인공지능을 활용한 생물위협 대응 기술

인공지능을 활용한 생물위협 대응 기술

국군화생방방어연구소 대위 배소정

소령 이두희

7급 이성찬

사진 출처: ChatGPT로 생성한 이미지 

개 요

  COVID-19 팬데믹은 바이러스에 대한 전 세계적 인식을 고조시켰다. 이러한 생물학적 위협이 야기하는 급속한 확산과 광범위한 혼란은 기존과는 차별화된 혁신적 대응 방식의 필요성을 부각시켰다. 이중 가닥의 DNA와는 달리 불안정한 단일 가닥의 RNA 기반 바이러스는 지속적인 변이를 통해 새로운 종을 만들어내며, 이로 인해 전통적인 예측 및 억제 방법으로는 신·변종 바이러스에 대한 대응이 수동적이고 제한적일 수밖에 없다. 더욱이 테러 집단이나 일부 국가들의 잠재적인 바이러스의 무기화 사용 가능성 및 개발능력의 발전은 이 문제를 더욱 복잡하게 만든다. 미국 국무부 보고서에 따르면, 북한은 이미 생물학무기와 관련 유전체 편집 기술을 보유하고 있다고 평가하된다. 대표적인 유전체 편집 기술인 CRISPR-Cas9과 같은 첨단 생명공학 기술은 식량난 등 인류의 미래 난제 해결에 도움[그림 1]을 줄 수 있지만, 동시에 생물학무기로 악용될 경우 범국가적 위험을 초래할 수 있는 양면성을 지니고 있다. 과거 구소련의 생물무기 프로그램 사례에서 볼 수 있듯이 생명공학 기술을 악용할 시 심각한 생물학적 위협을 가할 수 있다. 따라서 다양한 형태의 생물학적 위협에 대비한 선제적이고 포괄적인 대응방안 수립이 필요하다.

[그림 1] 생명공학 기술을 통한 식량 문제 해결(DALL-E)

지금까지 전 세계적으로 유행하는 감염병과 무기화된 생물학작용제에 대한 대응은 주로 사후 봉쇄와 진단, 치료에 중점을 둔 수동적 접근이었다. 전통적인 접근 방식은 확산을 억제하고 발병 후 치료법을 개발하는 것이 중점이었지만 이러한 조치는 빠르게 진화하는 현재의 생물학적 위협에 효과적으로 대처하기에는 역부족이다. 최근 급속한 발전을 이룬 AI(인공지능) 기술은 생물학적 위협 대응에 있어 ‘게임 체인저’로 부상하고 있다. AI는 대량의 데이터를 신속히 분석하여 잠재적 위협을 조기에 식별하고, 실시간으로 감염병의 확산을 예측하며, 새로운 백신과 치료제 개발 과정을 가속화할 수 있다. 본 고에서는 AI가 어떻게 감염병과 생물학무기에 대한 대응을 혁신적으로 변화시키고 있는지 살펴보고, 조기 경보 시스템 구축, 실시간 탐지, 신약 개발 등 다양한 분야에서의 적용 사례를 소개하고자 한다. AI를 활용한 이러한 새로운 접근법은 생물학적 위협에 대한 우리의 대응 능력을 획기적으로 향상시킬 것으로 기대된다.

Ⅰ. AI 기술의 발전 동향

[그림 2] 시대별 AI 발전 흐름도(출처 : 인공지능 기술 발전 전망, 과학기술정보통신부)

인공지능은 처음 개념이 소개된 1950년대 이래로 지속적인 발전을 거듭하고 있다. 특히 1980년대와 1990년대에는 기계학습 개념이 등장하여 그 발전이 가속화되었고 특히 2010년대에는 컴퓨터 기술의 발전에 따라 딥러닝을 사용하여 데이터로부터 높은 수준의 특징을 자동으로 학습하는 기술이 각광받기 시작했다. 이미지 인식, 음성 인식, 자연어 처리 등 많은 분야에서 높은 성능을 보이며 Al 기술의 보편화를 이끌었다. 2020년대에 들어선 현재에는 강화학습, 전이학습과 같은 기법들로 더욱 사람처럼 생각하고 학습할 수 있게 되었고, 최근에는 인간 지능을 넘어서는 수준까지도 꾸준히 발전을 지속[그림 2]하고 있다. 

