발표자: Akram Baharlouei (Altos Labs, 머신러닝 엔지니어). Altos Labs는 세포 회춘(cellular rejuvenation)을 통해 세포 건강과 회복력을 되찾아 질병과 노화 관련 장애를 되돌리는 것을 목표로 하는 바이오테크 스타트업이다. 발표자는 생물학 배경 없이 엔지니어링 관점에서 단일세포(single-cell) 생물학용 파운데이션 모델이 마주한 공학적 난제를 정리했다.
핵심 주장
- 단일세포를 이해하고 모델링하는 것은 세포 → 조직 → 장기 → 인체 전체를 모델링하는(가상세포/가상장기/가상인간/디지털 트윈) 여정의 첫 단추이며, 이는 신약 개발 파이프라인의 속도와 성공률을 근본적으로 바꿀 잠재력이 있다.
- 그러나 현재 단일세포 데이터는 근본적으로 노이즈가 크고 이질적(heterogeneous)이며, 이 데이터 위에서 학습된 트랜스포머 기반 파운데이션 모델들(scGPT, scFoundation류)은 기대만큼 성능을 내지 못하고 있다 — 오히려 간단한 선형 모델이 비슷하거나 더 나은 경우가 있다.
- 반면 데이터의 "평균"을 예측하는 대신 분포 자체를 맞추려는 플로우 매칭(flow matching) 기반 모델(예: PrimeFlow)이 현재로선 더 나은 접근으로 보이며, 향후에는 데이터 규모 확장뿐 아니라 측정 품질 자체의 개선이 필수적이다.
주요 근거와 사례
1) 왜 단일세포가 중요한가 — 야마나카 인자 사례
- 2006년 야마나카 신야(Shinya Yamanaka)가 4가지 전사인자(transcription factor)를 발견했다. 이 4개 단백질을 노화된 피부세포에 과발현시키면 세포를 배아줄기세포와 유사한 상태로 리프로그래밍할 수 있었다. 이 발견으로 2012년 노벨상을 받았다.
- 이 원리를 응용하면 세포 "타입"은 그대로 두고 "나이"만 되돌리는 부분 리프로그래밍(partial reprogramming)도 가능하다 — 노화로 잃은 젊은 기능을 mRNA 의약품 형태로 복원하는 접근이다.
- 2026년 올해, 최초의 리프로그래밍 의약품(OSK 계열로 추정)이 사람 대상 임상시험 단계에 들어갈 예정이라고 언급했다. 야마나카의 발견(2006)부터 실제 인체 적용까지 약 20년이 걸린 셈이다.
2) 왜 "단일세포" 단위로 연구하는가
- 궁극적 목표는 세포 하나하나를 통합적·전일적(holistic)으로 모델링해, 이를 기반으로 조직(tissue), 장기(organ), 나아가 인체 전체를 모델링하는 것이다. 이를 가상세포(virtual cell), 가상장기, 가상인간, 디지털 트윈 등으로 부른다.
- Human Cell Atlas 같은 프로젝트가 이미 인체 내 모든 개별 세포를 매핑하는 작업을 진행 중이다.
- 신체와 생명 현상을 더 잘 모델링할수록 질병 치료와 신약 개발에 대한 이해가 깊어진다는 것이 기본 전제다.
3) 신약 개발의 구조적 문제 — 무어의 법칙과의 대비
- 컴퓨팅 성능은 무어의 법칙에 따라 매년 두 배씩 성장해온 반면, 매년 개발되는 신약의 수는 오히려 감소 추세다 — AI/기술 발전에도 불구하고 역설적인 현상.
- 신약 개발은 실패가 "정상"인 분야로, 임상 승인율이 5% 이하 수준으로 언급됐다.
- 초기 연구개발부터 전임상, 임상시험, 최종 단계까지 전체 파이프라인은 최대 10년, 비용은 수십억 달러가 소요될 수 있다.
- 단백질 설계 같은 R&D 초반 단계만 AI로 개선해도 몇 년을 절약할 수는 있지만, 전체 파이프라인에는 큰 도움이 안 될 수 있다 — 그래서 파이프라인 전 구간에 걸친 혁신이 중요하다고 강조.
4) 단일세포를 측정하는 여러 모달리티
- 게놈(DNA 시퀀싱): 모든 세포에서 거의 동일해 정보량이 제한적.
- RNA-seq(전사체, transcriptomics): 각 시점에 어떤 유전자가 얼마나 발현되는지를 나타내는 행렬(matrix) 데이터. 유전자 스케일은 약 2만(20K) 개 수준.
- 프로테오믹스(proteomics): 실제로 몸속에서 대부분의 기능을 수행하는 단백질을 직접 측정하지만, 측정이 매우 어렵고 처리량(throughput)이 낮다.
- 형태학(morphology): 세포 모양·구조를 이미징 기술로 측정. 조직 내 세포의 공간적 위치 정보 파악에 특히 유용.
- 이 중 파운데이션 모델 학습에 가장 많이 쓰이는 것은 RNA-seq다 — PCR 기반 기술 덕에 측정이 상대적으로 쉽고 스케일링이 용이해, 수천만에서 5억 개, 심지어 10억 개 세포 규모의 데이터셋까지 존재한다.
5) 데이터 품질 문제 — 스케일만으로는 부족
- 동일한 세포 두 개를 측정해도 결과가 똑같이 나오지 않을 정도로 데이터가 이질적(heterogeneous)이다.
