[☞ 다운로드로 가기]

[Part IV(16-20). 1880년 7월 3일 미국의 발명왕 토머스 에디슨이 창간한 유서깊은 과학전문지 美 사이언스지 2005년 7월 1일자 창간 125 주년 기념호에서, 인간이 풀지 못한 125개의 주요 문제(big questions) 중 앞으로 25년 안에 인간이 풀어 낼 ‘과학적 수수께끼 25개(25 Big Questions)' 선정, 이중 16-20번 문제 소개(The Top 25 Essays by our news staff on 25 big questions facing science over the next quarter-century(07/Oct/2005)]

드넓은 우주에서부터 미세한 세포에 이르기까지 인류의 호기심과 궁금증을 자극하는 수수께끼들은 도처에 널려 있다. 그러나 인류탄생 이래 과학은 꾸준히 발전해왔지만, 우주의 신비를 벗겨내는 걸음은 느리기만 하다. 1880년 7월 3일 미국의 발명왕 토머스 에디슨이 창간한 유서 깊은 과학전문지 ‘사이언스(Science)’는 2005년 7월 1일 발간된 창간 125주년 기념호에서 ‘인류가 여전히 풀지 못한 수수께끼 125개’를 선정하여 이중 앞으로 25년 안에 인간이 풀어 낼 '과학적 수수께끼 25개(25 Big Questions)'를 선정 제시했다. 사이언스는 “이 수수께끼들은 과학이 얼마나 진전을 이뤘는지 보여주는 동시에 미래의 발견에 대한 동력이 되고 있다.”면서 “25년 안에 풀어낼 가능성이 있거나 그 해법에 대한 접근법을 제시할 수 있을 것”이라고 내다봤다. 오늘은 이 주요 내용을 살펴보는데 그간 배운 제 지식과 경험으로 이에 대한 답도 제시해보고자 한다. 어떤 것은 종교철학으로 접근하겠지만...물론 얼마나 맞을 지 모르겠지만...

이번 2005년 7월 1일자 사이언스지는 [Vol 309, Issue 5731] 호로 75페이지에서 102페이지에 걸쳐 25개의 Big Questions을 제시하고 있는데 이는 무료로 일반에게 공개되고 있다. 한번 들어가서 본 내용을 확인해보라. 이 25가지의 수수께끼를 푸는 사람들은 바로 노벨상 후보가 되기 때문이다. 총 Part I-V까지 5개씩 소개하고자 한다. 기대하시라!!!
-----------------------------------------------------------------------------------------------
[목차]

[Part I]
 

[Part II]
 

[Part III]
 

[Part IV]
 

[Part V]
 

-----------------------------------------------------------------------------------------------
[Part IV]

16. 인류의 ‘협력적인 행동’은 어떻게 진화해왔나?(How Did Cooperative Behavior Evolve?)

[요약] 과학자들은 인간의 협력적인 행동을 증빙하기 위해 진화적인 게임 이론을 적용하여 여러 다른 상황에서 어떤 협력적 행동이 표출되는지 예측하려 노력하고 있다. 하지만 이 게임 이론 모델은 아직 불완전하다. 하지만 게임 이론의 복잡성이 증가하면서 과학자들은 복잡한 인간의 사회행동을 규정하는 일련의 규칙들을 찾아내기를 희망하고 있다(Scientists are applying evolutionary game theory to quantify cooperation and predict behavioral outcomes under different circumstances. The models developed through these games are still imperfect, but with game theory's increasing sophistication, researchers hope to gain a clearer sense of the rules that govern complex societies).

Charles Darwin이 종의 기원을 발표할 때 그는 개미에서부터 인간에 이르기까지 이들은 사회 그룹(social groups)을 구성하고 대부분의 각 개인들은 사회 그룹에서 일련의 선(common good)을 위해 일을 한다는 사실에 놀라움을 금치 못했다. 이는 장기간 생존을 위해 각 개인은 적자생존에 적합하도록 적응하는 개인의 이기적인 능력이 최고라는 그의 기본 이론에 상반되는 것으로 보였기 때문이다. 그가 인간의 혈통(The Descent of Man)을 썼을 때 그는 이에 대한 몇몇 이유를 찾아냈는데, 가족(family)의 재생산(reproduction) 및 유지를 위해 자연의 선택(natural selection)은 애타적인 행동을(altruistic behavior)을 권장하고 있다고 제안하기에 이르렀다. 또한 그는 만약 두 인간이 애타적이라면 서로 상관 있든 없던 가족의 개인들은 서로 도울 수 있다는 상호관련 개념(idea of reciprocity)을 소개하기에 이른다.

그 이후 100년 동안 수많은 종의 연구는 Darwin의 개념이 어느 정도 맞음을 증빙해왔다. 그러나 어떻게 그리고 왜 협력(cooperation)이 아직 지금까지 진화 유지되어 작용하고 있는지 그 자세한 이유는 비밀에 쌓여 있다. 만약 이 해답을 찾을 수 있다면 진화 관점(evolutionary perspective)과는 거리가 멀게 보이는 인간의 행동들을 설명할 수 있을 것이다. 예를 들면 왜 인간은 물에 빠진 타인을 자기의 생명을 던지면서 구하는 것일까(risking one's life to save a drowning stranger)를 설명할 수 있게 될 것이다.

그런데 문제는 동물들조차 여러 방법으로 서로 돕는다는 사실이다. 꿀벌(honeybees)에서 벌거벗은 몰 쥐(naked more rats)까지, 이들 혈족들은 협력을 강화한다(kinship fosters cooperation). 암컷들은 재생(reproduction)을 포기하면서까지 왕벌을 돕는다. 어떤 경우에는 서로 상관 없는 개별들이 같이 일을 하는데, 예를 들면, 수컷 침팬치는 약탈자에 대항하여 집단 행동(gang up)을 하여 최소한의 노력(cost)으로 서로를 보호한다.

특히 인간에게는 관용(generosity)이 만연적(pervasive)이다. 따라서 몇몇 인류학자들은 이러한 경향의 진화는 친척이나 이웃을 신뢰하게 하여 서로 돕는 사회를 구성함으로써 이 지구상에서 가장 독보적인 척추동물이 되었을 것이라 주장한다(Generosity is pervasive among humans. Indeed, some anthropologists argue that the evolution of the tendency to trust one's relatives and neighbors helped humans become Earth's dominant vertebrate). 이와 같은 상호 협력 작업은 선조들(ancestors)로 하여금 보다 많은 음식을 제공하게 했고, 더욱 나은 보호와 더욱 나은 양육(childcare)을 제공하여 개인-가족-사회의 재생산에 성공했을 것이라 보는 것이다.

