인공지능으로 모든 알려진 단백질 구조 예측 최초 성공 (AlphaFold DB)
Google DeepMind와 EMBL-EBI가 2억 개 이상의 예측 단백질 구조를 데이터베이스에 구축하여 신약 개발과 질병 분자 메커니즘 이해를 획기적으로 가속화했습니다.
서론
2020년, CASP14(Critical Assessment of protein Structure Prediction) 회의에서 생물학자와 약리학자들이 거의 반세기 동안 기다려온 사건이 발생했습니다. Google DeepMind의 AlphaFold 2가 아미노산 서열로부터 단백질의 3차원 구조를 실험적 방법에 필적하는 정확도로 예측한 것입니다. 이는 '50년 단백질 문제 해결'로 찬사를 받았습니다.
2년 후인 2022년 7월, DeepMind와 유럽 생물정보학 연구소 EMBL-EBI는 과학적 승리 자체에 못지않은 다음 단계를 밟았습니다. 그들은 UniProt 카탈로그에 등록된 과학계에 알려진 거의 모든 단백질인 2억 개 이상의 예측 단백질 구조를 포함하는 AlphaFold 단백질 구조 데이터베이스(AlphaFold DB)에 대한 무료 액세스를 열었습니다.
2024년, 이 혁신은 Demis Hassabis와 John Jumper에게 수여된 노벨 화학상으로 이어졌습니다. 그리고 이미 2025~2026년에는 구조 예측이 임상 시험에 진입하는 실제 신약으로 전환되는 모습이 목격되었습니다. 이 글은 하나의 데이터베이스가 어떻게 생물의학 과학의 지형을 근본적으로 변화시켰는지에 관한 이야기입니다.
사건 세부 내용 및 타임라인
1단계: 예측의 혁명 (2020)
CASP14에서 AlphaFold 2는 중간 GDT 점수(예측 정확도 측정)가 90% 이상을 기록하여 전문가들이 실험적 해상도와 동등하다고 평가했습니다. 이는 이제 단백질 구조를 수개월 또는 수년의 실험실 작업 대신 몇 시간 만에 결정할 수 있음을 의미했습니다.
2단계: 데이터베이스 구축 (2021~2022)
2021년, DeepMind와 EMBL-EBI는 20개의 생물학적으로 중요한 유기체에 대한 350,000개의 구조를 포함하는 AlphaFold DB의 첫 번째 버전을 출시했습니다. 두 번째 릴리스에서는 컬렉션이 거의 100만 개 모델로 확장되었습니다.
결정적 순간은 2022년 7월 28일에 찾아왔습니다. EMBL-EBI는 데이터베이스를 100만 개 미만에서 214,684,311개의 예측 3차원 구조로 확장하는 릴리스를 발표했습니다. 당시 EMBL-EBI 부소장 Ewan Birney는 "오늘부터 데이터베이스가 100만 개에서 2억 개 이상의 구조로 확장되어 거의 전체 UniProt를 포괄합니다"라고 말했습니다.
3단계: AlphaFold 3와 그 이후 (2024~2025)
2024년 5월, DeepMind와 Isomorphic Labs는 AlphaFold 3를 출시했습니다. 새 시스템은 단일 단백질을 넘어 DNA, RNA, 이온, 리간드 및 번역 후 변형의 복합체 구조를 예측하는 방법을 학습했습니다. PoseBusters 테스트(단백질-리간드 결합 정확도 평가)에서 AlphaFold 3는 최고의 전통적 방법보다 50% 향상된 성능을 보였습니다.
4단계: 인정과 첫 번째 신약 (2024~2026)
2024년 10월, Hassabis와 Jumper는 노벨상을 수상했습니다. 그리고 2026년 4월, WIRED Health 컨퍼런스에서 Isomorphic Labs 사장 Max Jaderberg는 회사가 최초의 AI 설계 신약을 인간 임상 시험에 준비하고 있다고 발표했습니다.
영향과 중요성
과학계에 미친 영향
AlphaFold DB는 구조 생물학자들의 작업 방식을 근본적으로 변화시켰습니다:
- 규모: 190개국에서 300만 명 이상의 연구자가 데이터베이스를 사용했으며, 이 중 100만 명 이상이 저소득 및 중간 소득 국가의 과학자입니다.
- 발견 속도: AlphaFold를 사용하는 연구자는 새로운 실험 구조를 발표하는 활동성이 40% 더 높으며, 이러한 구조는 이전에 탐구되지 않은 영역에서 더 자주 나타납니다.
- 인용 영향: AlphaFold 관련 논문은 임상 논문에서 일반 구조 생물학 연구보다 두 배 더 자주 인용됩니다.
실제 적용 사례는 인상적입니다:
- 유럽에서는 AlphaFold가 꿀벌의 Vitellogenin 단백질 구조를 이해하는 데 도움을 주었으며, 이는 멸종 위기 개체군을 구하기 위한 프로그램에 사용됩니다.
- 수년 동안 과학자들은 '나쁜' 콜레스테롤(LDL)의 핵심 단백질인 아포지단백 B100의 구조를 얻을 수 없었습니다. AlphaFold 2는 그 복잡한 '세포' 형태를 밝혀내어 약리학자들에게 죽상동맥경화증에 대한 새로운 치료법을 만들기 위한 원자 수준 청사진을 제공했습니다.
