AI 실험실 자동화가 효소 활성을 최대 104배 향상

AI가 예측-제작-검증-학습을 자동 반복하는 폐쇄형 실험 루프를 생물학에 적용했다: 모델이 설계한 효소 변이를 로봇 실험실이 합성·발현·검증하고, 결과를 다시 모델에 반영해 다음 설계를 개선한다. 톈진대 REAP 시스템은 5회 자동화 사이클로 한 효소의 목표 활성을 57배, 다른 효소는 104배 향상했다. 이전에는 사람이 합성과 실험, 결과 정리를 담당했으나, 이제 전체 파이프라인이 자동화되며 생물학 연구가 소프트웨어처럼 반복 최적화되는 단계에 진입했다. 목표와 평가 기준이 명확한 문제에서 현실 세계의 재귀적 최적화가 작동하기 시작했고, AI가 효소·의약품·신소재·농업 생물체 설계와 실험을 수행하는 자율 과학자 역할을 맡는다. 병목은 모델 성능보다 실험 처리량으로 이동한다: 연구실 로봇, 단백질·유전자 합성, 분석장비, 바이오 제조가 핵심 인프라로 부상한다. 해당 성과는 두 효소에 대한 초기 결과로 범용 신약 개발이나 장수 기술로의 즉시 확장은 불가하며, 실제 환경 검증과 비용 문제가 남아 있다.

암시적 크립토·웹3 영향

- 토큰화된 실험 인프라와 분산 연구 네트워크의 수요 확대: 로봇 랩·합성·시퀀싱 처리량에 대한 자본 조달 모델로 RWA·DeSci 토큰 활용 가능성 증가.
- 데이터 소유권과 접근 제어: 실험 로그와 분자 데이터의 온체인 검증과 사용권 거래를 지원하는 ZK·데이터 마켓 프로토콜의 유용성 상승.
- 리스크: 초기 결과의 범용성 제한과 오프체인 장비 의존도가 크다. 온체인 인센티브만으로는 처리량 병목을 해소하지 못할 수 있다.