하지만 많은 종들에서 협력의 정도가 다양하게 나타나고 있는 것으로 보아, 다양한 인종, 정치, 종교, 가족 그룹이 만연하고 있지만, 그 주요 협력의 이유는 바로 살아 남기 위한 전략(survival strategy)이 아닌가 보는 것이 대세이다.

[그림 : CREDITS (LEFT TO RIGHT): TOM BRAKEFIELD/CORBIS; M.THOMSEN/CORBIS. 출처 : Science]

진화 생물학자들과 동물 행동 연구원들(Evolutionary biologists and animal behavior researchers)은 협력 행동의 동기들인 유전학적 기초와 분자 요인들을 연구하고 있고, 사회를 구성하는 생리학적(physiological), 환경적, 행동적 동기요인(impetus)들을 찾고 있다.  신경과학자들은 포유류(mammals)들인 들쥐(voles)에서 하이에나(hyenas)까지 연구하고 있는데, 이들의 뇌의 화학분자 구조 작용과 사회적 전략간의 주요 상관관계(correlations)를 찾고 있다.

다른 수학자들은 진화적인 게임 이론(game theory)을 적용하여 연구하고 있는데, 경제학에서 개발된 게임 이론 모델링은 협력을 계량화(quantify)하여 여러 다른 상황에서 행동적인 결과들을 예측하는 것이다. 게임이론은 그간 공정성(fairness)을 바라는 본질적인 인간의 욕망(innate desire)을 나타내는데 공헌해왔다. 예를 들면 게임 플레이어들은 게임에서 설사 얻는 것이 아무것도 없다손 치더라도 불공정한 행동(unfair actions)들에 대해 처벌을 주고자 시간과 에너지를 투자하고 있다. 어떤 경우에는 설사 딱 한번 만났는데도 두 사람은 서로 공정한 게임을 하는 경향이 있는데 이러한 공정한 행동들은 자기-이익추구적(self-interest)이라는 협력이론을 주장하는 것과는 거리가 먼 것으로 보인다.

하지만 이금까지 연구된 게임 모델은 완벽하지 않다. 그 이유는 협력의 또 다른 주요 요인은 인간의 감정(emotions) 요소를 적절히 반영하지 못하기 때문이다. 그럼에도 불구하고 게임 이론의 복잡성이 증가하면서 연구원들은 복잡한 사회(complex societies)를 구성하고 지배하는 주요 규칙을 찾아내기를 희망하고 있다.

종합적으로 보면 이와 같은 과학자들의 연구는 Darwin의 협력에 대한 고찰에 무언가 답을 찾을 것으로 보인다. Darwin이 예측했듯이 상호관련성이 주요 적응 전략이기 때문이다. 그러나 이것만으로 모든 것을 다 설명할 수는 없다. 현대 과학자들은 또 다른 견해를 주장하기도 하는데 바로 인간의 기억(memory)이다. 누가 도움을 주었고 누가 해를 끼쳤는지 기억하는 것은 바로 상호관련성에 중요한 실마리이기 때문이다. 인간은 얼굴에 관한한 대단한 기억을 갖고 있다. 그러므로 수년 동안 처음 보는 사람들의 얼굴만 보아도 저 사람은 조은 사람, 나쁜 사람이라는 느낌으로 판단할 수 있다. 하지만 다른 종들은 인간과는 달리 장기적인 상호관련성을 유지하는 것이 아니라 단기적이다.

여하튼 과학자들은 조만간 인간의 협력 정신(cooperative spirit)은 무엇인지? 무엇이 협력 정신을 부추기는 것인지? 그 기본적인 메커니즘을 이해하게 될 것이다.

17. 과학자들은 유전자 지도 같은 생물학 데이터의 홍수 속에서 어떻게 거대한 그림(생명의 본질)을 그려낼 수 있을 것인가?(How Will Big Pictures Emerge From a Sea of Biological Data?)

[요약] 도대체 생명의 본질이 무엇인지? 생명은 어떻게 작용하는 것인지? 이에 대한 종합적이고 고품질의 구조적 그림을 그리는데, 집중적인 학제간 연구나 증가되는 컴퓨팅 파우어가 도움이 될 것이라고 확신을 갖는 과학자들은 아직 없다(No one yet knows whether intensive interdisciplinary work and improved computational power will enable researchers to create a comprehensive, highly structured picture of how life works).

현재 생물학의 서술적 데이터(descriptive data)는 홍수를 이루고 있다. 앞으로 점점더 데이터들은 풍부해질 것이다. 대단위 규모의 분석 샘플 방법, 예컨데 DNA 염기서열(DNA sequencing), 마이크로 어레이(microarrays), 그리고 자동화된 유전자 기능 연구(automated gene-function studies) 등 새로운 데이터베이스들이 테두리까지 가득차고 있다. 또한 이들 주제의 하부 주제들, 바이오미케닉(biomechanics)에서 생태학(ecology)에 이르기 까지 모두 디지털화가 되고 있고, 그 결과 이들로부터 관찰된 데이터들은 더욱 정교하고(precise) 풍부(plentiful)해지고 있다.

그런데 지금 생물학의 모든 분야를 넘어 버추얼적으로 하나의 중요한 질문이 대두되고 있는데, 우리 과학자들은 이 홍수 같은 엄청난 양의 분자 데이터(torrent of molecular data)로부터 어떻게 시스템들이나 전체 유기체들이 작동(용)하는지를 추론할 수 있느냐이다. 이 것이 가능하려면 이들 정보들은 체로 걸러져야 하고, 조직화되어야 하며, 컴파일되고, 보다 중요한 것은 어떤 주요 기초 원칙을 바탕으로 예측이 가능한 방법으로 연결이 되어야 한다는 것이다(A central question now confronting virtually all fields of biology is whether scientists can deduce from this torrent of molecular data how systems and whole organisms work. All this information needs to be sifted, organized, compiled, and--most importantly--connected in a way that enables researchers to make predictions based on general principles).

