최근 인공지능(AI) 기술은 수학이나 물리학처럼 가상 환경에서 아이디어를 평가하는 분야를 넘어, 시간과 비용이 소요되는 실제 실험실(wet-lab) 영역으로 진출하고 있습니다. 본 연구는 GPT-5와 Ginkgo Bioworks의 클라우드 자동화 실험실을 결합하여 '세포 외 단백질 합성(Cell-Free Protein Synthesis, CFPS)'이라는 핵심 생명공학 공정을 최적화하며 이러한 변화를 보여줍니다.

CFPS란 살아있는 세포를 배양하는 대신, DNA 주형과 효소 기구(cellular machinery)가 담긴 통제된 혼합물 내에서 단백질을 합성하는 방식입니다. 이 기술은 신약 개발 및 진단 키트 등 현대 생명과학의 핵심 기반이 되며, 빠른 프로토타입 제작과 테스트에 매우 유용합니다.

하지만 CFPS는 최적화가 까다롭고 대규모로 진행할 경우 비용이 급격히 증가하는 병목 현상(bottleneck)을 가지고 있습니다. 단백질 생산은 DNA 주형, 세포 용해물(cell lysate), 에너지원 및 염류 등 복잡하게 상호작용하는 수많은 성분들로 구성되어 있어, 전체 시스템을 이해하고 최적화하기가 매우 어렵습니다.

연구진은 GPT-5를 자동화 실험실과 연결하여 '폐쇄 루프(closed-loop)' 자율 시스템을 구축했습니다. 이 시스템의 작동 방식은 다음과 같습니다: 1) GPT-5가 가설에 기반한 실험 배치(batch)를 설계합니다. 2) 자동화 실험실이 이를 물리적으로 실행하고 데이터를 수집합니다. 3) 결과 데이터는 다시 모델로 피드백되어, GPT-5는 이 정보를 바탕으로 다음 최적의 실험을 제안합니다.

이 과정을 총 6회 반복했습니다. 시스템은 580개의 자동화 플레이트에서 36,000개 이상의 독특한 CFPS 반응 조합을 테스트하는 엄청난 규모의 고처리량(high-throughput) 작업을 수행했습니다. 특히 주목할 점은 AI가 제안한 모든 실험이 실제 로봇 워크플로우로 물리적으로 실행 가능한지 엄격하게 검증되었다는 것입니다.

그 결과, GPT-5는 단 3라운드의 실험만으로 이전 최고 기록(prior baseline) 대비 단백질 생산 비용을 40% 절감하는 새로운 기술 수준을 확립했습니다. 또한 시약 비용은 57% 개선되었습니다. 이러한 개선점들은 인간이 이전에 테스트하지 않았던, 고처리량 자동화 환경에서 안정적으로 작동하는 저비용 반응 조합을 식별했기 때문입니다.

결론적으로, 본 연구는 AI가 단순히 데이터를 분석하는 것을 넘어, 복잡하고 비용 효율성이 중요한 물리적 실험 과정을 자율적으로 설계-실행-학습하는 전주기적(end-to-end) 시스템을 구축함으로써 생명공학 분야의 난제를 해결할 수 있음을 강력하게 입증했습니다. 이는 초기 연구 단계를 상업화 단계로 전환시키는 속도와 비용을 획기적으로 줄일 잠재력을 가집니다.