Claude의 사전 학습 데이터에 대규모 단백질 序列이 포함됐다는 보도가 나왔지만, Anthropic은 아직 이를 확인하지 않았다. 개발자에게 중요한 것은 모델이 단백질을 ‘써 내리는지’ 여부가 아니라 데이터, benchmark, wet lab 실험이 하나의闭环를 이루는지다.
보도부터 분해하기: 무엇을 학습했고 무엇이 아직 없는가
이 소식은 Hacker News 메인 페이지에 게시된 기사 《Claude was trained on protein sequences at scale》에서왔다. 초안이 인용한 페이지 상태를 기준으로 점수는 103점, 댓글은 43개였다.
개발자들이 묻는 질문은 대체로集中在 있었다. Claude의 학습 데이터에 정말 단백질 序列이 포함됐는가. 포함됐다면 규모는 얼마나 되는가. 사전 학습 데이터에서 차지하는 비중은 얼마인가. 관련 benchmark는 공개됐는가.
현재 확인 가능한 출처는 개인 블로그다. 해당 글은 Claude Opus 5.5의 학습 데이터가 텍스트 말뭉치뿐 아니라 대규모 단백질 序列을 포함한다고 주장한다. 원문 링크는 다음과 같다.
http://xinmingtu.cn/blog/2026/claude-opus-5-5-protein-sequences/
다만 먼저 증거의 경계를 분명히 해야 한다.
- Anthropic은 이 소식을 공식 확인하지 않았다.
- 재게시된 기사에는 구체적인 데이터량이 제시되지 않았다.
- 단백질 데이터와 텍스트 데이터의 학습 비율은 공개되지 않았다.
- 구조 예측, 기능 예측, wet lab 실험과 관련된 평가 결과도 없다.
따라서 현재 확실히 말할 수 있는 것은 ‘그런 보도와 논의가 있었다는 점’까지이며, ‘Claude가 이미 안정적인 단백질建模 능력을 갖췄다’고 단정할 수는 없다.
이 소식이 주목할 만한 이유는 확인되지 않은 제품 소문 자체가 아니라, LLM의 사전 학습 데이터가 자연어에서自然界의 검증 가능한 序列 구조로 확장될 수 있다는 구체적인 기술 방향을 가리키기 때문이다.
序列은 텍스트가 아니지만 같은 형태의 supervision signal이 될 수 있다
단백질은 글자가 아니다. 하지만 기계학습 관점에서는 텍스트와 공통점이 있다. 둘 다 이산 token으로 나눌 수 있고, next-token prediction으로 학습할 수 있다.
가장 직접적인 인코딩 방식은 20가지 표준 아미노산을 서로 다른 token에 대응시키는 것이다. 예를 들면 다음과 같다.
amino_acids = list("ACDEFGHIKLMNPQRSTVWY")
token_to_id = {aa: i for i, aa in enumerate(amino_acids)}
sequence = "MKTAYIAKQRQISFVKSHFSRQLEERLGLIEVQ"
tokens = [token_to_id[aa] for aa in sequence]
assert len(tokens) == len(sequence)
assert set(tokens) <= set(token_to_id.values())
이 코드에는 생물학적 지식이 들어 있지 않다. 序列을 정수로 바꿀 뿐이다. 실제 학습은 사전 학습 목표에서 이뤄진다. 앞선 아미노산이 주어졌을 때 다음 아미노산을 예측한다.
이러한 학습 방식은 세 가지 유형의 패턴을 모델이 익힐 가능성을 품고 있다.
- 아미노산 조성偏好. 서로 다른 단백질의 잔기 분포는 고르지 않다.
- 국소적 생물물리 제약. 소수성 잔기, 이온화 잔기, 공간 장애는 어떤 片段이 더 자주 나타나는지에 영향을 준다.
- 진화 패턴. 보수적 위치, 반복 片段, 구조 영역 경계는 序列 안에 통계적 신호를 남긴다.
다시 강조하면, 이는 序列 학습 방식에서 도출한 기술적 추론이지 재게시된 기사에 담긴 Anthropic의 공식 결론이 아니다.