시스템 생물학으로 가보라(Enter systems biology). 아직 잘 정리되어 있지 않고 아직도 방법을 찾고자 노력 중이다. 이 시스템 생물학은 새로이 등장하는 접근 방법으로, 분자적(molecular), 세포적(cellular), 유기적(organismal), 환경적 관찰까지의 수십년간의 데이터들을 디지털로 연결하는 것이 그 목적이다. 이를 지지하는 과학자들은 수학, 엔지니어링, 컴퓨터 과학을 이용하여 보다 정량적인 생물학을 찾아 서로 다른 연구 결과들을 연결하여 보다 강력한 프레임워크를 구축하고자 한다. 이들은 이 방법만이 앞으로 나아가는 유일한 분야라고 주장한다. 또한 이들은 생물의학(biomedicine), 특히 질병의 주요 요인들을 찾아내는, 그러한 엄청난 이익을 줄 것이라고 제안한다(Enter systems biology. Loosely defined and still struggling to find its way, this newly emerging approach aims to connect the dots that have emerged from decades of molecular, cellular, organismal, and even environmental observations. Its proponents seek to make biology more quantitative by relying on mathematics, engineering, and computer science to build a more rigid framework for linking disparate findings. They argue that it is the only way the field can move forward. And they suggest that biomedicine, particularly deciphering risk factors for disease, will benefit greatly).

이와 같은 시스템 생물학의 가장 큰 수확은 바로 인간 게놈 서열의 완성이다. 대용량에 달나라까지 갈 물류자원들의 지원으로 염기서열은 지금 가장 진지하고 빠른 속도로 진행되고 있다. 인간 유산의 생화학은 정의되고 측정되고 있다. 이 것은 연구원들로 하여금 생명과 맘 먹는 지식을 만드는데 영감을 주고 있다(The field got a big boost from the completion of the human genome sequence. The product of a massive, trip-to-the-moon logistical effort, the sequence is now a hard and fast fact. The biochemistry of human inheritance has been defined and measured. And that has inspired researchers to try to make other aspects of life equally knowable).

분자 유전학자들의 꿈 또한 유전자를 콘트롤 하는 이와 비슷한 종합적인 네트워킹을 연결하는 것이다. 예를 들면, 이들은 어떻게 하나의 단일 DNA 서열이 서로 다른 단백질을 발현시키고 있는지 또는 다양한 상황에서 다양한 단백질의 양을 만들 수 있는지 그 규칙을 밝히는 것이다. 세포 생물학자들은 건강한 세포가 일련의 신호규칙을 조절하는 분자들을 추적함으로써 복잡한 신호전달 패턴을 단축시키고자 한다. 성장 생물학자들은 어떻게 배아가 한 줌의 세포들로 하여금 뼈, 혈액, 피부조직에서 복잡한 차별화 기능을 하도록 하는지 종합적인 그림을 그리고자 한다. 이와 같은 어려운 문제들은 바로 시스템 생물학에 의해서만 가능하다고 시스템 생물학 옹호론자들은 주장한다. 신경과학자들 또한 복잡한 두뇌 회로에 숨겨진 고난도의 인간의 사고 등 출현하는 속성들을 풀고자 한다. 여기에 생태계 변화를 이해하기 위해 환경학자들은 물리적이면서 동시에 생물학적 데이터를 통합하는 방법론을 찾고자 한다(Molecular geneticists dream of having a similarly comprehensive view of networks that control genes: For example, they would like to identify rules explaining how a single DNA sequence can express different proteins, or varying amounts of protein, in different circumstances (see p. 80). Cell biologists would like to reduce the complex communication patterns traced by molecules that regulate the health of the cell to a set of signaling rules. Developmental biologists would like a comprehensive picture of how the embryo manages to direct a handful of cells into a myriad of specialized functions in bone, blood, and skin tissue. These hard puzzles can only be solved by systems biology, proponents say. The same can be said for neuroscientists trying to work out the emergent properties--higher thought, for example--hidden in complex brain circuits. To understand ecosystem changes, including global warming, ecologists need ways to incorporate physical as well as biological data into their thinking).

[그림 : 시스템 생물학 접근. 회로 다이아그램은 신경세포의 기능을 찾아내는데 도움을 줄 것이다. CREDIT: MICHAEL T. SHIPLEY. 출처 : Science]

오늘날 시스템 생물학자들은 상대적으로 쉬운 네트워크를 공략하기 시작했다. 이들은 이미 단당류인 갈락토스(galactose), 탄수화물(carbohydrate)등으로 분해하는 이스트(yeast)의 신진대사 기전(metabolic pathway)을 밝혀냈다. 다른 연구원들은 바다 섬게(sea urchines) 및 다른 유기체들의 배아 성장 과정의 처음 몇 시간을 추적하여 어떻게 다양한 전사 요인(transcription factors)들이 유전자 발현을 변화시키는지 연구하고 있다. 연구원들은 또한 세포와 두뇌 회로 내의 신호 네트워크의 기본적인 모델(rudimentary models)을 개발하고 있다.

문제는 이들 생물학적 패턴들을 컴퓨터 모델로 번역하는 것이다. 네트워크 컴퓨터 프로그램은 상대적으로 구축하기 쉽다. 여기에 연구 결과들을 도식화하는 방법은 연구원들로 하여금 이해하고 해석하는데 막대한 도움을 주고 있다. 전 세계의 새로운 연구소들이 지금은 학제 팀(interdisciplinary teams)을 만들어 연구를 하고 있는데, 생물학자, 수학자, 컴퓨터 전문가 등이 모두 참여해 시스템 생물학 접근을 가시화 추진하고 있다. 그러나 아직은 초기 단계이다.

18. 인간이 분자와 원자를 자기조립해 생명체를 만들 수 있을까?(How Far Can We Push Chemical Self-Assembly?)

[요약] 화학자들은 어느 정도의 복잡성을 이용하여 자기조립을 디자인 하는 방법을 학습해왔다. 그러나 컴퓨터 회로의 소형화와 나노기술의 등장에 따라 복잡성의 필요성이 점점더 증가하고 있다(Chemists have learned to design self-assembling systems with a modest degree of complexity. But the need for increased complexity is growing, driven by the miniaturization of computer circuitry and the rise of nanotechnology).

오늘날 대부분의 물리 과학자들은 자연의 신비를 벗기는데(uncovering nature's mysteries) 집중하고 있다. 마찬가지로 화학자들은 어떤 것(물질)을 구축하는데 집중한다(chemists build things). 그러나 현재까지는 인조 천문학이 없으며 인조 물리학도 없다(There is no synthetic astronomy or synthetic physics, at least for now). 그러나 화학자들은 분자들을 조립하는 새로운 창의적인 방법을 찾고자 노력한다(But chemists thrive on finding creative new ways to assemble molecules). 지난 100년간 이들은 원자들이 전자들을 공유할 때 결합하는 강력한 공유결합을 이용하여 대단한 연구를 진행해왔다(For the last 100 years, they have done that mostly by making and breaking the strong covalent bonds that form when atoms share electrons). 이 기법을 이용하여 이들은 1,000 가지나 되는 원자들을 공유결합시켜 기본적으로 어떤 분자까지도 구성할 수 있음을 학습해왔다(sing that trick, they have learned to combine as many as 1000 atoms into essentially any molecular configuration they please).