Ⅱ. 신종 생물학무기 개발 가능성

생명공학 기술의 급속한 발전은 인류에게 엄청난 혜택을 제공하지만, 잠재적인 위험도 함께 가져오고 있다. 특히, 유전공학 및 합성생물학의 발전은 새로운 형태의 생물학무기, 즉 신종 생물학무기의 개발 가능성을 열어주고 있다. 신종 생물학무기란 기존의 자연 발생 질병 병원체를 개량하거나, 유전공학, 합성생물학 기술을 이용해 인공적으로 만든 병원체를 생물학무기로 사용하는 것을 의미한다. 이러한 무기는 기존의 방어 체계를 우회하거나, 기존에는 존재하지 않던 새로운 위협을 만들어내는 특징을 가지고 있다. 특히, 유전공학은 병원체의 유전자를 조작하여 그 특성을 변화시키는 기술로 병원체의 감염력, 독성, 항생제 내성 등을 변화시킨다. 예를 들어, 유전공학 기술을 통해 특정 바이러스나 세균에 항생제 내성을 갖는 유전자를 삽입하면 기존 치료법이 무력화될 수 있다. 또한, 합성생물학의 경우에는 생명체를 공학적으로 설계하고 제작하는 학문으로, 자연계에 존재하지 않는 새로운 생명체를 만들 수 있다. 이를 통해 완전히 새로운 유형의 병원체를 만들어낼 수 있으며, 이러한 병원체는 기존 방어 체계로는 대응하기 어려운 위협이 될 수 있다. 실제로 소련은 유전자 편집 생물무기 프로그램을 개발하여 항생제 내성 탄저균 개발 연구를 진행하기도 하였다. 탄저균 공격에 대응하기 위한 방법으로는 현재까지 면역을 형성시키는 백신 접종 방법과 즉각적으로 병원체를 무력화시키는 항생제 투약 방법이 있는데, 항생제 내성 탄저균이 개발되면 이러한 대응책이 무력화되어 큰 피해를 초래할 수 있다. 또한, 소련은 박테리아에 바이러스를 감염시켜 인간을 감염시키는 하이브리드 바이러스 개발 연구도 추진했다. 이는 박테리아를 항생제로 치료하더라도, 바이러스가 박테리아에서 빠져나와 2차 감염을 일으키도록 설계된 생물무기이다. 이러한 복합적인 병원체는 치료를 더욱 어렵게 만들어 심각한 위험을 초래할 수 있다. 더불어 2005년 미군질병연구소의 제프리 타우벤버거(Jeffry Taubenburger) 연구진은 1918년에 유행한 스페인 독감을 합성하여 재현하는데 성공했다. 스페인 독감은 치사율이 높고, 이미 소멸된 감염병이기 때문에 이에 대한 면역이 사라진 상황에서 테러에 이용된다면 큰 사회적 혼란과 피해를 초래할 수 있다. 또한, 2002년 미국 Eckard Wimmer의 연구팀는 소아마비 바이러스의 전체 염기서열을 화학적으로 합성하는 데 성공[그림 3]했으며, 실험실에서 7,500개 염기쌍의 RNA를 합성하면서 치사율이나 감염력에 영향을 미치는 염기서열을 의도적으로 수정해 합성할 경우, 인류를 위협할 수 있는 새로운 생물학무기가 탄생할 수 있다. 

[그림 3] 스페인 독감(좌)과 소아마비 바이러스의 재합성(DALL-E)

최근 북한의 생물무기 프로그램은 국제 사회에 큰 위협으로 평가되고 있으며, 이는 우리에게 보다 직접적인 위협으로 다가올 수 있다. 미 국무부의 최근 보고서는 북한이 실제로 생물학 무기를 보유하고 있음을 명확히 언급[그림 4]하고 있으며, 군사 목적으로 생물학 작용제를 생산할 수 있는 충분한 기술적 능력을 갖추고 있다고 평가하고 있다. 또한, 북한은 CRISPR과 같은 최신 기술을 활용하여 유전자 조작을 통해 생물학무기를 개발할 수 있는 능력을 보유하고 있으며, 북한의 국립 과학원이 이러한 기술을 통해 생물학 작용제의 효과를 극대화할 수 있음을 보고하고 있다. 