다만 이 사실만으로 ‘모델이 단백질을 이해했다’고 결론 내릴 수는 없다. next-token prediction은 분포와 제약을 학습할 뿐, 접힘 메커니즘을 이해하거나 발현·정제·재현 가능한 단백질을 설계할 수 있음을 보장하지 않는다.
반통념: 데이터 규모가 크다고 예측이 정확해지는 것은 아니다
가장 쉽게 간과되는 문제는 ‘데이터 규모’와 ‘작업 정확률’을 같은 것으로 보는 것이다.
학습 데이터에 수억 개의 단백질 序列이 있다고 가정해도 모델은 다음과 같은 기초적인 오류를 범할 수 있다.
- 序列은 데이터베이스에서 왔지만 주석 품질이 일정하지 않다.
- 동원 序列이 지나치게 중복돼 학습 규모가 과대평가될 수 있다.
- 유효한 단백질이 무엇이 아닌지에 대한 음성 표본 없이 양의 序列만 학습한다.
- 평가 데이터와 학습 데이터가 지나치게 유사해 데이터 누수가 발생한다.
- 序列이 비슷해도 기능이 같다는 뜻은 아니다.
- 序列 예측이 정확해도 3차원 구조가 정확하다는 보장은 없다.
- 구조가 유사해도 결합亲和력이 기대에 맞지 않을 수 있다.
과학적 가치를 결정하는 것은 대개 마지막 몇 퍼센트포인트가 아니라 평가 절차가 신뢰할 수 있는지다.
단백질 작업에 대한 완성도 높은 benchmark는 최소한 데이터 분할 방식, 학습 시점, 동원성 누수 통제, 지표 정의, wet lab 결과와의 정합 여부를 밝혀야 한다. 이런 정보가 없으면 특정 모델의 높은 점수를 다른 모델과 공정하게 비교하기 어렵다.
LLM이 과학 분야에 진입할 때 나타나는这也是 흔한 간극이다. 모델은 웹 텍스트를 통해 AlphaFold를 설명하거나 구조 예측 API를 호출할 수 있다. 하지만 ‘도구를 사용하는 법을 아는 것’과 ‘올바른 질문을 던지는 것’은 별개의 문제다.
언어에서 단백질까지, 공유되는 것은 실제로는 정렬 능력이다
범용 LLM과 전용 과학 모델은 단순한 대체 관계보다 분업 관계를 만들 가능성이 높다.
LLM은 자연어 처리, 자료 검색, 문제 분해, 실험안 구성, 외부 도구 호출에 강하다. 전용 모델은 명확한 입력과 출력 범위에서 구조 예측, 에너지 계산, 분자 도킹, 양자 시뮬레이션을 수행하는 데 적합하다.
더 현실적인 작업 흐름은 다음과 같다.
- LLM이 논문과 데이터베이스에서 후보 타깃을 찾는다.
- 구조 예측이나 양자 계산을 수행하는 도구를 호출한다.
- 실패한 계산 결과에 따라 설계를 수정한다.
- 실험안과 후보 序列을 생성한다.
- 실험 피드백을 시스템에 다시 반영한다.
여기서 공유되는 핵심은 어떤 ‘만능한 뇌’가 아니라 데이터, 도구, 피드백을 정렬하는 능력이다.
모델이 학습과 추론 과정에서 단백질 序列을 접했다면 어떤 片段이 구조 예측 도구를 호출할 가치가 있는지, 어떤 변이가 물리 모델의 계산을 거쳐야 하는지, 어떤 후보를 wet lab 실험에 우선적으로 보내야 하는지를 더 잘 판단할 수 있을지 모른다.
실제 활용 가치에 더 가까운 것은 ‘모델이 그럴듯한 단백질을 써 내리는가’보다 이런 판단 능력이다.
개발자가 주목할 지점
앞으로 확인할 수 있는 방향은 네 가지다.
첫째, 序列과 구조의 공동 학습
序列만 학습하면 모델은 접힌 뒤의 공간 관계를 직접 판단할 수 없다. 구조, 접촉 그래프, 기능 라벨을 함께 넣어야 모델이 序列 패턴을 3차원 구조에 대응시킬 가능성이 생긴다. 핵심은 파라미터 수가 아니라 세 종류의 데이터를 어떤 비율로 결합하는가다.