[참고] 약물과 수용체와의 결합 - 약물이 고유의 작용을 나타내자면 약물은 조직 세포의 수용체와 결합하여야 한다. 그러기 위하여는 약물과 수용체 사이에 서로 끌어 당길 힘이 있어야 함은 물론 일련의 효과가 나타날 수 있을 만큼 그 결합이 일정시간 동안 지속하여야 한다. 이러한 결합력은 화학적 결합력으로서 다음의 네 가지가 있다.
 

인상적인 것은, 이와 같은 복잡성의 수준은 우리 주위의 자연이 과시하는 복잡성과 비교할 때 너무나 초라하다는 것이다(Impressive as it is, this level of complexity pales in comparison to what nature flaunts all around us). 세포에서 삼나무까지 자연의 모든 것들은 조그만 분자들끼리 매우 작은 약한 복잡한 연결에 의해 다 함께 조직되어진다는 사실이다(Everything from cells to cedar trees is knit together using a myriad of weaker links between small molecules). 이와 같은 약한 상호작용, 예를 들면 수소 결합이나 반데 왈츠 힘, 그리고 기타 약한-상호작용들은 그 유명한 DNA 이중 나선에서 물액체에 존재하는 H2O 분자 결합까지 모든 것을 조립하는 것을 지배한다는 것이다(These weak interactions, such as hydrogen bonds, van der Waals forces, and - interactions, govern the assembly of everything from DNA in its famous double helix to the bonding of H2O molecules in liquid water). 분자들을 계속 관찰하는 것 이상으로, 이러한 미묘한 힘들은 구조들로 하여금 스스로 조립하여 보다 복잡한 층을 만드는 것이다(More than just riding herd on molecules, such subtle forces make it possible for structures to assemble themselves into an ever more complex hierarchy). 지방들은 세포막을 형성하기 위해 합성되고, 세포들은 조직을 형성하며, 조직들은 기관을 만든다(Lipids coalesce to form cell membranes. Cells organize to form tissues. Tissues combine to create organisms). 오늘날 화학자들은 자연이 만드는 이러한 정상적인 방법의 복잡성을 따라 잡을 수 는 없다. 이들은 스스로 자기-조립하는 복잡한 구조를 만드는 방법을 결국 배울 수 있을 것인가?(Today, chemists can't approach the complexity of what nature makes look routine. Will they ever learn to make complex structures that self-assemble?).

하지만 이제 시작되었다. 지난 30년간 화학자들은 이러한 비공유결합의 기본(fundamental rules of noncovalent bonding)을 배우는데 주요 성과를 거두어 왔다. 이러한 규칙들 중에는 "유유상종(Like prefers like)"이라는 것이 있다. 세포 주위를 코팅하는 역할을 하는 2-층의 세포막(two-layer membranes)을 형성하기 위해 물 속의 지방분자들을 함께 가두도록 하는 소수성의 상호작용에서 이러한 유유상종 규칙들을 볼 수 있다. 이들은 그들의 기름성 꼬리를 다발지어 물과 상호작용하는 것을 막고 그들의 극성의 머리부분 그룹을 액체로 향하도록 한다(Among these rules: Like prefers like. We see this in hydrophobic and hydrophilic interactions that propel lipid molecules in water to corral together to form the two-layer membranes that serve as the coatings surrounding cells. They bunch their oily tails together to avoid any interaction with water and leave their more polar head groups facing out into the liquid). 즉 지방은 지방대로 모이게 하고 물은 물대로 분리토록 하는 것이다. 또 다른 규칙이 있는데, 바로 자기-조립으로 이는 에너지적으로 원하는 반응에 의해 지배된다. 필요한 구성 요소 분자들은 홀로 있게 나두고, 이들은 스스로 자기 조립하여 아주 질서정연한 복잡한 구조를 만드는 것이다(Another rule: Self-assembly is governed by energetically favorable reactions. Leave the right component molecules alone, and they will assemble themselves into complex ordered structures).

[그림 : CREDIT: ERIC V. GRAVE/PHOTO RESEARRCHERS INC. 출처 : Science]

화학자들은 바로 이 유유상종 및 자기조립 규칙의 이점을 배워 어느 정도의 복잡성으로 스스로 조립하는 시스템을 디자인 하고자 한다(Chemists have learned to take advantage of these and other rules to design selfassembling systems with a modest degree of complexity). 예를 들어 세포를 닮은 2층의 지방으로 만든 약을 전달하는 지방질들은 약을 환자들의 암 조직에 전달하는데 상업적으로 사용하고 있다(Drug-carrying liposomes, made with lipid bilayers resembling those in cells, are used commercially to ferry drugs to cancerous tissues in patients). 로탁스잔이라 불리는 자기조립의 분자들은 두 가지의 안정된 상태에서 앞과 뒤로 진동하는 분자 스위치 역할을 하기 때문에 이는 미래의 분자 베이스 컴퓨터를 만드는 스위치가 될 것으로 기대하고 있다(And selfassembled molecules called rotaxanes, which can act as molecular switches that oscillate back and forth between two stable states, hold promise as switches in future molecular-based computers).

그러나 컴퓨터 회로의 소형화와 나노기술의 등장에 따라 복잡성의 필요성이 점점더 증가하고 있다(But the need for increased complexity is growing, driven by the miniaturization of computer circuitry and the rise of nanotechnology). 또한 컴퓨터 칩이 점점더 소형화 되는 특징이 있기 때문에 조그만 구성요소들을 만드는 생산비용은 점점 증가하고 있다(As features on computer chips continue to shrink, the cost of manufacturing these ever-smaller components is skyrocketing). 따라서 원하는 조그만 크기로 물질들을 만들려고 노력하는 하이텍 기업들은 위에서 아래 방식(Top down)이 아니라 화학작용을 이용한 아래에서 위로(bottom up)의 디자인 및 빌딩블록 구축을 시도한다면 아주 저렴한 비용으로 이를 달성 할 수 있는 것이다(Right now, companies make them by whittling materials down to the desired size. At some point, however, it will become cheaper to design and build them chemically from the bottom up).

