Claude, 단백질 서열 대규모 학습 받은 것으로 드러나
원제 Claude was trained on protein sequences at scale
118 포인트댓글 54

Key Point
Claude가 단백질 서열을 대규모로 학습받았다는 것은 생물정보학 분야에서 LLM의 활용 범위를 크게 확장하는 의미를 가지며, 미개발 단백질 예측 능력은 신약 개발과 단백질 공학 등에 실질적 가치가 있다.
핵심 요약
- Claude Fable 5.2와 Opus 5.5는 단백질 서열을 대규모로 학습받았으며, 연구된 적 거의 없는 박테리아 단백질의 다음 아미노산을 예측할 수 있다.
- 다음 아미노산 테스트에서 Fable 5.2는 실제 단백질에서 54% 정확도, 순서를 뒤섞은 단백질에서 9% 정확도를 기록했으며, 같은 테스트에서 GPT, Gemini 등 다른 모델들은 거의 0에 가깝다.
- Claude 모델은 단백질 언어 모델인 ProtGPT3-10B, ProGen3와 비슷하거나 능가하는 성능을 보였고, 개발된 단백질보다 미개발 단백질에서 더 강한 성능을 발휘했다.
- 테스트는 Pfam 데이터베이스의 미알려진 기능 도메인 167개에서 668개의 박테리아 및 고균 단백질을 사용했으며, 각 단백질은 5개 위치에서 절단되어 10개 아미노산 예측이 요청되었다.
- 가족 크기가 클수록 정확도가 높아지며 Fable 5.2는 가족당 약 300개 단백질 수준에서 안정화되었고, 이 지식은 학습 시점 이후 발표된 단백질에도 적용되었다.
- 유명한 단백질의 경우 여러 모델이 논문과 웹에 광범위하게 나타나기 때문에 높은 성능을 보였으나, Claude 모델과 ProtGPT3-10B는 미개발 단백질에서도 성능을 유지했다.
- Claude 모델은 DNA 서열에 대해서는 인간과 쥐 코딩 서열만 약간 예측할 수 있었지만, 박테리아 유전자는 거의 예측하지 못해 단백질을 학습했지 게놈을 학습하지 않았음을 시사한다.
- Fable 5.2는 테스트된 모든 오픈 단백질 언어 모델을 능가했으며, 10개 아미노산을 모두 맞힌 경우가 Fable 5.2는 88회, Opus 5.5는 12회로 확률적 추측보다 훨씬 높았다.
- Fable 5.2가 한 아미노산을 맞힌 후 다음 것을 맞힐 확률은 47%이지만, 4개를 연속으로 맞힌 후에는 68%로 상승하여 순서에 대한 학습을 보여준다.
- 2026년 7월 1일 학습 마감일 이후인 8월에 공개된 56개 단백질에서도 Claude 모델은 여전히 예측 능력을 보였으며, Fable 5.2는 단백질 언어 모델 모두를 앞섰다.
- GPT와 Gemini는 이런 성능을 보이지 않아 학습 데이터에 충분한 단백질 서열이 없었을 가능성이 있으며, Claude 모델의 성능은 단백질 서열이 학습의 상당한 부분을 차지했음을 시사한다.