Pinal 자연어 단백질 설계 — 4과제 검증, 실험비는 어디서 줄까

“플라스틱을 분해하는 단백질”이라고 주문하는 일은 쉬워 보입니다. 하지만 공장에서는 어떤 폐플라스틱을, 얼마나 빨리, 몇 번이나 재사용 가능한 효소로 처리할지가 중요합니다. Pinal의 가치는 이 조건을 만족할 후보를 찾는 출발점을 바꾼 데 있습니다. 완성된 공정의 가격표까지 바꿨는지는 별개의 질문입니다.

위안파제 연구실과 실험팀, 누가 무엇을 맡았나

위안파제는 시후대 공학부에서 표현학습 연구실을 이끌고 있습니다. 그의 연구실이 앞서 만든 SaProt은 단백질의 서열과 구조 정보를 함께 다룹니다. ProTrek은 자연어와 단백질 정보를 연결해 원하는 기능을 검색하도록 돕습니다. Pinal은 이런 연구 흐름을 새로운 후보를 만드는 쪽으로 확장한 작업입니다. 출처: Westlake University · 연구자 소개

이번에는 계산 연구와 실험 연구가 함께 움직였습니다. 공동 제1저자 펑위안 다이(Fengyuan Dai)는 모델 구현과 학습을 맡았습니다. 다른 공동 제1저자 스양 유(Shiyang You)는 주요 연구와 효소 검증에 참여했습니다. 홍콩과기대 광저우 캠퍼스의 루훙위안(Hongyuan Lu), 시후대의 류젠밍(Jianming Liu), 중국과학원 선전선진기술연구원의 쓰퉁(Tong Si)이 생물학 실험을 공동 지도했습니다. AI가 내놓은 답을 실제 단백질로 확인하는 협업이 핵심입니다. 출처: Nature · 저자 기여

Pinal은 설계의 어느 부분을 바꿨을까

단백질은 아미노산이라는 작은 단위가 이어지고 접혀서 작동합니다. 효소는 그중 화학반응을 빠르게 돕는 단백질입니다. 원하는 기능을 설계하려면 서열뿐 아니라 접힌 모양과 반응 상대까지 고려해야 합니다. 그래서 사람의 “이 일을 해 줘”라는 요청을 분자가 이해할 조건으로 옮기는 과정이 어렵습니다.

위안파제팀의 접근은 기능 설명을 입력받아 구조를 나타내는 기호를 만들고 이를 바탕으로 서열 후보를 생성하는 방식입니다. 기존의 자연 단백질 변형이나 사람이 정한 구조 조건에 대한 의존을 줄이려는 시도입니다. 다만 자연어 설계 자체가 이번에 처음 등장한 것은 아닙니다. 새 문장을 이해했다는 것과 그 문장의 모든 조건을 실험으로 충족했다는 것도 다릅니다. 출처: Nature · 설계 구조

공식 저장소에는 생성 모델과 계산 평가 도구가 따로 안내돼 있습니다. 즉 후보를 만드는 작업 뒤에도 접힘과 기능 설명의 일치 정도를 점검해야 합니다. 기업이 비교할 대상도 “문장 입력 시간”이 아니라, 요구 기능을 정한 시점부터 실험 가능한 후보 목록을 얻기까지의 전체 시간입니다. 출처: Pinal 공식 저장소

Pinal의 규모는 약 160억 매개변수입니다. 매개변수는 모델이 학습하며 조정하는 내부 값입니다. 학습에는 합성 주석을 붙인 단백질–텍스트 쌍 17억 개를 사용했습니다. 이는 서로 다른 단백질 17억 종을 실험했다는 뜻이 아닙니다. 큰 학습 규모와 실제 기능 검증의 범위를 구분해야 합니다. 출처: Nature · 모델 및 학습 자료

1. 1
   기능 설명

   목표 조건을 문장으로 지정

2. 2
   후보 생성

   모델이 구조·서열 후보 제안

3. 3
   계산 선별

   접힘·기능 정합성 평가

4. 4
   실험 검증

   합성·발현·기능 측정

네 과제의 성공, 모든 후보의 성공은 아닙니다

연구진은 빛을 내는 형광 단백질, PET 플라스틱을 분해하는 효소, 알코올의 산화·환원 반응을 돕는 ADH, 대사 반응을 연결하는 H-protein을 시험했습니다. 서로 다른 역할의 단백질에서 기능을 확인했다는 점은 의미가 있습니다. 그러나 “네 과제를 검증했다”를 “아무 단백질이나 주문대로 만든다”로 읽으면 과장입니다. 출처: Nature · 네 과제