그 답이 바로 자기조립 방식이다. 자기조립은 다양한 용도로 쓰이는 나노구조를 구축하는데 가장 유일한 실제적인 방법이다(Self-assembly is also the only practical approach for building a wide variety of nanostructures). 하지만 구성요소들이 스스로 정확하게 조립하게 하는 것은 그리 쉬운 일이 아니다(Making sure the components assemble themselves correctly, however, is not an easy task). 왜냐하면 이 작업은 너무 작아서 스스로 조립하는 분자들이 원하지 않는 형태에 빠져들어 피할 수는 있겠지만 결국 모두 결점 투성이가 될 수 있기 때문이다(Because the forces at work are so small, self-assembling molecules can get trapped in undesirable conformations, making defects all but impossible to avoid). 따라서 자기조립에 의존하는 새로운 시스템은 반드시 이러한 불량율을 극복해야하고 그럴 경우 스스로 고칠 수 있는 능력이 있어야 한다(Any new system that relies on self-assembly must be able either to tolerate those defects or repair them). 예를 들면 DNA인데, 효소들이 세포분열 시 DNA 가닥을 복사(전사)하는 경우 이들은 변함없이 실수를 하기도 한다. 즉, 간혹 이들은 T(티민) 대신에 A(아데닌)을 삽입하는 경우이다. 그러나 이러한 실수인 경우 대부분의 실수들은 DNA-복구 효소들에 의해서 새로이 합성된 가닥을 스캔하고 에러를 스스로 고치는 것인데 바로 이 메커니즘을 밝혀 적용해야하는 것이다(Again, biology offers an example in DNA. When enzymes copy DNA strands during cell division, they invariably make mistakes--occasionally inserting an A when they should have inserted a T, for example. Some of those mistakes get by, but most are caught by DNA-repair enzymes that scan the newly synthesized strands and correct copying errors).

이와 같은 유전자-세포단의 전략들은 화학자들이 쉽게 본뜰 수 없는 영역이다. 그러나 만약 우리가 복잡하면서도 질서정연한 구조를 만들기 원한다면 바로 이와 같은 자연의 방법을 반드시 정복하여 활용해야하는 것이다.

19. 전통적 컴퓨터의 한계는 무엇인가?(What Are the Limits of Conventional Computing?)

[요약] 수학자들은 말하기를 만약 컴퓨터 문제들 중의 가장 어러운 문제 중 하나를 푸는 지름길을 알게 된다면, 그 다음 모든 문제들을 다 풀 수 있다고 한다. 그러나 그러한 지름길이 존재하는지 과학자들은 확신을 갖고 있지 않다. 하지만 수학에서는 가장 풀지 못한 위대한 문제이다(Mathematicians have shown that if you could come up with a quick and easy shortcut to solving any one of the hardest type of computational problems, you'd be able to crack them all. But it's uncertain whether such a shortcut exists. Scientists think not, but proving it is one of the great unanswered questions in mathematics).

우선 보기에 컴퓨팅의 궁극적 한계는 엔지니어링 이슈처럼 보인다. 녹지 않게 하면서 칩에 얼마나 많은 에너지를 담을 수 있는가? 얼마나 빠르게 실리콘 메모리에 비트를 저장할 수 있을까? 얼마나 큰 컴퓨터를 만들어 방안에 딱 맞출 수 있을까?(At first glance, the ultimate limit of computation seems to be an engineering issue. How much energy can you put in a chip without melting it? How fast can you flip a bit in your silicon memory? How big can you make your computer and still fit it in a room?).

사실 컴퓨팅은 하나의 컴퓨터를 구축하는 최고의 방법을 찾는 것 이상의 추상적이며 기본적인 문제이다. 이 같은 발견은 1930년 중반에 나왔는데, 프린스턴 수학자인 Alonzo Church와 Alan M. Turing은 극단적으로 말해, 비트나 바이트를 계산한다는 것은 이들이 제안한 가상의 계산기계인 튜링기계(Turing machine)에 의해 가능하다는 것이었다. 모든 전통적인 컴퓨터들은 기본적으로 같다는 것을 보여줌으로써 이 발견은 과학자들이나 수학자들로 하여금 자세한 컴퓨터 구조 내에서 다운됨이 없이 컴퓨팅이 가능한 그러한 기본적인 질문들을 던지게 만들었다(In fact, computation is more abstract and fundamental than figuring out the best way to build a computer. This realization came in the mid-1930s, when Princeton mathematicians Alonzo Church and Alan Turing showed--roughly speaking--that any calculation involving bits and bytes can be done on an idealized computer known as a Turing machine. By showing that all classical computers are essentially alike, this discovery enabled scientists and mathematicians to ask fundamental questions about computation without getting bogged down in the minutiae of computer architecture).

예를 들면 이론가들은 컴퓨팅의 문제들을 여러가지 광범위한 카테고리로 구분한다. 그 중 하나가 바로 "P"문제로 이는 이름 리스트를 알파베트로 구분하여 처리함으로써 쉽게 풀 수 있다. 그러나 그 다음 문제인 "NP"는 그리 쉬운 문제가 아니다. 예를 들면 이 문제는 영업사원이 여행하는 문제로 여러 지역을 가장 빠르게 다닐 수 있는 최단시간 내의 최단거리 길을 찾는 문제이다. 이에 대한 알고리듬 답을 찾으려면 엄청난 컴퓨팅의 파우어가 필요하다. 이 NP 문제의 아주 조그만 버전을 푼다해도 전통적인 컴퓨터로는 불가능한 일이다(For example, theorists can now classify computational problems into broad categories. P problems are those, broadly speaking, that can be solved quickly, such as alphabetizing a list of names. NP problems are much tougher to solve but relatively easy to check once you've reached an answer. An example is the traveling salesman problem, finding the shortest possible route through a series of locations. All known algorithms for getting an answer take lots of computing power, and even relatively small versions might be out of reach of any classical computer).

수학자들은 NP 문제들 중 가장 어려운 문제 하나를 풀 수 있는 지름길을 알게 된다면 그 나머지 문제들을 모두 풀 수 있을 것이라 말한다. 사실 NP 문제들은 바로 P 문제들로 귀결하기 때문이다. 그러나 그러한 지름길, 즉 P=NP가 되는 길이 있는지 확실치 않다. 과학자들은 지름길이 없을 것이라 생각하지만 수학계에서는 앞으로 도전할 가장 위대한 문제이다(Mathematicians have shown that if you could come up with a quick and easy shortcut to solving any one of the hardest type of NP problems, you'd be able to crack them all. In effect, the NP problems would turn into P problems. But it's uncertain whether such a shortcut exists--whether P = NP. Scientists think not, but proving this is one of the great unanswered questions in mathematics).