- 생물학적 이유: 세포는 성장, RNA 복제, 세포 분열 등 여러 변화를 거치며, 이런 변화 다수가 연속적이 아니라 버스트(burst) 형태로 일어난다. 그런데 현재 시퀀싱 기술은 영화 전체가 아니라 한 장의 스냅샷만 찍는 셈이다.
- 기술적 이유: 서로 다른 실험실·장비에서 측정하면 데이터가 서로 달라진다.
- 발표자는 데이터의 고차원·다중 상태(multi-state) 특성상 양자컴퓨팅이 자연스러운 접근일 수 있다는 견해도 언급했지만, 현재로선 기존 AI로 무엇을 할 수 있는지가 논의의 초점이라고 정리했다.
6) 파운데이션 모델 현황 — 트랜스포머 기반의 한계
- scGPT, Informer 등 트랜스포머 기반 모델은 "세포 = 문장, 유전자 = 토큰" 비유를 사용한다. BERT 스타일로 일부 유전자를 마스킹하고 양방향 어텐션으로 유전자 간 관계와 발현량(count)을 예측하도록 학습시킨다.
- 다운스트림 태스크로는 세포 타입 예측, 섭동 반응(perturbation response) 모델링 등이 있다.
- 구조적으로는 단일세포 데이터를 저차원 잠재벡터(latent vector)로 압축한 뒤 디코딩(생성) 또는 분류하는 방식인데, 이 압축 과정에서 정보 손실이 크다.
- 그 결과 이런 대형·고비용 모델이 단순 선형 모델과 비슷하거나 오히려 더 낮은 성능을 보이는 경우가 관측됐다.
- 작년 NeurIPS에 발표팀이 직접 진행한 두 편의 벤치마킹 논문(멀티모달 이미징+RNA-seq 벤치마크, 섭동 반응 모델링 벤치마크)에서도 동일한 결론이 나왔다 — 학습 비용이 매우 큰 모델임에도 언어·이미지 도메인 대비 상대적으로 성능이 떨어진다.
7) 플로우 매칭(Flow Matching) 기반 모델 — 더 나은 대안
- 가우시안 노이즈에서 시작해 데이터의 실제 분포를 직접 매칭하도록 학습하는 방식.
- 발표팀이 arXiv에 공개한 PrimeFlow 모델은 오토인코더 기반 모델(CPA 등)이 평균값(mean)만 예측하려는 것과 달리, 분포 자체를 맞추는 데 더 뛰어났다. 시각화에서 초록색 점(ground truth)에 PrimeFlow의 분포가 더 잘 들어맞았고, MMD(Maximum Mean Discrepancy) 스코어로 이를 정량 비교했다.
구체적 인사이트
- "토큰에서 세포로"라는 제목처럼, 이 발표는 NLP식 파운데이션 모델 설계(마스킹-예측, 잠재벡터 압축)를 생물학 데이터에 그대로 이식하는 접근이 한계에 부딪히고 있음을 실증적으로 보여준다. 언어/이미지 도메인에서 통했던 레시피가 생물학에서는 그대로 통하지 않는다.
- 단일세포 데이터의 근본 문제는 "많이 모으면 해결된다"는 스케일 만능주의로 풀리지 않는다 — 측정 자체가 연속적인 생물학적 과정의 스냅샷이라는 태생적 한계(burst 특성) 때문에, 데이터 양보다 측정 품질과 방법론 개선이 더 중요할 수 있다.
- 압축(잠재벡터화) 대신 분포 매칭(flow matching)을 택한 PrimeFlow의 우위는, 생물학 데이터처럼 노이즈가 크고 다봉(multi-modal) 분포를 가진 데이터에서는 "평균을 맞추는" 방식보다 "분포를 맞추는" 방식이 유리하다는 일반적 시사점을 준다.
- 신약 개발 파이프라인 전체를 놓고 봤을 때, R&D 초반 단계(단백질 설계 등)만 AI로 가속화하는 것은 전체 타임라인 단축에 제한적 효과만 있을 수 있다 — AI 투자를 파이프라인 전 구간(전임상, 임상 등)에 걸쳐 분산해야 실질적 임팩트가 난다는 관점.
실행 포인트
- 단일세포 파운데이션 모델을 검토/도입할 때는 대형 트랜스포머 모델의 성능을 무비판적으로 신뢰하지 말고, 반드시 단순 선형 베이스라인과 비교 검증할 것 (발표팀의 NeurIPS 벤치마크 논문들을 참고).
- 생물학·헬스케어 도메인에 파운데이션 모델을 적용할 때는 언어/이미지에서 검증된 아키텍처(마스킹 기반 트랜스포머)를 그대로 가져오기보다, 데이터의 통계적 특성(고차원, 이질성, 스냅샷 편향)에 맞는 아키텍처(예: 분포 매칭 기반 생성모델)를 우선 고려할 것.
- 데이터 수집 전략을 짤 때 "더 많은 세포 수"보다 "측정 방법의 품질 개선"에 우선순위를 둘 것 — 스케일 확장과 품질 개선을 함께 추진해야 실사용 가능한 모델이 나온다.
- 관련 논문 3편(SCGenoscope/멀티모달 벤치마크, 섭동 반응 벤치마크 NeurIPS 2025, PrimeFlow arXiv)을 실제로 찾아 원문을 확인할 것 — 발표에서 슬라이드 끝에 링크로 안내됨.