과학: Google DeepMind의 AlphaFold 4, 알려진 모든 수송체 단백질 구조 예측
신경망의 새 버전은 이전에 결정화가 불가능했던 50,000개 이상의 인간 막 수송 단백질의 3D 형태를 모델링했습니다. 이는 간질과 암을 표적으로 하는 이온 채널에 대한 약물 개발을 가속화할 것입니다.
분석 기사: DeepMind, "결정화 불가" 장벽을 깨다 — AlphaFold 4가 제약 산업에 진정으로 의미하는 바
[요점]: 실제로 일어나고 있는 일
AlphaFold 4가 50,000개의 막 수송 단백질 구조를 예측했다는 소식은 계산 생물학의 또 다른 진전처럼 들립니다. 하지만 실제로는 그 이상입니다. 이는 AI가 "도우미"에서 벗어나 수십 년 동안 고전적 구조 생물학이 완전히 차단했던 전체 표적 부류를 들여다볼 수 있는 유일한 도구가 된 순간입니다.
우리는 SLC 수송체와 이온 채널에 대해 이야기하고 있습니다. 막 단백질은 FDA 승인 약물 표적의 약 60%를 차지하지만, 그 구조 정보는 항상 "사각지대"였습니다 — 알려진 구조 중 3% 미만이 이 범주에 속합니다. 그 이유는 과학자들의 게으름이 아니라 물리학 때문입니다: X선 결정학을 위해 결정을 성장시키려면 단백질이 평평하고 안정적으로 있어야 합니다. 지방층에 살면서 막을 가로질러 분자를 이동시키기 위해 끊임없이 모양을 바꾸는 막 단백질은 결정화에 가장 부적합한 후보입니다.
AlphaFold 4는 이전 버전과 달리 무엇을 했을까요? 핵심은 "역동성"입니다. 혁명적인 AlphaFold 2를 포함한 이전 버전은 정적 구조 — 단일 "접힌" 형태를 예측했습니다. 그러나 AlphaFold 4는 형태적 앙상블을 예측하는 법을 학습한 것으로 보입니다(발표에서는 2024년의 "AlphaFold 3"를 언급하지만, 업계에서는 새로운 반복의 다중체 모델링을 암시합니다). 즉, 수송체 단백질의 경우 세 가지 상태를 보여줄 수 있습니다: 바깥쪽으로 열림, (리간드와 복합체를 이룬) 닫힘, 안쪽으로 열림. 이러한 형태(컨포메이션)를 이해하지 않고서는 차단제 약물을 만들 수 없습니다 — 단순히 어디에 어떻게 결합해야 할지 알 수 없기 때문입니다.
타임라인 및 맥락
이것이 왜 결정타인지 이해하려면 가장 수익성 높은 약물 부류 중 하나인 양성자 펌프 억제제(오메프라졸 및 그 후속 제품)의 역사를 떠올려 보십시오. 이들은 80년대에 조잡한 생리학에 의존하여 "맹목적으로" 개발되었습니다. 오늘날 표적 설계 시대에는 아무도 그렇게 일하지 않습니다. 단백질을 촬영(결정화)할 수 없다면 "약물화 불가능"으로 간주되었습니다. SLC 수송체는 바로 그러한 희망의 무덤이었습니다.
주요 시점: 2020-2021 — AlphaFold 2는 수억 개의 단백질을 예측하며 세계를 놀라게 했습니다. 그러나 막 단백질은 가장 어려운 과제로 남았습니다. 2023-2024 — 소분자와 이온을 모델링할 수 있는 AlphaFold 3의 출현. 이때 단백질 자체뿐만 아니라 약물이 어떻게 결합하는지도 예측할 수 있다는 것이 분명해졌습니다.
이제 2026년 6월, Google DeepMind는 "거대한" 채점을 완료했다고 보고합니다 — 알려진 모든 인간 막 수송체의 구조 예측. 이는 가상의 발견이 아니라 지도 완성에 관한 것입니다. 이 발표는 트위터의 박수가 아니라 Pfizer와 Novartis의 R&D 부서에서 비공개 회의를 촉발해야 합니다.
승자와 패자
승자: 인실리코 바이오텍. 예를 들어 Recursion Pharmaceuticals(이미 AI를 표현형 스크리닝에 사용) 및 Genesis Therapeutics와 같은 기업. 더 이상 수백만 화합물의 스크리닝 라이브러리를 "추측"에 사용할 필요가 없습니다. 칼륨 채널의 예측 구조에 직접 도킹을 모델링할 수 있습니다.
승자: 학술 연구실. 하나의 막 단백질 상업적 결정화 비용은 약 $150,000–$300,000 및 1-2년의 작업입니다. 이제 그 비용이 사실상 0이 되었습니다. 제약 회사를 위한 어려운 표적의 "가용화" 계약을 따낸 구조 생물학 센터는 타격을 입을 것입니다.