[그림 4] 미 국무부(Arms control, nonproliferation, and disarmament agreements and commitments reports, April, 2024) 보고서 중 23, 24년 북한의 생물학무기에 능력 관련 비교

이렇게 개발된 신종 생물학무기는 높은 치사율과 전파력을 가진다. 신종 병원체는 기존의 방어체 계를 우회하거나, 더 강력한 독성을 가져 생물학무기의 파괴력을 극대화하고, 대응을 어렵게 만들어 큰 인명 피해를 초래할 수 있다. 이에 더하여 북한은 생명공학 시설이라는 이름으로 생물무기를 위해 활용될 수 있는 다양한 생산 및 연구, 저장 시설을 갖추고 확장함으로써 국제적 제재를 회피하고 있는 상황이다. 이를 규제하고 통제하는 것은 쉽지 않은 일이며 이러한 기술의 악용은 국제 사회에 큰 위협을 가할 수 있기 때문에 이에 대한 대응방안 수립이 매우 필수적이다.

Ⅲ. AI를 활용한 생물위협 대응 기술 적용방안

국방에서의 AI 기술 적용

[그림 5] 국방혁신 4.0의 과학기술 5개 분야 

국방분야에서는 일찍부터 국방혁신 4.0 개념을 도입하여 AI 기술의 군사적 도입을 시도하고 있다. 국방혁신 4.0은 AI, 로봇, 드론 등 4차 산업혁명 과학기술을 기반으로 5개 분야에 대하여 Al 과학기술 강군을 육성하는 것을 의미[그림 5]한다. 특히 AI 기반 핵심 첨단 전력 확보를 위해 AI기반 경계시스템, 드론 워리어 플랫폼 등을 적용하고 있다. 화생방 방호작전에 있어서는 웨어러블 장비를 활용한 탐지, 치료 시스템, 그리고 감시 정찰 제독을 하는 드론 및 로봇에 인공지능 기술을 적용하고 있으며, 전반적인 작전통제 있어 Al 기반 오염 확산 시뮬레이션, 신종작용제에 대한 예측, 독성 계산 등에도 AI 기술을 적용하고 있다. 앞선 2장에서 평가했듯이 신종 생물학무기는 인류의 건강과 안전을 위협하는 중요한 요소로 이에 대한 효과적인 대응 방법이 필요하다. 본 장에서는 AI기술 중 지도 학습, 비지도학습, 강화학습, 딥러닝을 포함한 다양한 머신러닝 기법[그림 6]을 활용하여 생물학무기에 대응하는 방법을 논의하고 각 학습 방법의 정의와 적용 사례를 통해, 머신러닝이 생물학 위협에 어떻게 대응할 수 있는지 구체적으로 제시하고자 한다.

[그림6] 인공지능(AI), 기계학습(ML) 및 딥러닝(DL) 관계도

지도학습 기반 생물학무기 대응방안

지도학습(Supervised Learning)은 데이터에 대한 레이블을 사용하여 모델을 학습시켜 새로운 입력 값에 대한 예측을 하는 학습 방법이다. 지도학습의 대표적인 예로 주어진 입력 데이터를 정해진 범주의 레이블 중 하나로 분류하는 분류(Classification)와 주어진 입력 데이터를 기반으로 두 변수 사이의 함수 관계를 추정하는 회귀(Regression)가 있다.

[그림7] 분류(Classification)와 회귀(Regression)의 개념도

실생활에서 지도학습을 이용하는 대표적인 예는 스팸 이메일을 필터링하는 기술이다. 지도학습을 통해 대량의 이메일 데이터를 기반으로 이메일의 발신자, 제목, 본문 내용, 특정 단어의 빈도수 등을 특징으로 분류하여 스팸메일의 주요 특징을 추출하고 이를 통하여 학습과 평가를 통해 스팸 메일 여부를 예측하는 것이다.