[그림 : CREDIT: JUPITER IMAGES. 출처 : Science]

* P=NP -> Probablity = number * probability about something specified.
* 풀기 쉬운 집단문제 전체집합을 P, 풀기 어려운 미정다항시간집단문제(nondeterministic polynomial time problem)들의 집합을 NP, P는 간단히 Polynomial Time(다항 방정식으로 산출된 시간 함수)의 약자이고 NP는 Non Polynomial Time의 약자로 보면 됨, NP에 속하는 알고리듬은 비결정론적 알고리듬(non-deterministic algorithms)에 속하는 것으로 분류 됨

1940년 대에 미국 Bell Labs의 과학자인 Claude Shannon은 비트가 단지 컴퓨터를 이루는 것은 아님을 증명해 보였다. 컴퓨터는 하나의 객체에서 다른 객체로 흐르는 정보를 설명하는 기본적인 요소로 이루어져 있다는 것이다. 여기에는 물리법칙이 존재하는데, 하나의 비트가 한 장소에서 다른 장소로 얼마나 빠르게 이동하는지, 얼마나 많은 정보들이 주어진 통신 채널을 통해 앞뒤로 이동하는지, 메모리에서 하나의 비트를 지우는데 얼마나 많은 에너지가 필요한지를 결정하는 물리법칙이 있다는 것이다. 모든 전통적 컴퓨팅들은 바로 이들 물리법칙에 따른다. 그러나 문제는 우리 두뇌이다. 정보들이 우리 두뇌에서 앞뒤로 달리고 있기 때문에, 이들 컴퓨팅의 정보의 법칙들 또한 두뇌의 정보처럼 비트나 바이트로 줄일 수 있는가? 우리 두뇌는 정말 컴퓨팅인가? 이는 정말 해결되지 않은 인간의 문제이다(In the 1940s, Bell Labs scientist Claude Shannon showed that bits are not just for computers; they are the fundamental units of describing the information that flows from one object to another. There are physical laws that govern how fast a bit can move from place to place, how much information can be transferred back and forth over a given communications channel, and how much energy it takes to erase a bit from memory. All classical information-processing machines are subject to these laws--and because information seems to be rattling back and forth in our brains, do the laws of information mean that our thoughts are reducible to bits and bytes? Are we merely computers? It's an unsettling thought).

하지만 여기 전통 컴퓨터를 뛰어 넘는 영역이 있다. 그게 바로 양자(quantum)이다. 양자이론의 확율 본질은 원자나 다른 양자 객체들로 하여금 정보를 그저 이진수인 0과 1이 아니라 동시에 0과 1을 저장할 수 있도록 하는 것이다. 전 세계의 물리학자들은 이러한 양자를 실현하는 양자 컴퓨팅을 구축하는 기본을 연구하고 있다. 이러한 양자 이론은 전통 컴퓨터로는 제한된 퀘리 때문에 불가능하다. 하지만 과학자들은 파우어플한 양자 컴퓨팅에 지속적으로 도전하고 있다(But there is a realm beyond the classical computer: the quantum. The probabilistic nature of quantum theory allows atoms and other quantum objects to store information that's not restricted to only the binary 0 or 1 of information theory, but can also be 0 and 1 at the same time. Physicists around the world are building rudimentary quantum computers that exploit this and other quantum effects to do things that are provably impossible for ordinary computers, such as finding a target record in a database with too few queries. But scientists are still trying to figure out what quantum-mechanical properties make quantum computers so powerful and to engineer quantum computers big enough to do something useful).

양자 세계의 로직을 학습하고 이를 이용한 컴퓨팅을 활용하면서 과학자들은 하부-원자세계(subatomic world)의 법칙까지 깊게 연구하고 있다. 아마도 조만간 영자 영역의 새로운 이해를 돕는 그러한 일상적인 컴퓨팅이 나오게 될 것이다.

[참고] 세기의 수학 문제 1번 한국인이 풀었다. 100만 달러(약 12억원)의 현상금이 걸린 20세기 수학 문제는 풀릴까.

전북대 김양곤 교수(55. 수학 통계정보과학부)팀은 2004년 12월 3일 "미국 클래이 수학재단(CMI)이 지난 2000년 상금 700만 달러를 걸고 발표했던 세계 7가지 난제 중 1번 문제를 풀어 독일의 논문평가기관인 젠트랄블라트(Zentralblatt)에서 발간하는 논문집에 수록했다"고 밝혔다. 김 교수는 미국 위스콘신 대학 남기봉 교수와 함께 1번 문제인 'P 對 NP'를 공동으로 해결, 2004년 3월에 발표된 인도의 SCIE급 논문집 'Journal of applied algebra and discrete structure(JAADS)'에도 게재했다.

김 교수의 논문은 게재 후 2년 간 수학계의 반응을 본 뒤 CMI의 심사를 거쳐 100만 달러를 수상하게 된다. 수학의 발전 및 보급을 목표로 활동하고 있는 CMI는 지난 2000년 'P 對 NP', '리만(Riemann) 가설', '내비어-스토크(Navier-Stokes 존재와 매끈함','양-밀즈 존재와 매스 갭' 등 일반인들은 들어보지도 못한 수학계의 7개 난제에 대해 개당 100만 달러의 현상금을 내걸었다. 이 문제들은 내로라 하는 수학자들도 이미 두 손을 든 것들로 정답이 나올 때까지는 수년 혹은 수십년이 걸릴 것으로 추정됐지만 김 교수팀은 3년만에 문제를 풀어 7개 문제 가운데 처음으로 논문 게재를 승인받았다. 당시 CMI의 아서 제퍼 이사장(하버드대 수학교수)은 "시한은 없다"면서 "빠르면 4년 이내에 정답이 하나 정도 나올 수 있을 것으로 기대한다"고 말했다.

김 교수가 푼 'P 對 NP'는 컴퓨터 알고리즘과 관련된 분야로 수학의 귀납법 풀이는 가능하나 연역적 풀이도 가능한가 하는 문제이며 이 가운데 NP 복잡도는 지난 98년 IBM과 MIT의 양자 물리학자들이 정수의 소인수분해를 다항식으로 만드는 알고리즘를 개발해 향후 10~20년 해답이 나올 것으로 예측했다. 예를 들면, 외계에 생물체가 있는가 혹은 UFO, 귀신은 존재하는가 등의 질문에 대해 '그렇다'는 가설을 세운 뒤 컴퓨터를 활용, 이론적으로 완벽한 증명을 해낸 것이다.