특히 PETase 실험에서는 계산 필터를 통과한 후보 2,416개 가운데 상위 94개를 먼저 효소 활성 시험에 넣고 눈에 띄는 후보를 PET 분해 검증으로 보냈습니다. 처음부터 모든 후보를 공장용 플라스틱에 시험한 방식이 아닙니다. 따라서 이 숫자로 산업용 효소의 성공률을 계산할 수는 없습니다. 어떤 시험을 통과했는지와 최종 용도에서 쓸 수 있는지를 따로 봐야 합니다. 출처: Nature · Extended Data 8

이 구분은 예산과 바로 연결됩니다. 후보를 많이 만들수록 선택지가 늘지만 실제로 합성하고 측정할 숫자까지 늘면 비용도 커집니다. 좋은 생성 모델과 좋은 선별 방법을 함께 갖춰야 연구자의 작업량이 줄어듭니다. 실패한 결과까지 기록하는 실험 체계가 필요한 이유입니다.

H-protein 1.7배, 무엇을 잰 숫자일까

류젠밍과 위뎬 주(Yudian Zhu) 등이 참여한 H-protein 검증에서는 다중 효소 CO₂ 고정 경로의 생성물 농도, 즉 titre가 천연 대장균 H-protein을 쓴 경우의 1.7배가 됐습니다. 생성 뒤 반복적으로 실험 최적화를 하지 않고 얻은 결과입니다. 여러 단백질이 함께 일하는 반응에서 한 구성요소의 교체가 최종 결과를 바꿀 수 있음을 보여줍니다. 출처: Nature · H-protein 결과

여기서 멈춰 읽어야 할 부분이 있습니다. 생성물 농도가 높다는 사실만으로 탄소 제거 비용이나 공장의 시간당 생산량을 알 수는 없습니다. 반응에 넣은 원료와 에너지, 운전 시간, 단백질의 수명, 생성물을 꺼내 정제하는 비용도 필요합니다. 이 연구는 그 항목을 합친 상업 원가를 제시한 결과가 아닙니다.

AI 설계비와 실험비를 따로 계산해야 합니다

위안파제팀은 코드를 공개했습니다. 공식 안내는 대형 구조 모델 실행에 최소 40GB의 GPU 메모리가 필요하고 A40 한 대에서 단백질 10개 설계에 약 1분이 걸린다는 예시를 제시합니다. 이는 후보 생성의 실행 예시입니다. 실험으로 기능을 확인하는 데 걸리는 시간도, 전체 개발 비용도 아닙니다. 출처: Pinal · 실행 요구사항

기업의 연구개발비는 크게 계산·설계와 실제 실험으로 나눠 볼 수 있습니다. 전자에는 GPU 사용과 후보 평가, 담당자의 검토가 들어갑니다. 후자에는 유전자 합성, 단백질 생산, 정제, 기능 측정, 재시험이 들어갑니다. 여기에 공정 확대와 품질 검증까지 더해야 제조 기술의 총개발비가 됩니다.

따라서 아래 판단은 논문의 측정 결과가 아니라 도입을 검토하는 방법에 대한 제안입니다. 같은 성능 기준을 놓고 기존 방식과 Pinal의 “검증된 후보 한 개당 총비용”을 비교하는 편이 낫습니다. 합성 후보 수가 줄었는지, 성공까지 걸린 달력이 짧아졌는지, 실패한 실험을 포함한 비용이 내려갔는지를 함께 기록해야 합니다.

다른 단백질 설계 연구에서도 특정 반응의 성능과 실제 활용 조건을 구분해야 했습니다. 앞서 다룬 프로테아제 설계 사례와 함께 읽으면, 분자가 잘 작동한다는 성과를 어떤 비용 항목으로 연결해야 하는지 비교할 수 있습니다. 관련: 관련 글 · 프로테아제 설계

PET 재활용 공장은 효소만으로 돌아가지 않습니다

연구진의 PETase 검증을 산업 관점에서 읽을 때는 별도의 공정 연구가 좋은 비교점입니다. 미국 NREL 연구진의 2025년 분석은 반응 조건과 분리 기술을 바꿔 PET 재활용의 비용·에너지 부담을 낮추는 방법을 다뤘습니다. 효소가 플라스틱을 잘 분해해도, 분해한 물질을 회수하는 과정이 비싸면 판매할 제품의 원가는 높을 수 있습니다. 출처: NREL · 2025년 공정 연구

