내가 이것을 Virtual Human이라고 부르는 이유

“Virtual Human”이라는 말은 쉽게 오해된다. 아바타나 디지털 캐릭터, 혹은 한 사람을 완전히 복제한 존재처럼 들릴 수 있다. 내가 뜻하는 것은 더 좁고 까다롭다. 한 사람에게서 얻은 측정값을 조건으로 삼아, 정해진 생물학적 질문에 답하도록 만든 계산 모델이다. 집단 평균만이 아니라 개인을 기준으로 삼고, 제안된 변화를 실제로 그 사람에게 시험하기 전에 계산적으로 탐색한다는 뜻에서 Virtual Human이라고 부른다.

모델은 질문으로 정의된다

Virtual Human은 한 사람의 생물학적 상태 중 선택된 부분을 나타내고, 정해진 중재나 노출 뒤에 그 상태가 어떻게 달라질 수 있는지 추정해야 한다. 여기에는 약물, 영양소, 보충제, 수면이나 활동의 변화, 환경 노출 등이 포함된다. 질병의 진행은 이와 연결된 궤적 예측 문제다.

“선택된 부분”이라는 표현이 중요하다. 지금 가능한 어떤 측정도 사람 전체를 담지 못한다. 혈액 RNA로 만든 모델은 특정 시점과 채취 조건에서 면역 활동의 일부를 말해줄 수 있다. 그 사람의 전체 생리, 병력, 환경, 미래를 포함하지는 않는다. 모델은 이 경계를 감추지 않고 드러내야 한다.

VHL은 현재 개인 예측이나 임상용 Virtual Human 시스템을 운영하지 않는다. Virtual Human은 연구 목표다. 지금 하는 일은 어떤 표현 방식과 데이터, 변화 기록, 검증 방법이 있어야 이 목표를 과학적으로 정당화할 수 있는지 밝히는 것이다.

모델이 사람처럼 말하는지는 시험 기준이 아니다. 그 사람의 생물학적 상태가 어떻게 달라질지 불확실성과 함께 미리 제시하고, 실제 측정으로 맞고 틀림을 확인할 수 있어야 한다.

지식을 찾는 일에서 조건부 답을 얻는 일로

내가 교육받은 기간의 대부분 동안 과학적 권위는 교과서, 논문, 프로토콜, 가이드라인처럼 고정된 형식으로 전달됐다. 검색은 그 자료에 도달하는 방식을 바꿨다. 근거는 제자리에 있었지만 찾는 속도는 빨라졌다.

학습된 모델은 인터페이스를 다시 바꿨다. 이제 사람들은 문서 목록 대신 조건부 질문을 던지고 종합된 답을 받는다. 그 답은 틀릴 수 있고, 잘못된 이유로 확신에 차 있을 수도 있다. 그런데도 많은 사람이 모델의 출력을 단순한 검색 결과가 아니라 당장 사용할 답으로 받아들이는 모습을 본다. 나는 이 변화 이후 지식 인터페이스가 출처만 찾는 데서 멈추지 않고 조건부 질문에 답해야 한다고 생각하게 됐다.

생물학도 비슷한 인터페이스로 이동할 것이라고 본다. 생물학 모델이 집단 데이터나 기존 근거에서 벗어나는 것은 아니다. 그 자료에서 관계를 학습한 뒤 개인의 측정값을 조건으로 반응을 추정할 것이다. “이 중재 뒤에는 보통 어떤 일이 일어나는가?”뿐 아니라 “지금 관찰된 이 상태에서 어떤 반응이 가능한가?”를 묻게 된다.

비유는 인터페이스에서 끝난다. 언어모델을 사용한다는 사실이 생물학적 예측의 신뢰성을 보장하지는 않는다. 생물학적 추정은 반증할 수 있어야 하고, 사용 목적에 맞게 보정되어야 하며, 예측 뒤에 수집한 관찰값으로 검증해야 한다.

변화를 가했을 때 드러나는 생물학

한 번의 측정으로 기준 집단과의 차이, 집단마다 다른 경로, 검체에 존재하는 세포 상태를 찾을 수 있다. 모두 유용한 관찰이다. 그러나 내가 알고 싶은 질문, 즉 무언가를 바꾸면 다음에 어떤 일이 일어나는가에는 답하지 못한다.

반응을 추정하려면 시간에 따른 근거가 필요하다. 중재에 관한 주장이라면 인과 추론을 뒷받침하는 설계도 필요하다. 측정값이 비슷한 두 사람도 과거 노출, 유전적 차이, 조직 맥락, 복용 약물, 행동, 수집하지 못한 변수 때문에 다르게 반응할 수 있다. 개인의 측정값을 조건으로 삼는 모델은 그럴듯한 연관성과 중재에 대한 반사실적 주장을 구분해야 한다.

