신규 약물 설계는 기존의 활성 화합물에 기대지 않고 특정 표적에 맞는 완전히 새로운 화학 구조를 만들어내는 일이다. 한때는 계산력이 모자라고 분자를 기술할 좋은 방법이 없어 잘 작동하지 않았다. 낡은 화합물 라이브러리를 뒤지는 일에서 아예 새 물질을 제조하는 일로 옮겨 간 것이 이 장의 이야기다.
약물 설계가 어떻게 변해왔는지를 보면 오늘날 생성형 인공지능에 기반한 접근이 얼마나 새로운 것인지가 드러난다. 이 계보의 각 마디는 앞선 방식의 약점을 고치려는 시도였다.
수많은 화합물을 빠르게 생산하고 평가할 수 있게 해 전통적 의약화학의 약점을 고치려 했다. 더 많은 화합물을 만들 수 있게 되었으나 대부분은 약물다운 성질이 나빴고 질병의 치료에서 유의한 진전을 보이지 못했다.
표적의 결합 부위에 들어맞는 새 구조를 생성하는 데 쓰였다. 다만 단순화된 채점 방식과 분자를 바라보는 제한된 시야 탓에 효과가 크지 않았다.
리간드 효율이 높고 리드 후보가 될 가능성이 있는 소분자를 찾는 선호되는 방법이 되었다. 단편 조립 접근이 여러 화학 라이브러리를 훑는 것보다 나은 결과를 냈으나, 단편을 결합하는 연구자의 역량과 계산의 제약에 발목이 잡혔다.
분자가 어떻게 만들어졌는지에 근거해 화합물의 반응을 예측했다. 물성 값을 짐작하는 데는 탁월했으나 새롭고 특별한 분자를 만들어내지는 못했다.
변분 오토인코더가 화학 공간을 전보다 효율적으로 탐색할 분자 표상을 학습할 수 있음이 밝혀졌고, 생성적 적대 신경망과 강화학습이 분자 설계에 도입되었다. 자연어처리에서 트랜스포머가 부상한 뒤 분자 생성의 방식이 다시 한번 바뀌었다.
비평형 열역학에 기대어 데이터에 잡음을 더한 뒤 그것을 되돌리는 방식이 분자 설계에서 뛰어난 성능을 보였다. 생성적 적대 신경망이나 변분 오토인코더보다 안정적이고 질 좋은 표본을 낸다.
신약 개발은 초기 발견에서 최종 승인까지 통상 10년에서 15년을 잡아먹고 많게는 26억 달러가 든다. 비효율 때문에 제약 부문은 발견을 앞당기고 성공률을 높일 새 방법을 찾는 데 집중해왔다.
생성형 인공지능은 여기에 강력한 차이를 만들었다. 기존의 계산 방법은 대개 단편과 진화에 기대어 합성하기 어렵거나 개발에 최적이 아닌 화합물을 낳았다. 반면 현대의 생성 모델은 화학 공간의 넓은 영역을 탐색하면서도 합성 가능성, 결합력, 흡수·분포·대사·배설·독성 같은 요건을 함께 고려한다.
경제적 함의도 크다. 히트에서 리드로 가는 국면과 리드 최적화가 빨라지면 연구 전체가 앞당겨지고 발견에 드는 비용이 크게 절약된다. 더 적은 수의 물질만 시험하면 되는 것이 이점인데, 나머지는 훨씬 이른 시점에 걸러지기 때문이다.
경제를 넘어선 자리도 있다. 단백질–단백질 상호작용은 접촉면이 넓고 평평해 오랫동안 소분자로 다루기 어려웠는데, 생성 모델의 개선이 그 문을 열고 있다. 기업의 관심을 덜 받는 희귀질환과 소외 질환도 마찬가지다. 발굴을 시작하는 문턱이 낮아지면서 치료가 어렵지만 값진 질환에 연구가 집중될 수 있게 되었다.
생성 구조는 기존 물질을 변형하는 데 그치지 않고, 방대한 데이터에서 양상을 배워 완전히 새로운 화학 물질을 만들어낸다. 각 구조가 무엇을 할 수 있고 무엇을 못하는지, 그리고 서로에 대해 어떤 이점을 지니는지가 이 절의 내용이다.
ORGAN은 적대 학습과 강화학습을 결합해 원하는 속성을 지닌 분자를 기술하는 SMILES 문자열을 생성했다. 약물다운 특성, 합성 용이성, 선택된 단백질 표적과의 상호작용에서 나은 결과를 보였다.