둘째, 도구 호출이 실제로闭环를 이루는가
과학적 추론은 token prediction에서 끝나서는 안 된다. 모델은 Fold, 분자 도킹, 문헌 검색, 양자 시뮬레이션 도구를 호출하고 계산 실패나 실험 편차를 다음 설계에 반영해야 한다.
셋째, 사전 학습 데이터의 무조건적 확대보다主动 학습이 유리한가
후보 序列을 이미 계산이나 실험으로 검증했다면,主动 학습은 적은 수의 고부가가치 표본으로 모델을 보정할 수 있다. 조건 없이 말뭉치 풀을 늘리는 것보다 비용 효율이 높다.
넷째, benchmark 공개
Anthropic이 실제로 이런 학습을 진행했다면 최소한 다음 내용을 공개해야 한다.
- 序列 데이터의 출처와 중복 제거 방식
- 학습 데이터 비율
- 순수 텍스트 모델과의 비교 결과
- 구조, 기능, 설계 작업에 대한 독립 평가
- 미확인 동원 계열에서의 일반화 결과
이 정보가 공개되기 전에는 개발자가 소규모 재현 실험을 먼저 진행할 수 있다. 한 가지 실행 가능한 방법은 ‘순수 텍스트 prompt’와 ‘구조화된 序列 prompt’가 동일한 단백질 집합을 얼마나 잘 설명하는지 비교하는 것이다.
from anthropic import Anthropic
client = Anthropic()
sequence = "MKTAYIAKQRQISFVKSHFSRQLEERLGLIEVQ"
prompt = f"""Analyze this protein sequence.
Sequence: {sequence}
Answer in JSON with these keys:
- likely_length_class
- likely_composition
- uncertainty
Do not infer a specific biological function without evidence.
"""
message = client.messages.create(
model="claude-sonnet-4-5",
max_tokens=500,
messages=[{"role": "user", "content": prompt}],
)
print(message.content[0].text)
이 코드는 anthropic Python SDK와 ANTHROPIC_API_KEY가 필요하다. Claude Opus 5.5가 단백질 序列 학습을 받았다는 것을 증명하지도 않고, 과학 평가로 충분하지도 않다. 저비용으로 시작할 수 있는 실험 경로를 제공할 뿐이다. 의미 있는 실험에는 구조 라벨, 동원성 격리 데이터셋, 출력을 검증할 외부 도구가 추가로 필요하다.
편집 시 생각
이번 소식의 의미는 Claude가 갑자기 생명과학을 장악했다는 데 있지 않다. LLM의 사전 학습 입력이自然界의 검증 가능한 데이터 구조에 가까워질 수 있다는 데 있다. 텍스트에 담긴 사실은 웹에 머물러도 되지만, 단백질 序列은 생물물리, 진화, 실험의 제약을 동시에 받는다. 모델이 이런 데이터를 접한 뒤에야 序列 생성을 구조 예측과 실험 반복 과정에 연결할 가능성이 생긴다.
제가 보기에는 다음 단계에서 더 주목할 대상은 더 큰 과학 모델이 아니라 더 신뢰할 수 있는闭环다. 모델이 후보를 제안하고, 계산 도구가 선별하며, 실험이 결과를 반환하고, 시스템이 다시 학습한다. 범용 LLM과 전용 모델은 계속 분업할 것이며, 하나의 모델이 모든 일을 떠맡지는 않을 것이다.
이번에는 질문을 다르게 정리할 수 있다. ‘모델이 과학을 설명할 수 있는가’보다 ‘검증 가능한 신호를 활용해 작업을 수행할 수 있는가’로 초점이 옮겨가고 있다. 다만 현재 정보는 개인 블로그의 재게시글뿐이며, 학습 규모, 데이터 비율, 평가 결과는 모두 공개되지 않았다. 이 방향은 계속 지켜볼 만하지만 성급하게 결론 내릴 단계는 아니다.