그러나 이러한 김 교수의 해법은 이 문제를 심사하게 될 심사위원들 조차 모를 가능성이 커 수학계의 반응이 매우 중요하다고 그는 설명했다. 김 교수는 전북대 졸업 뒤 캐나다 토론토대학에서 박사학위를 받았으며 현재 전북대 순수 및 응용수학연구소장직을 맡고 있다.
그는 "인류 태동 이후 마음속으로만 생각했던 기이한 문제들에 대한 해법을 수학적 이론으로 정리한 것이 성과"라면서 "이론적 증명이 가능해졌기 때문에 이제 과학기술만 병행 발전된다면 상당수의 수수께끼와 의문들이 풀릴 수 있을 것"이라고 말했다. (전주=연합뉴스)

20. 인간은 면역 반용을 선택적으로 통제할 수 있나?(Can We Selectively Shut Off Immune Responses?)

[요약] 연구원들은 면역 시스템을 유도하여 인간의 전체 몸 방어시스템을 약하게 하지 않으면서 장기 이식이 가능한 방법을 오래동안 찾아 연구해왔다. 그러나 지금까지 이들은 한계에 부닥치고 있다(Researchers have long sought ways to induce the immune system to tolerate an organ transplant without blunting the body's entire defenses, but so far, they have had limited success).

지난 수십년간 장기 이식은 실험 수준에서 상용화 현실화 되었다. 미국에서만 매년 20,000 명 이상이 심장, 간장, 콩팥 이식을 받고 있다. 하지만 이식 수혜자들에게는 한 가지 변하지 않은 문제가 남아 있다. 즉, 이식 수혜자들은 일생동안 면역 시스템을 억제하는 약을 먹어야 한다는 것으로 이 치료방법은 다른 면역시스템의 병을 유발할 수 있는 것이다. 연구원들은 따라서 면역 시스템을 유도하여 인간 몸의 전체 방어 시스템을 파괴하지 않으면서 이식을 할 수 있는 방법을 오래 동안 찾아왔다. 하지만 현재까지 이들은 한계에 부닥치고 있다(In the past few decades, organ transplantation has gone from experimental to routine. In the United States alone, more than 20,000 heart, liver, and kidney transplants are performed every year. But for transplant recipients, one prospect has remained unchanged: a lifetime of taking powerful drugs to suppress the immune system, a treatment that can have serious side effects. Researchers have long sought ways to induce the immune system to tolerate a transplant without blunting the body's entire defenses, but so far, they have had limited success).

이들은 만만치 않은 도전에 직면해 있다. 설사 면역 완화가 일어난다 하더라도 - 하기야 매우 특이한 상황이지만, 면역억제물질약을 먹는 것을 중단한 이식 수혜자들이 면역 거부 반응을 보이지 않고는 있지만 - 연구원들은 면역 완화 작용이 분자나 세포수준에서 어떻게 일어나고 있는지 그 명확한 그림을 그릴 수 없다는데 있다. 면역 시스템을 조작하는 것은 하나의 기계적 시계를 조작하는 것과 같아서, 만약 한 부분을 만지작 거리면 전체 메커니즘이 망가질 수 있다. 그러므로 면역 시스템을 완화시키는 약을 테스팅하는데 커다란 장애물이 있는 것이다. 그러므로 면역 억제제 약을 취소하지 않는 한 면역 시스템이 어떻게 작동하는지 알 수 없으며 장기 이식 거부반응이 얼어 나는 경우 어떤 위험성이 따르는지 정확히 알 수 없다. 그래서 만약 연구원들이 면역 시스템을 훈련시켜 이식을 거부하지 않도록 하는 방법을 찾아 낼 수만 있다면 이 지식은 설사 오늘날 몇몇 조직에서 일어나고 있는 원치 않는 면역시스템의 자기면역 시스템을 공격하는 자기면역질병까지 치료할 수 있다는 것을 의미하는 것이다(They face formidable challenges. Although immune tolerance can occur--in rare cases, transplant recipients who stop taking immunosuppressants have not rejected their foreign organs--researchers don't have a clear picture of what is happening at the molecular and cellular levels to allow this to happen. Tinkering with the immune system is also a bit like tinkering with a mechanical watch: Fiddle with one part, and you may disrupt the whole mechanism. And there is a big roadblock to testing drugs designed to induce tolerance: It is hard to know if they work unless immunosuppressant drugs are withdrawn, and that would risk rejection of the transplant. But if researchers can figure out how to train the immune system to tolerate transplants, the knowledge could have implications for the treatment of autoimmune diseases, which also result from unwanted immune attack--in these cases on some of the body's own tissues).

60년 전에 Science지에 보고된 이래 이식 완화 유도 경쟁은 하나의 마라톤 경쟁으로 이어져 왔다. 미국 Madison에 위치한 Univ of Wisconsin 대학의 Ray Owen은 형제 쌍둥이 소(fraternal twin cattle)들은 가끔 태반을 공유하여(share a placenta) 서로의 적혈구(red blood cells)로 태어나는 이른 바 혼합된 상상(가공) 상태로 태어남을 보고하였다. 그런데 이 소들은 아무런 문제 없이, 즉 면역 거부반응 없이 외부의 세포들을 받아 들인다는 것이었다. 

몇 년 후에 영국의 Univ of Birmingham 대학의 Peter Medawar와 그의 동료들은 이들 가상 상태의 형제 쌍둥이 소들은 서로에서 피부세포이식을 면역 거부반응 없이 받아들인다는 사실을 보고했다. 이들은 처음에 Owen의 연구와 연결시키지 않았으나 나중에 연결성이 있음을 알고 그는 다른 혈통의 쥐로부터 떼어낸 조직을 이식한 태아 쥐를 자궁에 이식하였다. 이 영향력 있는 실험은 많은 장기이식과 자기면역병의 치료에 지대한 공헌을 했다.

쥐를 실험하고 있는 많은 면역학자들은 그 이후로 면역완화 뒤에 숨어있는 많은 메커니즘을 밝혀냈다. 면역 시스템은 예를 들어 스스로 공격하는 면역 세포들을 억제하는 조절세포를 급파한다는 사실이 밝혀졌다. 또한 면역 시스템은 해로운 면역세포들로 하여금 자살하도록 유도하거나 소위 말하는 면역결핍(anergy)이라는 기능 마비(dysfunctional stupor) 상태가 되도록 유도한다는 사실이 밝혀졌다. 연구원들은 지금 이러한 프로세스들을 가능케하는 유전자(genes), 수용체(receptors), 세포와 세포간의 통신 메커니즘을 자세히 알게된 것이다(Immunologists, many of them working with mice, have since spelled out several detailed mechanisms behind tolerance. The immune system can, for example, dispatch "regulatory" cells that suppress immune attacks against self. Or the system can force harmful immune cells to commit suicide or to go into a dysfunctional stupor called anergy. Researchers indeed now know fine details about the genes, receptors, and cell-to-cell communications that drive these processes).