MolGAN은 분자를 SMILES 문자열이 아니라 그래프로 다룬다. 그래프 방법은 분자의 구조를 모델화하는 데 더 적합해 타당하고 다양하며 새로운 화합물을 만드는 데서 가장 좋은 결과를 냈다.
Mol-CycleGAN은 순환 일관성 구조로 분자의 최적화를 개선한다. 바람직하지 않은 분자의 구조를 고치면서도 중요한 구조적 부분은 그대로 유지한다. 약물다운 화합물의 수용해도를 높이면서 합성 가능성과 표적에 대한 작용을 온전히 지킨 사례가 있다.
LatentGAN은 생성적 적대 신경망 훈련의 고질인 모드 붕괴를 다루려고 변분 오토인코더로 사전훈련 단계를 두었다. 분자를 연속적 잠재 공간으로 압축한 뒤 적대 신경망을 적용하는 하이브리드 방식이다.
데이터 점을 잠재 형태로 사상하는 확률적 접근으로, 차원 축소와 합성 데이터 생성을 함께 수행한다. SMILES 정보를 잠재 표상으로 바꾸었다가 다시 분자 구조로 되돌리는 방식이 분자 생성에 처음 쓰였고, 연속적 표상 위를 항해하며 분자를 체계적으로 개선할 수 있음이 입증되었다. 이 방법은 유기발광다이오드 소재와 의약품 양쪽에서 같은 접근이 통함을 보였다.
표적 단백질 정보를 넣어 결합력이 높은 리간드를 생성하게 한 설계도 나왔다. 단백질–리간드 복합체 정보로 훈련한 모델이 약물다운 특징을 잃지 않으면서 임의의 표적 단백질에 맞춘 화합물을 제안할 수 있었다.
JT-VAE는 분자를 화학적으로 분해한 뒤 접합 트리로 부호화해 타당성 문제를 넘었다. 생성물이 원자가 규칙을 지키게 되어 타당한 구조의 수가 크게 늘었고, 벤치마크에서 90% 이상의 타당성을 얻었다. 표준 변분 오토인코더의 30~40%와 대비된다.
데이터에 잡음을 더한 뒤 그것을 되돌려 새 표본을 만드는 비평형 열역학의 발상에 기댄다. GraphDDPM은 분자 그래프를 직접 다루어 결합과 원자를 점진적으로 바꾸며 독특한 구조를 만들어낸다. 앞선 그래프 기반 모델보다 타당하면서도 다양한 구조를 낸다.
분자 생성에 3차원 좌표를 포함하는 방식이 이어진 중요한 진전이다. 2차원 표상만 쓰던 데서 벗어나 화학 결합의 구조와 상호작용에 관련된 3차원 특징을 개선할 수 있게 되었고, 단백질 결합력에서 2차원만 쓴 접근을 능가했다.
최근에는 결합력 하나만이 아니라 용해도, 생산 용이성, 표적 결합력을 동시에 저울질하는 다목적 접근이 가능해졌다. 단백질 구조를 넣은 디퓨젼 모델은 표적 결합 부위에 더 정확히 들어맞는 분자를 설계하며, 본 적 없는 표적에서도 가능성을 보인 초기 결과가 있다.
자연어처리를 위해 개발된 구조를 화학 구조를 하나의 특수한 언어로 다루어 분자 생성에 적용했다. 분자 서열의 장거리 의존을 포착하는 데 뛰어나 SMILES 기반 표상에 특히 적합하다. Molecular Transformer는 화학 반응 예측에서 최고 수준의 성능을 달성했다.
ChemBERTa는 대규모 SMILES 문자열 모음에 가려진 언어 모델링을 적용해 사전훈련한 모델이고, MolGPT는 다양하고 새로우면서 합성 가능한 분자를 제안하는 GPT 계열 생성 모델이다.
한계도 뚜렷하다. 분자 표상의 이산적 성격 탓에 SMILES 기반 입력에서 과적합이 일어난다. 일반 분자 데이터로 훈련한 모델을 특정 표적에 맞출 때 사전훈련과 미세조정 사이의 간극이 생긴다. 훈련 데이터에 적게 나타난 골격에 대해서는 화학적으로 말이 되는 구조를 만들어내지 못하는 데이터 희소의 문제가 특히 크다.