이러한 지도학습 모델을 생물위협 대응 분야에 적용했을 때 대표적인 연구 사례로 전장 유전체 연관분석(Genome-Wide Association Study, GWAS)이 있다. 개인의 감염병에 대한 민감성은 나이, 면역 반응, 유전적 요소 및 약물과 같은 요인에 영향을 받는다. 그 중 감염병과 관련된 유전적 요소를 이해하는 것은 효과적인 예방 및 대응 전략 수립에 매우 중요하다. 본 연구는 바이러스 및 세균 감염에 대한 전장 유전체 연관분석을 통해 개인별 다른 감염병에 대한 민감성, 그리고 해당 민감성에 관여하는 특정 유전자 변이를 찾는 것을 목표로 하고 있다. 그림8과 같이 대규모 코호트 데이터를 기반으로 병원정보와 유전정보를 종합하여 지도학습 중 하나인 회귀분석을 적용하며 특정 감염병에 연관된 변이를 확인할 수 있다. 특히 해당 변이들에 대한 유전자 기반 기능분석 결과 발견된 변이 모두 감염에 대한 반응을 조절하는 공통점을 가지고 있었다. 대표적으로 숙주 세포 신호 전달, 염증 반응 조절, DNA 복제 및 수리, 유전자 발현, 세포 주기 조절, 종양 성장 및 전이, 항암 저항 및 세포 사멸 기능과 관련된 유전자와 연관된 것으로 관찰되었다. 이러한 기능들은 병원균의 생존을 위한 호스트의 대사 반응을 조절하여 병원균이 인체로 침입할 때 면역 시스템에 의한 세포 사멸을 피하는 유리한 환경을 조성한다. 이러한 연구방법을 통해 질병을 유발하거나 저항하는 특정 변이를 찾고 해당 변이가 존재하는 타겟 유전자를 식별할 수 있으며 이를 활용하여 새로운 치료 및 제독제를 개발할 수 있다.

[그림8] 대규모 코호트 데이터를 기반 감염병과 연관된 변이 확인 결과

비지도학습 기반 생물학무기 대응방안

비지도학습(Unsupervised Learning)은 레이블이 없는 데이터에서 패턴이나 구조를 찾는 학습 방법이다. 비지도학습의 대표적인 예로 데이터 집합을 비슷한 특성을 갖는 그룹으로 나누는 클러스터링(Clustering)과 고차원 데이터에서 중요한 정보를 보존하면서 데이터의 차원을 줄이는 차원 축소(Dimension Reduction)가 있다. 비지도학습은 실생활에서 고객의 앱 사용 패턴, 구매성향 등을 분류하는 고객의 데이터 분석에 사용된다. 해당 기법을 통해 고객의 구매기록, 웹사이트 방문 기록, 기본적인 고객의 정보(나이, 성별, 소득 등)나 행동 데이터(구매 빈도, 선호 상품 등)를 기반으로 특징을 추출하고 각 고객들을 그룹으로 나누어(클러스터링) 해당 고객들을 구분하고 맞춤형 서비스를 제공하거나 만족도를 향상시키는데 활용 할 수 있다.

[그림9] 클러스터링(Clustering)와 차원축소(Demension Reduction)의 개념도

이러한 비지도학습 모델을 생물위협 대응 분야에 적용한 대표적인 연구 사례 중 하나가 계통수 분석이다. 계통수 분석을 통해 생물학작용제 병원체에 대한 역학조사와 신·변종에 대한 예측이 가능하다. 차세대염기서열분석(Next Generation Sequencing) 장비를 통해 얻은 유전체 염기서열 데이터와 참조 유전체의 16s rRNA 다중염기서열정렬(Multiple Sequence alignment)을 통해 염기서열끼리의 미세한 차이를 확인할 수 있다. [그림 10.a] 그 결과를 바탕으로 비지도학습 모델 중 하나인 클러스터링 기법을 적용하여 계통도를 작성하면 해당 종의 분화 시기나 지리적 분포를 파악할 수 있다. 또한 염기서열정렬을 통해 보존적, 비보존적 부위를 확인함으로 해당 서열의 유전자 및 기능을 확인할 수 있고, 더 나아가 미래 발생 가능한 신·변종 생물학무기 예측에 적용할 수 있다. 이러한 연구는 생물학작용제 병원체의 염기서열 상동성을 분석하여 파악한 생물학적 정보를 바탕으로 생물위협에 대한 대처 방안을 수립할 수 있게 해주며 미래 발생 양상 예측에도 적용될 수 있다.

