Cetus) 사는 PCR 기술을 자동화 열순환기(thermal cycler) 개발과 Taq 중합효소의 대량생산으로 연결하여 실험실 수준의 원리를 범용 기술로 전환했다. 유전자 재조합 기술로 균일한 효소 대량 생산이 가능해졌고, 로슈(Roche)가 세터스의 PCR 특허를 인수하면서 관련 산업 생태계가 본격적으로 형성되었다. 이후 정량 PCR(qPCR), 역전사 PCR(RT-PCR), 디지털 PCR(dPCR) 등 파생 기술들이 연달아 개발되었다.

6. 이 질문이 열어젖힌 미래 (Impact)

PCR은 DNA 분석의 전제 조건 자체를 바꾸었다. DNA는 더 이상 충분한 양을 먼저 확보해야만 분석할 수 있는 대상이 아니라, 필요에 따라 언제든지 증폭 가능한 정보로 전환되었다. 유전 연구, 질병 진단, 법의학, 고대 DNA 분석, 농업에 이르는 광범위한 분야가 재편되었으며, 특히 코로나19 팬데믹 국면에서 PCR 기반 신속 진단이 전 세계 방역의 핵심 수단이 되면서 그 파급력이 전 세계에 선명하게 드러났다. 1993년 멀리스는 이 공로로 노벨화학상을 수상했다.