변분 오토인코더가 70~95%, 표준 생성적 적대 신경망이 30~60%, 디퓨젼 모델이 95% 이상이다. LatentGAN 같은 하이브리드은 변분 오토인코더와 같은 수준에 이른다.
변분 오토인코더가 대체로 가장 빨라 빠른 개발과 대량 처리에 쓰인다. 트랜스포머는 중간 정도의 계산을 요구한다. 디퓨젼 모델은 여러 번 되풀이하는 구조라 좋은 결과를 얻으려면 더 큰 계산력이 필요하다.
엄격한 접근성 규칙을 넣지 않으면 대부분의 생성 방법이 합성하기 어려운 구조를 낸다. 과거 합성 기록의 라이브러리에서 데이터를 얻거나 합성 접근성 예측기를 포함시키면 실제로 만들 수 있는 화합물이 나올 가능성이 높아진다.
단편 기반 약물 발굴은 물리화학적 성질이 좋고 리간드 결합 능력이 뛰어난 새 화합물을 밝혀내는 데 널리 쓰인다. 대개 분자량 300 Da 미만의 작고 약물다운 단편을 핵자기공명, X선 결정학, 표면 플라스몬 공명으로 단백질에 맞대어 선별한다. 친화도는 밀리몰에서 마이크로몰 범위로 낮지만 리간드 효율이 높아 리드 최적화의 출발점이 된다.
생성 모델은 이 과정의 세 가지 조작 — 단편을 키우고(growing), 잇고(linking), 병합하는(merging) 일 — 을 자동화하고 강화한다. 서로 다른 부위에 결합하는 단편을 잇는 일은 각각보다 강한 결합으로 이어질 수 있으나, 알맞은 링커를 고르는 일은 여전히 어려워 방대한 의약화학과 수많은 최적화 시도를 요구한다.
단백질–리간드 복합체에서 리드 화합물의 효력을 높이려면 어떤 분자 단편을 붙여야 하는지를 예측한다. 알려진 복합체로 훈련한 뒤 수용체와 잘 결합할 새 분자를 예측했고, 단편을 인위적으로 제거한 알려진 리간드들에 대해 진짜 단편을 자주 재구성해냈다.
단편을 잇는 일을 구문 양상 인식의 과제로 다루어 ChEMBL 같은 의약화학 데이터베이스에서 암묵적 규칙을 배운다. 말단 단편과 링커 제약을 입력으로 받아 합성 가능성을 지키면서 완전한 분자를 생성하며, 합리적 링커 예측에서 기존 방법보다 높은 회수율을 달성했다.
두 단편을 받아 둘을 모두 포함하는 분자를 설계하되 단백질 맥락에 따른 제약을 유지한다. 평가에서 데이터베이스 기준선에 비해 원 분자와 3차원 유사도가 높은 분자를 60% 더 많이 설계했고, 원자 다섯 개 이상의 긴 링커에서는 그 성능이 200%까지 올랐다.
자기회귀 방식과 흐름 기반 방식을 결합해 분자 그래프를 생성한다. 화학 지식 규칙 없이 68%의 화학적으로 타당한 분자를 얻었고, 화학 규칙을 적용하면 100%에 이르렀다. 훈련 과정은 기존 최고 수준 접근보다 두 배 빨랐다.
이 장에서 가장 단단한 증거다. 특발성 폐섬유증을 겨냥해, 표적과 분자 구조를 모두 생성형 인공지능으로 발견한 최초의 약으로 서술된다. 섬유화의 복잡한 생물학적 네트워크와 질환 경로를 훑어 TNIK를 표적으로 지목하고, 이어 그 저해제를 설계했다.
표적 발굴에는 인공지능 플랫폼이, 분자 설계에는 여러 인공지능 방법을 함께 쓰는 Chemistry42 플랫폼이 동원되었다. TNIK를 겨냥하도록 설계되면서도 약물다운 구조를 유지하는 화합물이 탐색을 통해 찾아졌다.
2021년 11월 1상 임상시험이 시작되어 건강한 지원자에게서 좋은 약동학과 내약성을 보였고, 2023년의 2상에서는 시험한 모든 용량 수준에서 안전하고 내약성이 있음이 확인되었다. 2024년의 2a상에서는 투여군의 폐 기능이 유의하게 개선되었다.