사업화에 필요한 돈도 별도입니다. Carbios가 직접 배포한 2026년 9월 24일 자료를 보면, Longlaville 공장은 여러 대출기관의 신용위원회 승인을 얻었지만 수출신용기관과 지분 투자자의 실사가 진행 중이었습니다. 사전판매가 설비 능력의 60%에 이를 것이라는 설명도 협의 중인 음료기업 계약을 전제로 했습니다. 금융 종결이나 확정 판매로 바꿔 읽을 수 없는 회사 전망입니다. 출처: Carbios · 2026년 상반기 발표

두 사례 모두 Pinal을 사용했다는 근거는 없습니다. 여기서 얻을 수 있는 교훈은 더 좁습니다. 새 효소가 사업을 바꾸려면 원료 확보, 운전 안정성, 제품 회수, 고객 계약까지 이어져야 한다는 점입니다. 효소 설계 회사와 공정·설비 회사가 함께 검증해야 할 일이 남아 있습니다.

한국 기업의 기회는 후보 숫자보다 검증 능력에 있습니다

위안파제팀의 결과를 국내에 적용한다면, 먼저 기존 효소를 쓰는 공정 한 곳에서 비교 시험을 하는 접근을 생각해 볼 수 있습니다. 같은 원료·온도·품질 기준을 놓고 후보 선별부터 재시험까지 기록하는 방식입니다. 아래 내용은 상업화 전망이며 국내 기업의 도입이나 수주가 확인됐다는 뜻은 아닙니다.

기능을 설명하는 방식이 쉬워지면 소규모 연구실도 더 다양한 효소 아이디어를 시험할 수 있습니다. 그 경우 맞춤 효소 설계, 표준화된 활성 측정, 자동화 실험 서비스에 새로운 수요가 생길 수 있습니다. 반대로 후보를 만드는 기능만으로 차별화하던 사업은 가격 경쟁을 받을 수 있습니다. 실제 실험 데이터와 고객 공정에 대한 이해가 더 중요해질 가능성입니다.

ADH 같은 효소를 검토할 때는 반응을 돕는 보조효소의 공급·회수 비용까지 계산해야 합니다. 더 저렴한 보조효소를 쓰도록 바꾸는 일이 성공하더라도 반응 속도나 수명이 나빠지면 절감 효과가 사라질 수 있습니다. 이번 글에서는 Pinal이 보조효소 교체로 얼마를 절감했다고 주장하지 않습니다. 실제 산업 적용에서 추가로 확인할 비용 조건입니다.

기존 화학공정을 곧바로 대체할 것이라고 보기에는 아직 이릅니다. 초기에는 기존 공정의 특정 효소를 개선하거나 실험 후보를 찾는 시간을 줄이는 방식이 현실적인 진입 경로일 수 있습니다. 이 전망을 확인하려면 장기 운전 데이터, 단위 제품당 효소 사용량, 품질 불량과 재처리 비용이 공개돼야 합니다.

좋은 AI를 갖추는 일과 좋은 검증 데이터를 쌓는 일은 함께 가야 합니다. 단백질 분석 데이터를 다룬 MassNet 사례도 이 점에서 연결됩니다. Pinal 이후의 경쟁을 판단할 때 저는 “얼마나 많이 생성했는가”보다 “같은 예산으로 공정에 쓸 만한 후보를 얼마나 확보했는가”를 먼저 보겠습니다. 이 글은 연구 해설이며 본문에 언급된 기업의 주식 매수·매도를 권유하지 않습니다. 관련: 관련 글 · MassNet 단백질 분석

---

Pinal의 경제적 가치는 같은 예산으로 검증된 단백질 후보를 더 잘 찾을 때 드러납니다.

출처와 참고 링크

• Nature — Programmable design of functional proteins from natural language (2026-10-21)
• Westlake University — Fajie Yuan 연구실·대표 연구
• Westlake University — Pinal 연구 소개 (2026-10-23)
• Pinal 공식 GitHub — 모델·코드·실행 요구사항
• NREL 연구진 — Plastics Recycling With Enzymes Takes a Leap Forward (2025-06-30)
• Carbios — 2026년 상반기 실적 발표 (2026-09-24)