출력은 하나의 확정된 미래가 되어서는 안 된다. 가능한 반응의 범위, 시간 범위, 불확실성, 추정을 믿을 수 없게 만드는 조건을 함께 제시해야 한다. 맥락이 빠졌거나 데이터 분포가 달라졌다는 사실을 감지하지 못하는 모델을, 그런 능력이 있는 것처럼 사용해서는 안 된다.

검증 가능한 질문으로 만들고 싶은 것

구체적인 응용은 모델이 명확한 질문에 답하도록 강제한다. 아래 항목은 VHL이 현재 제공하는 서비스가 아니라 장기 연구 목표다.

왜 현재 연구는 RNA에서 시작하는가

RNA 발현량은 시간과 조직에 따라 달라지는 유전자 발현 측정값이다. 벌크 검체에서는 세포 구성도 반영한다. 생물학적 상태를 연구하기에 유용하지만 잡음이 많고 불완전하다.

PBISC는 PBMC 벌크 RNA 프로파일이 어느 정도의 세포 수준 구조를 뒷받침할 수 있는지 묻는다. 단일세포 측정값이 없는 많은 코호트에는 벌크 데이터가 남아 있다. 벌크 측정에서 유사 단일세포 구조를 생성하더라도, 그 구조를 이용한 모든 후속 주장은 별도로 검증해야 한다. 생성된 세포는 측정된 세포가 아니다.

RNA-LLM은 다른 질문을 다룬다. 수천 개의 유전자 값을 텍스트로 직렬화하지 않고 전사체 프로파일을 언어모델의 학습된 입력으로 만들 수 있는가? 이 연구는 RNA 상태가 언어모델 출력과 후속 과제를 어떻게 조건화할 수 있는지 본다. RNA 프로파일 하나를 사람 전체의 모델로 바꾸는 연구가 아니다.

누출을 통제한 평가 연구는 새로운 기증자와 독립된 연구에서도 성능이 유지되는지 묻는다. 모델이 실제 생물학을 이해하지 않고 코호트, 배치, 기관, 반복 참여자의 신호를 알아보는 것만으로도 높은 성능을 보일 수 있기 때문이다. Virtual Human 연구는 이런 지름길 위에 세울 수 없다.

PBISC와 RNA-LLM 어느 것도 최종 목표가 아니다. 지금 다룰 수 있는 해상도와 표현 문제를 연구하는 단계다. 신뢰할 수 있는 개인 모델에는 시간에 따라 반복 수집한 분자 측정값, 생리, 임상 맥락, 행동, 환경, 중재 기록, 관찰된 결과가 필요할 가능성이 크다. 어떤 질문에 어떤 조합이 충분한지는 아직 모른다.

생물학 모델은 신뢰를 얻어야 한다

생물학 모델의 오류를 hallucination이라고 부르고 싶을 수 있다. 그러나 이미 더 정확한 실패 유형이 있다. 교란, 보정 실패, 누락 변수, 데이터 누출, 분포 변화, 근거 없는 외삽이다. 각 실패에는 서로 다른 검사가 필요하다.

출력이 유창하거나 생물학적으로 그럴듯하다는 이유만으로 모델을 믿지는 않을 것이다. 외부 코호트, 전향적 예측, 사전에 정한 평가변수, 보정, 더 단순한 기준모델과의 비교, 성공 사례와 함께 공개된 실패 사례를 보겠다. 입력값이 학습 데이터의 범위를 벗어났을 때 모델이 그 사실을 아는지도 묻겠다.

임상의의 역할도 잘못된 출력을 찾아내는 데 그치지 않는다. 미래에 임상적으로 사용하려면 적용 가능성, 근거, 상호작용, 안전성, 동반질환, 환자의 선호를 판단해야 한다. 모델은 근거를 정리하거나 반응을 추정할 수 있다. 임상적 책임을 지지는 않는다.

지금 당장 Virtual Human을 믿으라고 말하는 것이 아니다. 연구 질문은 정해진 과제에서 모델의 출력을 진지하게 받아들일 만한 증거가 무엇인가다. VHL은 측정, 표현, 평가 문제를 구체적으로 다룰 수 있기 때문에 RNA에서 시작한다. 연구 범위는 RNA를 넘어가지만, 모든 단계는 새로운 기증자, 코호트, 중재, 측정 유형에서 다시 검증해야 한다.