효율의 이득은 개발 기간에서도 드러난다. 이 접근은 과제당 60~200개의 분자만 합성하고 시험하면 되었는데, 통상적 캠페인에서는 수천 개가 필요하다. 원문은 인공지능이 발굴한 약물의 1상 성공률을 80~90%로, 전통적 방식의 40%와 대비해 제시한다.
원문 4.1절은 실험실 시험이 “ISM001-055가 섬유화와 관련된 근섬유아세포 활성을
촉진했다(promoted)”고 적는다.
항섬유화 약물의 작용은 그 반대여야 하므로 억제(suppressed)의 오식으로 읽는 것이 옳다.
본 요약에서는 이 문장을 옮기지 않았다.
같은 절에 “ISM001에서 ISM005로 넘어간 것”이라는 표현이 있으나
ISM005라는 화합물은 이 장 어디에도 등장하지 않는다.
화합물명 ISM001-055를 잘못 쪼갠 표기로 보인다.
회사명도 In silico, In Silico, in silico Medicine,
I-Saril로 네 가지가 뒤섞여 있다.
구조가 특이하거나 결합 영역이 고르지 않거나 아예 구조가 없거나 단백질 사이의 결속이 강한 탓에, 오랫동안 약을 붙일 수 없다고 여겨진 표적이 있다. 생성형 인공지능이 이 통념을 시험하고 있다.
접촉 면적이 통상 1000 Ų를 넘고 표면이 평평해 다른 약물 표적에서 보이는 뚜렷한 결합 공동이 없다. 통상적 소분자 방법으로는 이를 교란할 만큼 강하고 선택적인 결합을 만들어내지 못했다.
안정한 단백질과 달리 하나의 고정된 형태가 아니라 움직이는 여러 형태의 범위 안에 늘 있다. 기존 방법으로는 이런 단백질에 작용하는 약물을 찾기 어렵다.
주된 활성 부위가 아닌 곳을 겨냥하는 접근이 인공지능으로 강화된다. 숨은 결합 영역을 찾아내고 올바른 형태에 영향을 주는 분자를 개발한다. 단백질 구조나 선택성 문제 탓에 활성 부위 저해가 쉽지 않은 표적에 특히 유용하다.
생성형 인공지능을 분자동역학 모사나 모델 앙상블 같은 진보한 계산과 결합하면 유연한 단백질과 일시적 결합 부위에 맞는 분자를 만들어낼 수 있다. 더 많은 약을 식별하고 까다로운 표적과 관련된 치료의 난제를 다룰 잠재력이 여기 있다.
본래 단일 계산에 기반하던 생성형 인공지능은 이제 여러 기술을 함께 끌어들인다. 분자동역학, 양자 컴퓨팅, 다중오믹스, 강화학습이 그 넷이다.
단백질은 굳어 있지 않고 움직이며 형태를 바꾼다. 고정된 모델에만 기대면 설계의 가능성이 제한된다. 분자동역학 모사와 생성 모델을 결합하면 단백질과 후보 분자가 실제로 어떻게 움직이고 상호작용하는지를 시간에 따라 살펴 결합 강도와 거동을 더 잘 예측할 수 있다.
특히 주목할 점은 이것이 양방향 과정이 되고 있다는 것이다. 생성 모델이 새 구조를 내놓으면 분자동역학 모사가 그것을 시험하고, 그 결과가 다시 모델으로 되먹여져 모델을 똑똑하게 만든다. 정적인 도킹에만 기대는 전통적 방법을 능가하는 예측이 여기서 나왔다.
G단백질 연결 수용체나 키나아제처럼 형태를 쉽게 바꾸는 단백질에서는 경직된 도킹이 잘 통하지 않으므로 형태 정보를 쓰는 기법이 특히 유용하다.
화학 물질이 반응할 때 관여하는 전자적 효과를 더 정확히 모델화할 수 있게 한다. 고전 컴퓨터가 오랫동안 어려움을 겪던 영역이다.
초기 시도는 양자 프로세서가 가장 복잡한 부분을 맡는 하이브리드 양자–고전 체계였다. 변분 오토인코더 안에 양자 회로를 넣어 전자적 물성 예측이 개선된 분자를 생성한 사례가 있다.
양자 기계학습은 힐베르트 공간에서 작동해 고전적 방법이 놓치는 미묘한 양자 효과를 포착함으로써 생성 모델의 특징 표상을 강화했다. HOMO–LUMO 간극이나 쌍극자 모멘트 같은 특정 전자적 특성을 지닌 분자의 설계가 한결 정확해졌다.