- 구조 생물학에 대한 사전 교육 없이 터키 학부생들이 AlphaFold 튜토리얼을 학습한 후 15편의 과학 논문을 발표했습니다.
제약 산업에 미친 영향
AlphaFold는 신약 발견의 촉매제가 되었습니다:
- 2024년부터 2025년까지 단백질 데이터 뱅크(PDB)에 등록된 새로운 구조의 약 40%가 AI 방법을 사용하여 얻어졌습니다.
- DeepMind에서 분사한 Isomorphic Labs는 6억 달러의 투자를 유치하고 Eli Lilly 및 Novartis와 파트너십을 체결했습니다.
- 자체 엔진인 IsoDDE가 개발되었으며, 회사는 이 엔진이 신약 설계에서 AlphaFold 3의 정확도를 두 배 이상 향상시킨다고 주장합니다.
사회에 미친 영향
AlphaFold의 주요 약속은 난치병 치료제 개발을 가속화하는 것입니다. Jaderberg는 "우리가 설계한 분자는 매우 효과적이며, 더 낮은 용량으로 복용할 수 있고 부작용이 적습니다"라고 말했습니다. '모든 질병을 해결하라'는 Isomorphic Labs의 사명은 더 이상 공상과학처럼 보이지 않습니다.
그러나 일리노이 대학의 연구자들은 경고합니다: "AlphaFold는 구조를 예측하지만, 단백질 기능이나 살아있는 세포 내 행동은 예측하지 않습니다. 아직 AI 기반 약물이 만들어진 것은 없으며, 아이디어에서 임상까지는 긴 길입니다."
주요 관계자들의 반응
Google DeepMind와 과학계. DeepMind에게 이는 AI가 기초 과학을 추진할 수 있다는 주요 증거가 되었습니다. 팀은 계속해서 관련 모델을 개발 중입니다: 돌연변이 분석을 위한 AlphaMissense와 AlphaGenome, 암과 당뇨병에 대한 단백질 결합체 설계를 위한 AlphaProteo 등입니다.
출판사와 데이터베이스. 역설적으로 AlphaFold DB의 성공은 '데이터 노후화' 문제를 만들었습니다. 데이터베이스가 2022년 이후 업데이트되지 않은 반면, UniProt 라이브러리는 계속 편집 및 개선되어 불일치가 발생했습니다. 2025년 6월 기준, AlphaFold DB의 20,504개 인간 구조 중 631개가 현재 UniProt 항목과 모순되었습니다. 마우스의 경우 불일치율은 2.4%, 제브라피쉬의 경우 대규모 프로테옴 정리로 인해 거의 43%에 달했습니다. 저널 Nature Structural & Molecular Biology는 연구자들이 최신 서열 버전을 확인해야 한다고 직접 경고합니다.
비평가. 미국 과학자 Sarfraz Niazi는 여러 출판물(Nature에 채택된 논문 포함)에서 AlphaFold 2에 대한 노벨상이 시기상조였다고 주장합니다. 그의 견해로는 모델이 완전히 새로운 아미노산 서열에 대한 구조를 예측할 수 없으며 생리적 조건에서 단백질 역학을 반영하지 않습니다. 많은 동료들이 그의 단정적인 결론에 이의를 제기하지만, 논쟁 자체가 생물학에서 AI는 아직 시작 단계에 불과하다는 점을 강조합니다.
전망과 결론
2026년 현재 우리가 가진 것:
- 농업에서 심장학에 이르기까지 문제 해결 접근 방식을 바꾸는 2억 개 이상의 구조 데이터베이스.
- AI를 화학 및 생물학의 완전한 방법으로 합법화한 노벨상.
- 인간 시험을 준비하는 최초의 AI 설계 분자.
주요 과제:
- 데이터베이스 업데이트. AlphaFold DB는 UniProt와 실시간 동기화되는 버전 2.0이 필요합니다. 그렇지 않으면 리소스의 가치가 하락할 것입니다.
- 예측에서 신약까지. 임상 시험의 세 단계를 모두 통과할 AI 설계의 비율은 아직 알려지지 않았습니다. 역사는 인체 현실에 부딪혀 좌절한 많은 유망 기술을 알고 있습니다.
- 역학 및 다중 상태. AlphaFold 3는 여전히 단백질의 형태 전환 예측에 어려움을 겪고 있으며, 구조화되지 않은 영역에서 '환각'을 일으킬 수 있습니다.
결론: AlphaFold DB는 구조 생물학의 끝이 아니라 새로운 시작입니다. 실험(결정학, NMR, 극저온 전자 현미경)은 사라지지 않았습니다. 오히려 2025~2026년에 PDB는 기록적인 수의 새로운 실험 확인 구조를 보고하고 있습니다. 부분적으로는 AI가 생물학자들이 가장 유망한 표적을 선택하도록 돕기 때문입니다. 우리가 경험하는 것은 실험실을 컴퓨터로 대체하는 것이 아니라, 인간 지능을 기계 능력으로 증폭시키는 것입니다. 그리고 Isomorphic Labs의 예측이 맞다면, 향후 5~10년 내에 디지털 예측에서 탄생한 최초의 신약을 보게 될 것입니다.
— Editorial Team
