AlphaFold 3: 시행착오 생물학의 종말

생물학에는 “렌더링” 문제가 있습니다.

50년 동안 신약 개발의 중심 교리는 “자물쇠와 열쇠”였습니다. 질병을 치료하려면 원인이 되는 단백질(자물쇠)을 찾고 그 질병에 완벽하게 들어맞는 분자(열쇠)를 설계해야 합니다. 문제? “자물쇠”는 미세하고 흔들리며 눈에 보이지 않습니다. 열쇠를 찾는 것은 약 20억 달러, 약 10년의 비용이 소요되는 맹목적인 화학 게임이었습니다.

2024년에 Google DeepMind는 AlphaFold 3을 출시했습니다. 이는 단지 단백질 접힘 문제만 해결한 것이 아닙니다. 상호작용 문제를 해결했습니다.

이는 “정적 생물학”에서 “동적 생물학”으로의 전환을 나타냅니다. 그리고 이는 신약 발견 비용을 폭락시킬 것입니다.

Evoformer에서 확산으로: 아키텍처 전환

AlphaFold 3(AF3)이 AlphaFold 2(AF2)에 비해 비약적인 발전을 이룬 이유를 이해하려면 엔진을 살펴봐야 합니다.

AlphaFold 2는 Evoformer 아키텍처를 사용했습니다. 원자가 있어야 할 위치를 삼각측량하기 위해 진화의 역사(다중 서열 정렬, MSA)를 살펴보는 “주의 집중” 모델이었습니다. 정적 단백질 구조를 예측하는 데는 탁월했습니다. 순서를 지정하면 모양이 지정됩니다. 하지만 딱딱했어요.

AlphaFold 3은 그 중 많은 부분을 버립니다. 대신 이미지를 생성하는 AI 모델(예: Midjourney 또는 Stable Diffusion)과 유사한 확산 네트워크를 사용합니다.

생물학적 확산의 작동 원리

단백질 구조를 선명하고 선명한 이미지로 상상해 보세요.

1. 순방향 프로세스(노이즈): 분자가 무작위 혼돈의 구름처럼 보일 때까지 모든 원자의 좌표에 정적(가우스 노이즈)을 천천히 추가합니다.
2. 역과정(노이즈 제거): AI를 훈련시켜 혼돈을 관찰하고 구조를 다시 존재하게 하는 “환각”을 단계적으로 수행합니다.

AF3는 임의의 원자 구름을 가져와 완벽하게 접힌 단백질-리간드 복합체로 “노이즈 제거”합니다. 이를 통해 생성적 불확실성을 처리할 수 있습니다. 단일 정적 답변을 출력하는 AF2와 달리 AF3는 분자가 유연하다는 것을 이해합니다. 그들은 숨을 쉰다.

페어포머 모듈: MSA 의존성 감소

AlphaFold 2의 중요한 약점 중 하나는 다중 서열 정렬(MSA)에 대한 의존도가 높다는 것입니다. 표적의 모양을 알아내기 위해서는 진화 역사 전반에 걸쳐 수천 개의 “사촌” 단백질을 확인해야 했습니다. 이는 “고아 단백질”(알려진 친척이 없는 단백질)이나 합성 항체에 실패했음을 의미합니다.

AlphaFold 3에는 Pairformer 모듈이 도입되었습니다. 이 업데이트된 주의 메커니즘은 단지 진화의 역사보다는 원자 자체의 화학적 제약을 처리합니다. 이는 원자 사이의 “쌍별” 관계, 즉 기본적으로 물리 및 화학 법칙(반 데르 발스 힘, 정전기학)에 중점을 둡니다.

이러한 변화로 인해 AF3는 진화 데이터가 드물거나 관련성이 없는 영역인 항체-항원 상호 작용을 예측하는 데 훨씬 더 효과적입니다.

”모든 것” 기계

AlphaFold 2의 한계는 “단백질”만 이야기한다는 것입니다. 그러나 생물학은 다국어를 사용합니다.

• DNA/RNA: 명령 코드입니다.
• 리간드: 단백질에 결합하는 작은 분자(약물)입니다.
• 이온: 배터리나 스위치 역할을 하는 대전 입자(아연, 마그네슘)입니다.
• 번역 후 변형: 인산화가 단백질의 모양을 어떻게 변화시키는지 계산합니다.

