인공지능 기반 계산 생물학 파이프라인이 단순 서열 분석을 넘어 자율 에이전트 환경과 결합하고 있습니다. 구글 딥마인드(Google DeepMind) 블로그에 따르면 펑페이 톈, 맥스웰 L. 바일레스키, 조이 찬갈리두, 수크딥 싱, 루시 J. 콜웰 연구팀은 2026년 10월 15일 에이전트 개발 플랫폼 안티그래비티(Antigravity)를 활용해 신규 항균 펩타이드 후보를 발굴하는 기술 워크스루를 공개했습니다. 개발자용 자율 코딩 환경으로 출발한 안티그래비티에 유니프롯(UniProt), 펍켐(PubChem), 알파폴드(AlphaFold) 데이터베이스를 연결하는 과학 특화 워크벤치를 구축해 방대한 유전체 데이터에서 후보 물질을 추려내는 탐색 과정을 수 시간 단위로 단축시킨 결과입니다. 이번 워크스루를 통해 도출된 핵심 후보는 호흡기 감염 관련 세균인 스트렙토코커스 슈도뉴모니에(Streptococcus pseudopneumoniae) 유래 락토코신 972 계열의 97개 아미노산 박테리오신입니다. 해당 물질의 유니프롯 식별자는 A0A0U0D591로 기록되었습니다. 구글 딥마인드는 아미노산 서열에서 생물학적 기능을 직접 예측하도록 사전 학습된 자체 단백질 언어 모델 ProtNLM을 파이프라인 전면에 배치했습니다. 연구진은 이 모델을 통해 수백만 개의 미분류 유니프롯 항목에 기능 라벨을 자동으로 부여한 뒤 안티그래비티 상에서 실행되는 추론 루프를 통해 최종 물질을 선별했습니다. 시스템 인프라 관점에서 주목할 지점은 모델 호출 최적화와 비용 효율입니다. 기존 제미나이 플래시(Gemini Flash) 계열 모델의 표준 에이전트 워크플로는 다단계 생물학 데이터 검색 과정에서 다수의 반복 질의와 높은 토큰 소비를 유발했습니다. 반면 깃허브(GitHub)에 공개된 생명과학 특화 스킬 번들을 결합하자 전체 모델 호출 횟수가 절감되고 컨텍스트 유지에 필요한 토큰 소비량이 대폭 줄었습니다. 결과적으로 상대적으로 가벼운 플래시 모델이 고비용의 제미나이 프로(Gemini Pro) 수준의 작업 신뢰도를 달성했습니다. 질의당 토큰 비용이 높은 고성능 플래그십 모델에 전적으로 의존하던 기존 파이프라인(예: 고비용 프로 모델 전면 배치 구조)에서 경량 모델과 도메인 특화 툴 호출을 결합한 경량화 구조로 운영 패러다임이 전환된 셈입니다. 구글 딥마인드 연구팀은 블로그 발표문을 통해 이번에 도출된 박테리오신이 생물학적으로 타당한 선도 후보 물질을 대변한다고 밝혔습니다. 다만 이 물질의 실제 세균 살균 활성은 아직 물리적 실험실의 습식 검증 단계에 머물러 있습니다. 또한 머신러닝 스크리닝 파이프라인의 오탐률 수치가 외부에 명확히 공개되지 않아, 계산 파이프라인의 예측치와 실제 생체 활성 사이의 간극을 입증하는 정량적 지표는 추가 검증이 필요한 상태입니다. 전 세계적으로 기존 항생제 내성균 확산으로 2050년까지 연간 1000만 명이 사망할 수 있다는 공중보건 경고가 이어지는 가운데, 후보 물질의 유효성과 세포 독성 평가가 실질적인 후속 과제로 남아 있습니다. 인프라 확산 측면에서 구글은 이번 파이프라인 공개와 함께 전 세계 연구자 1만 명을 대상으로 안티그래비티 내 제미나이 4 아르곤(Gemini 4 Argon) 최고 사용 티어 무료 접근 권한을 배포하기 시작했습니다. 오픈소스 과학 스킬 번들과 최고 사양 추론 환경을 동시에 제공하는 이러한 접근법은 바이오 연구 기관의 초기 인프라 구축 비용 장벽을 낮추는 요인으로 작용합니다. 모델 직접 개발에 수반되는 컴퓨팅 비용을 들이지 않고도 검증된 에이전트 워크플로를 도입할 수 있게 됨에 따라, 신약 스크리닝 현장에서는 독자 거대언어모델 구축 대신 특화 툴과 경량 모델을 결합한 운영 구조를 채택하는 의사결정이 한층 힘을 얻을 것으로 보입니다.