존 점퍼

🏷️ 딥러닝 머신러닝 Star 노벨상

개요

존 점퍼(John M. Jumper, 1985-)는 미국의 AI 연구자로, AlphaFold2 개발을 기술적으로 이끈 인물입니다. 데미스 하사비스와 함께 단백질 구조 예측 분야의 공로로 2024년 노벨 화학상을 공동 수상했으며, 당시 39세로 70년 이상 만에 가장 젊은 노벨 화학상 수상자가 되었습니다. Google DeepMind에서 약 9년을 보낸 뒤 2026년 6월 Anthropic에 합류한다고 발표했습니다.

그는 물리학자로 출발해 계산 생물학으로 전환했고, 머신러닝을 생물학의 가장 근본적인 문제에 적용한 연구자입니다. AlphaFold2 Nature 논문(2021)은 현재 3만 2천 건 이상의 인용을 기록하며 과학사에서 가장 많이 인용된 논문 중 하나로 꼽힙니다.

생애

1985년 아칸소주 리틀록에서 태어났습니다. 퓰래스키 아카데미를 졸업한 뒤 2007년 밴더빌트 대학교에서 물리학과 수학 학사를 마쳤습니다. 마셜 장학금(Marshall Scholarship)을 받아 영국 케임브리지 대학교 캐번디시 연구소에서 이론 응집 물질 물리학 석사 학위(MPhil)를 취득했습니다.

케임브리지 이후 응집 물질 물리학이 자신의 길이 아님을 깨닫고 방향을 바꿨습니다. 2008년부터 2011년까지 뉴욕의 D.E. Shaw Research에서 계산 단백질 시뮬레이션과 분자 동역학을 연구하며 생물학과 계산의 접점을 탐색했습니다. 이후 시카고 대학교로 돌아와 토빈 소스닉(Tobin R. Sosnick)과 칼 프리드(Karl Freed) 교수 지도 아래 2017년 이론 화학 박사를 받았습니다. 논문 제목은 "단백질 접힘과 동역학을 위한 새로운 머신러닝 방법론(New Methods Using Rigorous Machine Learning for Coarse-Grained Protein Folding and Dynamics)"입니다.

2017년 10월 Google DeepMind 런던 본사에 연구 과학자로 합류해 단백질 구조 예측 팀에 배속되었습니다. 개인 생활은 거의 공개하지 않으나 아내 캐럴린(Carolyn Jumper, nee Eastwood)은 시카고 대학교에서 인간 유전학 박사를 취득했습니다.

업적

AlphaFold 프로젝트

DeepMind 합류 직후 2018년 CASP13에 참가한 AlphaFold1 개발에 기여했습니다. AlphaFold1은 당시 2위 대비 50% 가까이 개선된 성능으로 1위를 차지했지만 원자 수준 정확도에는 미치지 못했습니다.

CASP13 이후 점퍼는 AlphaFold2 프로젝트의 연구 책임자(research lead)로 올라섰고 시스템 전체를 다시 설계했습니다. 팀 규모는 6명에서 15명으로 확장되었습니다.

AlphaFold2의 핵심은 두 모듈입니다. Evoformer(48블록)는 수백 종의 연관 단백질에서 추출한 진화 정보(다중 서열 정렬)와 아미노산 쌍 간의 공간 관계를 동시에 처리하는 트랜스포머 계열 구조입니다. 삼각 부등식을 강제하는 triangle update 연산으로 기하학적 일관성을 학습합니다. Structure Module은 Evoformer 출력을 실제 3D 좌표로 변환하는 SE(3)-등변 신경망으로, 각 잔기의 로컬 좌표계(frame)를 반복적으로 갱신합니다.

2020년 CASP14에서 AlphaFold2는 2위 팀 점수 90.8 대비 244.0점을 기록하며 사실상 경쟁을 종결지었습니다. 탄소 원자 지름 이하(1옹스트롬 미만) 오차로 3D 구조를 예측했고, 테스트 단백질 3분의 2에서 GDT 90점 이상을 달성했습니다.

2021년 7월 Nature 논문 발표와 함께 AlphaFold 단백질 구조 데이터베이스를 공개했고, 이후 2억 1,400만 개 구조 예측을 190개국 200만 명 연구자에게 무료로 제공했습니다.

수상 이력

여담

점퍼의 경력 경로는 물리학에서 계산 생물학, 머신러닝, 그리고 AI 안전 연구소로 이어지는 독특한 궤적입니다. 케임브리지에서 응집 물질 물리학이 자신의 길이 아님을 인정하고 전공을 바꾼 결정, D.E. Shaw에서 3년을 보내며 생물학의 계산적 접근에 눈을 뜬 경험이 AlphaFold를 가능케 한 배경입니다.

그는 AI-for-science의 방향에 대해 "인간이 할 수 없는 것을 해주는 AI"를 강조합니다. "데이터가 적고 그것을 정말 잘 활용해야 하는 상황"이 단백질 생물학의 본질이었고, 그 경험이 불확실성 정량화와 해석 가능한 모델 설계에 대한 집착으로 이어졌습니다. Anthropic이 LLM에서 추구하는 해석 가능성 연구와 공명하는 지점입니다.

AGI 시점에 대해서는 "10년인지 100년인지 1000년인지 진짜 모른다"는 신중한 입장입니다. 혁명적인 시스템을 만들었음에도 과잉 확신을 경계하는 태도가 Anthropic 문화와 잘 어울린다는 평가가 있습니다.

주요 논문