[그림10] 비지도학습을 이용한 연구사례, a) 다중염기서열정렬, b) COVID-19 바이러스의 계통도, c) 변종 COVID-19 바이러스별 지리적 분포도, d) 약물 처리에 따른 세포 발현 분석을 위한 PCA결과

또 다른 비지도학습 모델 중 하나인 차원 축소를 적용한 연구[그림 10.d]로는 scRNA 시퀀싱 데이터를 활용한 Heterogeneity 분석이 있다. Heterogeneity란 특정 그룹 및 집단 내의 다양성, 즉 세포마다 다른 유전자의 발현 패턴을 의미하는 것으로 특정 약물을 처리했을 때 세포별 대사 반응을 확인함으로써 해당 약물의 효능을 평가하는 것이다. 세포마다 다른 유전자의 발현 패턴을 분석하기 위해 sc RNA와 bulk RNA 시퀀싱 데이터를 차원축소와 클러스터링 기법을 적용하여 분석하였다. 그 결과 특정 약물 처리에 따라 시간대별로 다른 유전자별 발현 패턴을 확인할 수 있다. 이러한 연구는 질병에 특이적인 세포의 서브타입을 식별하여 치료 대상으로 선정하거나 특정 유전자나 면역반응에 대한 세포 신호 경로를 식별하여 약물 개발 타겟으로 선정함으로써 치료제 및 해독제 개발에 적용할 수 있다.

강화학습 기반 생물학무기 대응방안

강화학습(Reinforcement learning)은 환경과의 상호작용을 통해 최적의 행동을 학습하는 방법으로 보상을 최대화하는 방향으로 학습한다. 

[그림11] 강화학습의 개념도

실생활에서 강화학습을 적용하는 사례로는 자율 주행 차량이 있다. 자율 주행 차량은 강화학습을 통해 도로 상황에 따라 주행 전략을 학습하고 최적화하여 차량이 안전하게 목적지까지 도착하도록 해준다. 강화학습 모델을 생물위협 대응 분야에 적용한 대표적인 연구 사례 중 하나가 분자 도킹 시뮬레이션이다. 특히 생명체의 근간을 이루는 단백질의 생화학적 기능은 단백질의 구조에 의해 결정되며, 특정 단백질의 기능을 알기 위해 구조적 특징을 파악하는 것이 매우 중요하다. 본 분석에서는 분자 도킹 시뮬레이션을 통해 분자의 구조를 랜덤으로 변경하면서 결합 에너지를 계산하고 최적의 광역 최소화 에너지를 갖는 구조를 찾아 특정 결합 부위를 찾는다. 이를 통해 단백질의 구조적 특징을 파악하여 신호전달, 효소 반응 등 다양한 기능에 대한 정보를 얻게 된다. 이러한 연구는 약물, 표적 단백질, 효소, 수용체 간 결합이나 백신과 면역 세포 간 상호작용을 확 인할 수 있게 해주고, 면역계가 항원을 인식하게 해주는 에피톱을 식별하여 백신 및 약물 디자인에 활용할 수 있다.

[그림12] 강화학습을 이용한 분자도킹 MD simulation

딥러닝 기반 생물학무기 대응방안

딥러닝은 다층 신경망을 기반으로 한 머신러닝 방법으로, 인간의 뇌구조를 모방하여 여러 개의 층으로 구성되어 있으며 대량의 데이터로부터 복잡한 패턴을 인식하여 데이터를 분석할 수 있다.

