3년 된 T세포 분화 난제와 GPT-5 Pro의 등장
실험 데이터가 충분함에도 결과의 원인을 찾지 못해 연구를 중단하는 사례는 과학 현장에서 빈번하다. 2022년부터 T세포(바이러스나 암세포와 싸우는 면역세포) 분화 원인을 연구하던 Derya Unutmaz 교수는 3년 동안 풀지 못한 난제를 GPT-5 Pro로 해결했다. 2025년 말 도입한 이 모델은 기존 데이터를 재분석해 포도당이 T세포의 발달과 전문화에 미치는 영향을 분석했다.
Unutmaz 교수는 The Jackson Laboratory와 Connecticut 대학의 교수다. 그는 2022년 T세포가 포도당을 에너지원으로 사용하며 단백질을 구축하는 과정이 세포의 전문화에 어떤 영향을 주는지 실험했다. 당시 연구팀은 T세포를 저농도 포도당 환경과 포도당 유사 분자인 데옥시글루코스 환경에 각각 노출해 비교했다. 두 조건 모두 에너지 공급이 제한되므로 유사한 결과가 나올 것으로 예상했으나 실제 결과는 달랐다.
데옥시글루코스에 노출된 T세포는 염증 반응을 담당하는 세포로 압도적으로 많이 분화했다. 저농도 포도당 환경에서도 일부 분화가 일어났지만 데옥시글루코스 환경의 수치에는 미치지 못했다. 이러한 현상은 단순한 에너지 부족만으로는 설명되지 않았으며, 데옥시글루코스를 제거한 후에도 효과가 지속되었다. 원인을 규명하지 못한 연구팀은 결국 실험을 보류했다.
2025년 말 GPT-5 Pro가 출시되자 Unutmaz 교수는 보관했던 실험 데이터를 모델에 업로드했다. 모델은 데옥시글루코스가 IL-2(T세포가 염증 세포인 Th17로 변하는 것을 막는 단백질)의 구축을 방해해 Th17 분화의 장벽을 제거했다는 가설을 제시했다. 이는 연구팀이 간과했던 지점이었으며 실제 실험 결과와 일치했다.
데옥시글루코스가 IL-2 단백질 장벽을 제거하는 원리
GPT-5 Pro는 데옥시글루코스가 IL-2라는 단백질의 생성을 방해하는 구체적인 경로를 찾아냈다. IL-2는 T세포가 염증 반응을 담당하는 Th17 세포로 변하는 것을 막는 단백질 장벽 역할을 한다. 세포 내에서 활동을 조정하고 외부와 정보를 주고받는 전령 역할을 하는 단백질이 제대로 구축되지 않자, T세포의 분화 방향이 바뀌었다.
데옥시글루코스가 IL-2의 구축을 방해하면서 T세포가 Th17 세포로 분화하는 것을 막던 장벽이 제거된 것이다. 포도당 농도가 낮은 환경에서는 IL-2 생성이 어느 정도 유지되어 Th17 세포 분화가 억제되었으나, 데옥시글루코스는 이 경로를 직접 타격해 분화를 가속했다.
이러한 분석은 모델이 방대한 도메인 지식을 연결해 새로운 가설을 제시했기에 가능했다. 연구자는 모델이 제시한 메커니즘을 바탕으로 실험의 우선순위를 정해 연구 기간을 단축할 수 있다. 단순한 논문 요약을 넘어 실험 결과의 원인을 추론하고 다음 단계를 예측하는 도구로 활용 범위가 확장된 것이다.
미발표 실험 예측을 통한 연구 사이클 단축
모델의 분석력은 공개되지 않은 데이터의 예측으로 이어졌다. GPT-5 Pro는 CD8+ T세포(림프종 세포를 공격하는 특수 면역세포)의 살상 능력이 향상된다는 실험 결과를 정확히 예측했다. 이 데이터는 인터넷에 공개되지 않은 미발표 상태였으므로, 모델이 학습한 생물학적 원리를 바탕으로 미지의 실험 결과를 논리적으로 추론했음을 보여준다.
이러한 시뮬레이션 능력은 실제 실험에 투입되는 물리적 시간과 비용을 줄인다. 연구자는 모델이 제시한 예측치를 기준으로 실험의 우선순위를 결정하며, 이는 가설 검증에 소요되던 수주에서 수년의 시간을 단축하는 결과로 이어진다. 수많은 변수가 존재하는 생물학 실험에서 최적의 전략을 도출함으로써, 연구자는 실험실에서 직접 수행하기 전 불필요한 대조군 실험을 제거하고 연구 자원을 효율적으로 배분한다.
결과적으로 가설의 유효성을 사전에 판단하는 기준을 확보하게 된 것이다. 이러한 연구 사이클의 단축은 암 연구나 자가면역 질환, 감염병 같은 복잡한 생물학적 난제 해결 속도를 높이는 실질적인 동력이 된다.
정밀 면역치료 가속화를 위한 AI 협업 모델
Derya Unutmaz 교수는 Codex(코딩 보조 AI)와 GPT-5.2 Deep Research(심층 기술 조사 AI)를 도입해 대규모 암 변이 데이터셋 구축 공정을 자동화했다. 특히 Codex를 통한 코드 생성 능력으로 복잡한 데이터 전처리 과정을 단축했으며, T세포의 특성을 다룬 교과서 초안을 작성해 정밀 면역치료 연구를 위한 지식 기반을 마련했다. AI를 데이터 엔지니어링과 학술 집필을 수행하는 실무 파트너로 활용한 결과다.
다만 AI가 도출한 결과값이 실제 생물학적 유효성을 갖는지 판단하는 최종 단계는 여전히 도메인 전문가의 몫이다. GPT-5 Pro가 찾아낸 기전적 통찰은 전문 지식을 갖춘 연구자가 아니면 타당성을 판별할 수 없다. AI가 데이터 간의 복잡한 상관관계를 빠르게 찾아 제안하면, 전문가가 이를 검증하고 유효성을 판단하는 루프가 형성될 때 실제 연구 성과로 전환된다.
생물학 및 의학 연구 속도가 빨라지면서 기술 오용 위험도 증가했다. AI가 전문 연구의 진입 장벽을 낮추면 생물학적 또는 화학적 무기를 설계하려는 시도가 가능해지기 때문이다. OpenAI는 이를 관리하기 위해 Preparedness Framework(생물학적·화학적 무기 오용 방지 안전 체계)를 운용하고 있다. 이 체계는 모델의 고위험 능력을 추적하고 심각한 사회적 피해를 야기할 수 있는 기능에 엄격한 안전장치를 적용한다.
데이터는 충분하지만 원인을 찾지 못해 연구를 보류했던 경험은 이제 가설 검증 시간을 단축하는 실무적 이득으로 전환된다. GPT-5 Pro가 데옥시글루코스와 IL-2의 상관관계를 밝히고 미발표된 CD8+ T세포의 살상 능력을 정확히 시뮬레이션한 것은 AI가 실험의 우선순위를 결정하는 판단 기준이 되었음을 증명한다.
연구자는 모델이 제시한 메커니즘을 바탕으로 수주에서 수년이 소요되던 가설 검증 단계를 획기적으로 줄이는 판단 기준을 확보하게 된다. 결국 프론티어 모델의 가치는 정답의 제시가 아니라, 실패할 가설을 빠르게 걸러내는 판단 기준의 제공에서 결정된다.