단일 분자에 집중하는 대신 복잡한 세포 활동을 연구하게 한다. 유전체·전사체·단백체·대사체 데이터가 생물학적으로 더 유의한 화합물의 설계를 돕는다.
유전체 정보는 정밀 종양학에서 특히 큰 영향을 미쳤다. 종양의 유전적 구성에 있는 취약점을 파고드는 표적 생성 방법을 가능케 했고, 유전자 돌연변이와 약물 반응의 관계를 대규모 데이터베이스에서 분석해 개인의 유전적 변화에 맞춘 화합물을 만들어낸다.
대사체 데이터를 넣으면 생성된 물질이 세포 대사에 어떤 영향을 줄지를 더 자세히 알 수 있어, 필수 대사에 영향을 덜 주는 약물을 설계해 표적 외 효과의 위험을 낮춘다.
지도학습과 달리 시행착오로 모델을 가르쳐, 결과와 물성에 대한 되먹임을 살펴 설계의 선택을 개선하게 한다. 생성 모델과 결합하면 원하는 특성 쪽으로 생성을 이끌 수 있다.
REINVENT는 순환 신경망과 강화학습을 결합해 역가와 선택성 같은 여러 물성을 보상 신호로 섞은 채점 체계로 모델을 인도한다. REINVENT 2.0은 화학 공간을 오가며 탐색과 활용의 난제를 함께 다루는 도구다.
MolDQN은 화학 지식과 이중 Q 학습, 무작위화 가치 함수 같은 최신 기법을 결합한다. 사전 데이터 노출 없이도 분자의 변경이 화학적으로 타당하고 편향되지 않게 유지하도록 이끈다.
생성형 인공지능으로 약을 설계할 때의 근본적 난제는 모델에 넣는 화학 데이터를 제대로 수집하고 표상하고 정제하는 일이다. 기계학습에서 데이터의 질이 나쁘면 최종 모델의 신뢰성과 효력에 심각한 문제가 생긴다.
구조 표상의 부정확이 흔하다. 입체화학의 문제, 잘못된 호변이성체, 빠진 수소가 그렇다. 생성형 시스템에서는 이 오류가 쉽게 퍼지고 증폭되기 때문에 문제가 더 커진다.
SMILES 문자열은 짧고 사람이 읽을 수 있으나 입체화학을 제대로 그려내기 어렵고 자동 생성 시 잘못된 분자를 만들 수 있다. 그래프 표상은 연결 관계는 보여주지만 결합에 결정적인 3차원 형태는 담지 못한다.
훈련 전에 호변이성체 상태와 전하, 동위원소를 정규화하는 표준화 틀이 필수가 되었다. SELFIES는 화학 규칙을 표상 자체에 심어 모든 가능한 문자열이 타당한 분자 그래프가 되게 함으로써 화학적으로 말이 안 되는 구조가 나올 수 없게 한다.
훈련 데이터가 과거 신약 개발의 노력에서 온 편향을 지닐 수 있다. 소외 질환이나 과소대표된 집단에 대한 효과가 제한되고 생성되는 분자의 다양성도 줄어든다.
공개 데이터셋은 방대한 화학 공간의 극히 일부만 다룬다. 생성할 수 있는 분자의 다양성과 새로움이 그만큼 제한된다.
설계의 근거를 이해하는 일이 결정적인 제약 분야에서 수용을 가로막는다. SHAP은 입력 특징에 중요도 값을 배정해 어떤 분자 특징이 결정에 영향을 주었는지 식별하고, LIME은 국소적으로 충실한 근사로 개별 예측을 설명한다. 트랜스포머의 어텐션 기제는 모델이 어느 분자 단편을 중요하게 보았는지를 드러낸다.
계산으로 만들어진 후보 물질의 안전성과 유효성을 평가할 틀이 세계 각국에서 빠르게 마련되고 있다. 이 절이 담은 날짜와 숫자는 이 책에서 가장 최근의 기록이다.
「의약품 및 생물학적 제제에 관한 규제 의사결정을 뒷받침하는 인공지능 사용의 고려사항」이라는 제목의 초안 지침이다. 약물의 안전성, 유효성, 품질에 관한 규제 결정을 뒷받침하는 인공지능 모델을 평가하는 위험 기반 신뢰성 평가 틀과 일곱 단계의 절차를 제시한다.