[그림13] 합성곱 신경망(Convolution neural network, CNN) 개념도

실생활에서 딥러닝을 적용하는 사례로는 이미지 및 비디오 분석이 있다. 스마트폰 잠금 해제나 보안 시스템 등에서 얼굴을 인식해야 할 때 특징 추출기법을 적용한 딥러닝 기술이 사용된다. 이와 유사한 방법으로 생물위협 대응 분야에 딥러닝 모델을 적용한 대표적인 연구 사례로 감염병 감염 탐지 모델이 있다. 이미지로부터 필요한 특징을 스스로 학습하는 합성곱 신경망(CNN), 객체 분류 모델을 이용하여 CT, X-ray와 같은 이미지 데이터를 분석한다. 이를 통해 육안으로는 확인할 수 없었던 감염 초기 단계의 징후를 식별해내거나 잘못 식별한 위양성, 위음성 감염자를 식별할 수 있게 해주며, 이러한 연구방법은 초기 감염자 식별에 유용하게 적용되어 빠른 대응과 치료전략 수립에 도움이 될 수 있다.

[그림14] CNN을 이용한 X-Ray 이미지 분석 결과(출처 : Soumyajit Podder, Somnath Bhattacharjee, Arijit Roy. An efficient method of detection of COVID-19 using Mask R-CNN on chest X-Ray images[J]. AIMS Biophysics, 2021, 8(3): 281-290)

맺는말

21세기의 기술 혁명은 우리에게 새로운 도전과 기회를 동시에 제시하고 있다. 세계경제포럼 (World Economic Forum, WBF)과 맥킨지(McKinsey)는 AI, 첨단 생명공학, 양자 기술을 중추적인 ‘게임 체인저’ 기술로 강조했다. 이 세 분야는 서로 다르지만 유기적으로 연결되어 있으며, 집합적으로 글로벌 위협을 예측하고 대응할 수 있는 잠재력을 가지고 있다. 그 중 AI와 생명공학의 융합은 생물학적 위협을 관리하는 데 새로운 전환점을 제공한다. 이는 사후 조치뿐만 아니라 사전 조치 또한 가능하게 하며, 발병 패턴을 예측하고 실행 가능한 통찰력을 제공하여 대응 전략을 강화할 수 있게 하기 때문이다.

지도 학습, 비지도 학습, 딥러닝 등 AI의 다양한 학습 모델은 생물학적 위협의 복잡성을 해결하는데 탁월한 능력을 보여주고 있다. AI는 질병 확산을 예측하고, 감염병 발생 시 자원 할당을 최적화 하며, 보다 효율적으로 백신을 개발할 수 있게 해준다. 다양한 분야에서 AI를 접목시킴으로써 수동적이던 전통적 대응방식을 넘어 보다 능동적이고 적극적인 대응 전략으로 생물학적 위협을 효과적으로 완화할 수 있다. 더 나아가 AI와 블록체인, IoT 등 첨단 기술의 통합은 생물학적 위협에 대한 우리의 대응 능력을 한 차원 높은 수준으로 끌어올릴 것으로 기대된다.

이처럼 AI는 생물위협 대응의 새로운 지평을 열고 있다. 이는 단순한 기술혁신을 넘어 전 세계 공중보건과 국가안보의 패러다임을 근본적으로 변화시킬 잠재력을 지니고 있다. AI가 제공하는 신속한 병원체 식별, 정확한 확산 예측, 혁신적인 치료법 개발 등의 능력은 우리의 생물위협 대응 역량을 비약적으로 향상시킬 것이다. 하지만 이러한 기술 발전의 이면에는 AI 기술의 오용을 통한 강화된 병원체의 무기화라는 잠재적인 위험도 존재할 수 있다. 따라서 AI의 발전과 그 윤리적 사용 사이에서의 균형을 유지하는 한편 더 안전한 미래 사회를 구축하기 위해서는 지속적인 투자와 깊이 있는 연구, 그리고 국제적 협력이 필수적이다. Al의 잠재력을 올바르게 활용한다면, 미래 다가올 생물학적 위협에 더욱 효과적으로 대비할 수 있을 것이다.