패자: 놀랍게도 Cryo-EM 기술. 지난 5년간 막 단백질의 희망이었지만 AI가 더 빠르게 움직이고 있습니다. 패자: "컴퓨터가 그릴 수는 있지만 시험관에서는 작동하지 않을 것"이라고 말하던 구식 의약 화학자들. 이제 AI가 구조를 가지고 있으며, 히트 확률이 극적으로 증가합니다.
언론이 말하지 않는 것
통찰 1: 지질 환경 문제.
언론은 "예측된 구조"라고 씁니다. 그러나 세포 내 단백질은 진공 상태가 아니라 막 — 콜레스테롤과 특정 지질이 포함된 특정 유체 — 속에 있으며, 이는 그 형태를 변경합니다. AlphaFold 4는 아마도 "수성 세제" 또는 단순화된 모델에서 단백질 구조를 예측할 것입니다. AI가 생성한 단백질이 결정학으로 확인되었지만, AI가 알파 나선 사이에 끼인 조절 지질 분자를 놓쳐 살아있는 세포에서 작동하지 않은 사례가 있었습니다. "지질 없는" 구조를 기반으로 약물을 설계하면 천연 단백질에 맞지 않을 수 있습니다.
통찰 2: 고아 수송체 및 표적 외 효과.
인간은 약 450개의 SLC 수송체를 가지고 있습니다. 많은 수송체는 기능이 알려지지 않아 "흥미롭지 않다"고 간주되었습니다. 이제 우리는 그 구조를 알지만, 기능은 모릅니다. 대형 제약사는 이에 대해 라이브러리를 스크리닝하고 활성 분자를 찾은 후, 2상에서야 SLC-48 차단이 신독성을 유발한다는 것을 발견할 것입니다 — 이는 해당 유전자의 생리학을 몰랐기 때문에 예측할 수 없었던 것입니다. 우리는 "열쇠"(구조)를 가지고 있지만, 어떤 문을 여는지 모릅니다. 고전적 제약은 항상 질병에서 시작했습니다 — 유전자 A의 돌연변이가 질병 B로 이어집니다. 여기서 AI는 질병 분류 없이 구조를 제공합니다. 이는 3-4년 내에 임상 실패의 물결을 만들 것입니다.
통찰 3: DeepMind의 독점.
DeepMind는 구조를 오픈 액세스(AlphaFold 단백질 구조 데이터베이스)로 공개합니다. 이는 과학에 좋습니다. 그러나 아미노산 서열을 나선이 있는 4D 모델로 바꾸는 AI 자체는 폐쇄 소스입니다. DeepMind는 정확한 신경망 아키텍처(일반적으로 트랜스포머와 확산 모델의 조합)를 공개하지 않습니다. 모든 바이오텍은 이제 Google의 "바늘"에 달려 있습니다. 만약 Google이 내일 고처리량 가상 스크리닝에 대한 액세스를 제한하거나 API 가격을 변경하기로 결정하면, 전체 산업이 인질로 잡힐 것입니다.
예측: 향후 30일 및 90일
향후 30일:
프리프린트의 급증을 예상하십시오. 한 달 안에 저자가 SLC 수송체 중 하나에서 "새로운 포켓"을 발견한 최소 10편의 논문이 bioRxiv에 나타날 것입니다. 연구실은 수백 가지 맞춤형 소분자 변이체를 "슬라이싱"하기 시작할 것입니다. 금융 분석가들은 대사 질환(SLC가 핵심 역할을 하는) 전문 기업의 가치 평가를 수정하기 시작할 것입니다.
향후 90일:
핵심 순간 — FDA가 AI 구조를 작용 메커니즘의 증거로 사용하는 것에 대한 지침을 발표할까요? 현재 규제 기관은 표적 검증을 위해 물리적 데이터를 요구합니다. FDA가 AlphaFold 4를 표적 선택을 정당화하기에 충분하다고 인정하면, 전임상 작업이 1-2년 단축될 것입니다.
또한, 재현성 스캔들에 대비하십시오. 누군가 예측된 단백질 중 하나를 시험관 내에서 합성하고 X선으로 AI 모델을 검증하려고 시도할 것입니다. 일부 복잡한 서브유닛의 경우 RMSD(원자 평균 제곱근 편차)가 1.5옹스트롬을 초과할 것이라고 확신합니다. 화학 설계에서 이는 큰 차이입니다. AI가 여전히 "낙서를 그린다"는 비판의 물결이 일어날 것입니다. 나중에야 단백질이 시험관에서 단순히 응집된 것임이 밝혀질 것입니다 — AI가 아직 해결하지 못하는 별도의 생물물리학 문제입니다.
면책 조항: 위 분석은 지난 3년간 AI 생물학 발전의 논리와 2024-2025년 Nature/Science 간행물이 설정한 트렌드를 기반으로 합니다. 특정 회사 이름과 제품은 업계 관계를 설명하기 위해 사용되었으며, 미공개 출처의 직접적인 통찰을 반영하지 않습니다.
— Editorial Team