이 지침은 논의 문서에 대해 접수된 800건이 넘는 의견, 2016년부터 2023년까지 인공지능 요소를 담은 500건 이상의 의약품 제출에 대한 경험, 그리고 전문가 워크숍을 근거로 만들어졌다. 2024년에는 기관 전반의 인공지능 활동을 조율할 CDER 인공지능 협의회를 설립했다. 초안에 대한 공개 의견 접수는 2025년 4월 7일까지였다.
유럽 의약품청은 2024년 9월 「의약품 생애주기에서의 인공지능 사용에 관한 고찰 보고서」 최종본을 발표했다. 1300건이 넘는 이해당사자 응답을 거친 결과이며, 2028년까지의 인공지능 작업계획은 지침과 정책, 도구와 기술, 협력, 실험이라는 네 축에 초점을 둔다.
2025년 3월 20일에는 역사적인 이정표가 세워졌다. 인체용의약품위원회가 인공지능 기반 방법론에 대한 첫 자격 의견을 발표한 것이다. 임상시험에서 간 생검을 분석하는 AIM-NASH 도구이며, 이 시스템은 아홉 개 임상시험에 걸쳐 59명의 병리학자가 만든 10만 건 이상의 주석으로 훈련되었다.
두 기관 모두 인공지능의 쓰임과 그것이 환자 안전에 미치는 영향을 고려한 위험 기반 평가 틀의 중요성을 강조한다. 데이터 무결성의 확보, 인간의 감독 유지, 제품 생애주기 전반에 걸친 도구의 검증, 그리고 가능한 한 알고리즘의 투명성을 촉진하는 일이 핵심 요건이다. 국제의약품규제조화협의체는 데이터의 출처와 신뢰성, 지속적 안전성 감시에 초점을 둔 권고를 내놓아 세계적으로 일관된 접근을 뒷받침한다.
과거의 제약회사는 방법과 발견의 세부를 철저히 감추어 경쟁에서 앞서려 했다. 그러나 생성형 인공지능 모델을 훈련하려면 많은 정보가 필요하고, 그것을 홀로 가진 회사는 거의 없다. 연합 학습은 데이터와 지적 재산을 공유하지 않고도 함께 모델을 훈련하게 한다.
모든 데이터를 한곳에 모으는 대신, 갱신된 모델을 주고받음으로써 여러 제약사의 데이터로 훈련된 강한 생성 모델을 세울 수 있다. MELLODDY는 여러 제약 기업이 참여해 각자의 데이터를 안전하게 지키면서 집단적 신약 발굴을 위한 연합 학습 모델을 시험한 사례다.
이 장은 규제 문서의 날짜와 수치가 이 책에서 가장 최신이고 구체적이다. 다만 사례 절에는 그대로 옮길 수 없는 오류가 있고, 용어의 표기도 흔들린다. 원문을 옮기며 걸린 것을 감추지 않고 적어둔다.
promoted(촉진했다)”고 적는다.
항섬유화 약물이 근섬유아세포 활성을 촉진한다는 것은 작용 기전과 정반대이며,
바로 다음 문장이 “섬유화와 염증을 모두 줄이는 데 표준 약물보다 낫다”고 하므로
억제(suppressed)의 오식이 분명하다.
본 요약에서는 이 문장을 옮기지 않았다.
ISM001에서 ISM005로 넘어간 것이 인상적이다”라는 문장이 있으나,
ISM005라는 화합물은 이 장 어디에도 등장하지 않는다.
화합물명 ISM001-055를 잘못 쪼갠 표기로 보인다.
In silico, In Silico, in silico Medicine,
그리고 I-Saril. 마지막 것은 특히 알아보기 어렵다.
더구나 ‘in silico’는 계산과학의 일반 용어이기도 해 혼동을 부른다.
같은 오식이 제5장(4.4절)과 제13장(6.2절)에서도 나타난다.
GENAI-based (general artificial intelligence) systems”라 풀어 적는다.
GenAI는 생성형(generative) 인공지능이지 범용(general) 인공지능이 아니다.
또 본문 전체에서 GenAI와 GENAI의 대문자 표기가 뒤섞여 있다.
Figure D로 되어 있어 Fig. 16.3D의 오식이다.
본 요약에서는 이 대목을 옮기지 않았다.
FlexProteins”라는 표현이 있다.
표준 용어가 아니며 유연한 단백질(flexible proteins)을 가리키는 것으로 읽힌다.