[그림 : CREDIT: MARK HARMEL/GETTY IMAGES. 출처 : Science]

하지만 아직 면역 시스템의 메커니즘을 밝혀야 하고 동시에 면역 시스템을 조작하는 안전한 방법을 찾아야 한다. 이식 연구원들은 3가지의 주요 면역 완화 전략을 추진하고 있다.

1) 가상상태를 만들어 Medawar의 실험을 완벽하게 구축하는 것이다. 연구원들은 환자에게 기증자의 골수세포를 이식하고 있는데, 이들은 이식 수혜자의 면역 시스템으로 하여금 면역 거부반응을 일으키지 않도록 가르치는(유도하는) 기증자의 면역 세포를 연구하고 있다. 기증자의 면역 세포들은 결국 이식된 장기와 같이 살아 가야 하기 때문에 이들 면역 세포들이 면역완화 작용을 할 수 있을 것이라는 희망이다(One builds on Medawar's experiments by trying to exploit chimerism. Researchers infuse the patient with the organ donor's bone marrow in hopes that the donor's immune cells will teach the host to tolerate the transplant; donor immune cells that come along with the transplanted organ also, some contend, can teach tolerance).

2) 두 번째 전략은 이식된 조직이나 장기에 대해 수혜자의 면역 시스템이 외부 항원으로 간주할 때, 약을 이용하여 T-세포들로 하여금 면역결핍상태(anergic)나 자살하도록 하는 것이다(A second strategy uses drugs to train T cells to become anergic or commit suicide when they see the foreign antigens on the transplanted tissue).

3) 세 번째 전략은 T-조절세포의 발현을 유도하여 이들로 하여금 특정 면역 세포들이 스스로 자기복제되지 않도록 하는 것이고, 면역 오케스트라를 직접 지휘하는 면역 조절 물질인 사이토카인이라 불리는 바이오물질의 비밀을 이용하여 거부반응을 억제하는 방법이다(The third approach turns up production of T regulatory cells, which prevent specific immune cells from copying themselves and can also suppress rejection by secreting biochemicals called cytokines that direct the immune orchestra to change its tune).

이 모든 전략들은 하지만 상식적인 하나의 문제를 안고 있다. 즉 이러한 전략적 접근들이 성공하는지 실패하는지 판단하기가 쉽지 않다는 것이다. 그 이유는 이식 시 거부반응을 억제한다는 것을 표시하는 신빙성 있는 바이오마커(biomarkers)들이 발견되지 않았기 때문이다. 따라서 지금까지 면역 완화를 평가하는 유일한 방법은 약물 투여를 중지하는 것 밖에는 없다. 약물을 중단함으로써 환자들이 정말 거부반응의 위험에 처하게 되는지 아닌지를 판단하는 수밖에 없다는 것이다. 마찬가지로 윤리적인 문제들이 등장하게 되는데, 면역억제약물 치료법과 관련하여 면역완화작용을 유도하는 약들을 사전에 테스트해야 하는 것이다. 결국 약물 효과를 정확히 측정해야 하는데, 약물을 투여함으로써 전체 면역 시스템이 중단되면 이는 엄청난 다른 병들을 유발할 수 있기 때문이다(All these strategies face a common problem: It is maddeningly difficult to judge whether the approach has failed or succeeded because there are no reliable "biomarkers" that indicate whether a person has become tolerant to a transplant. So the only way to assess tolerance is to stop drug treatment, which puts the patient at risk of rejecting the organ. Similarly, ethical concerns often require researchers to test drugs aimed at inducing tolerance in concert with immunosuppressive therapy. This, in turn, can undermine the drugs' effectiveness because they need a fully functioning immune system to do their job).

만약 이와 같은 면역거부반응의 완화 방법이 발견되어 상용화되면 수십 수백만 명의 환자들이 이식 치료법을 받게 될 것이다. 또한 아울러 자기면역질병까지 통제할 수 있을 날이 오게 될 것이다.

[소스]

[Science-Introduction to special issue. What Don't We Know?(01/Jul/2005)]
[Science - In a special collection of articles published beginning 1 July 2005, Science Magazine and its online companion sites celebrate the journal's 125th anniversary with a look forward -- at the most compelling puzzles and questions facing scientists today(01/Jul/2005)]
[서울신문-창간 125돌 사이언스誌 ‘과학적 수수께끼’ 25개 선정(07/Jul/2005)]
[문화일보-아직 못푼 과학수수께끼 25개는? 美사이언스지 창간 125주년 기념호서 선정(02/Jul/2005)]

키워드 : 1880년 7월 3일 미국의 발명왕 토머스 에디슨이 창간한 유서깊은 과학전문지 美 사이언스지 2005년 7월 1일자 창간 125 주년 기념호에서, 인간이 풀지 못한 125개의 주요 문제(big questions) 중 앞으로 25년 안에 인간이 풀어 낼 ‘과학적 수수께끼 25개(25 Big Questions) 선정, The Top 25 Essays by our news staff on 25 big questions facing science over the next quarter-century, 125 big questions, 25 big questions, 이번 2005년 7월 1일자 사이언스지는 [Vol 309, Issue 5731] 호로 75페이지에서 102페이지에 걸쳐 25개의 Big Questions을 제시하고 있는데 이는 무료로 일반에게 공개되고 있다. 인류의 ‘협력적인 행동’은 어떻게 진화해왔나?(How Did Cooperative Behavior Evolve?), 과학자들은 유전자 지도 같은 생물학 데이터의 홍수 속에서 어떻게 거대한 그림(생명의 본질)을 그려낼 수 있을 것인가?(How Will Big Pictures Emerge From a Sea of Biological Data?), 인간이 분자와 원자를 자기조립해 생명체를 만들 수 있을까?(How Far Can We Push Chemical Self-Assembly?), 전통적 컴퓨터의 한계는 무엇인가?(What Are the Limits of Conventional Computing?), 인간은 면역 반용을 선택적으로 통제할 수 있나?(Can We Selectively Shut Off Immune Responses?)