AF3는 최초의 통합 모델이다. 단백질, 핵산, 소분자, 이온 및 변형된 잔기를 포함한 복합체의 구조를 예측합니다.

신약 발견의 영향

이것이 제약업계의 “성배”입니다. 대부분의 약물은 소분자(리간드)를 단백질에 결합시켜 작용합니다. AF2는 단백질이 어떻게 생겼는지 알려줄 수 있지만 약물이 단백질에 달라붙는지 여부는 알려줄 수 없습니다. AF3는 가능합니다.

벤치마크에서는 기존의 물리학 기반 도킹 소프트웨어(예: 에너지 도킹)에 비해 단백질-리간드 상호 작용의 정확도가 50% 향상된 것으로 나타났습니다. 이는 초기 스크리닝 단계에서 습식 실험실 결정학을 효과적으로 대체합니다. 연구자들은 물리적 실험실에서 10,000개의 화합물을 테스트하는 대신 서버 목장에서 1천만 개의 화합물을 검사할 수 있습니다.

신뢰도 지표: 진실과 환각 판별

확산 모델에서 환각은 버그가 아닌 기능입니다. 이 문제를 해결하기 위해 AF3는 구조 자체만큼 중요한 신뢰도 점수를 출력합니다.

1. pLDDT(예측 지역 거리 차이 테스트): 이 0-100 점수는 지역 신뢰도를 측정합니다. 영역의 pLDDT가 낮은 경우(<50) 이는 모델이 혼란스러울 뿐만 아니라 실제 생활에서 해당 영역이 본질적으로 무질서(플로피)되었음을 의미할 가능성이 높습니다.
2. PAE(Predicted Aligned Error): 서로 다른 도메인 간의 오류를 측정합니다. “A 모양이 맞나요, B 모양이 맞나요? 더 중요한 것은 두 부분 사이의 부착점이 유효한가요?”라고 대답합니다.

제약회사는 이러한 측정항목을 사용하여 생성된 출력을 “필터링”합니다. AF3가 높은 신뢰도(낮은 PAE)로 약물 결합을 예측하면 습식 실험실로 이동합니다. 신뢰도가 낮으면 폐기됩니다.

Isomorphic Labs: 1,000억 달러의 베팅

구글은 이것을 단지 무료로 제공하는 것이 아닙니다. 그들은 이를 상용화하기 위해 Isomorphic Labs(Demis Hassabis가 이끄는)를 분사했습니다.

그들의 전략은 ‘AI 우선 약물 디자인’이다. Pfizer에 도구 라이센스를 부여하는 대신(Eli Lilly 및 Novartis와 파트너십을 맺었음에도 불구하고) Isomorphic은 “디지털 생명공학” 역할을 합니다. 이들은 표적을 식별하고 AF3를 사용하여 인실리코 약물을 설계한 다음 분자 자체를 제약 파트너에게 수십억 달러에 판매합니다.

모델: “삽은 판매용이 아닙니다. 금이 발견되고 광산이 지도에 표시되며 GPS 좌표가 판매됩니다.”

AF3의 가장 진보된 버전을 독점적으로 유지함으로써(또는 제한된 서버를 통해서만 사용 가능) Isomorphic은 엄청난 경쟁 해자를 유지합니다.

경쟁 환경: Google만이 아닙니다

Google이 헤드라인을 장식하는 동안 업계는 빠르게 움직이고 있습니다.

• Chai-1: Chai Discovery에서 출시한 이 개방형 가중치 모델은 특정 리간드 결합 벤치마크에서 AF3와 일치하거나 이를 능가한다고 주장합니다. 소비자 하드웨어에서 실행됩니다.
• ESM3(Evolutionary Scale Modeling): EvolutionaryScale(전 메타 연구자)에서 구축한 “생물학의 기초 모델”입니다. 기존 단백질을 단순히 접는 것이 아니라 처음부터 새로운 단백질을 생성합니다.
• BioNeMo: NVIDIA의 프레임워크는 이러한 모델을 엔터프라이즈급 서비스로 효과적으로 래핑하여 “생물학의 AWS”가 됩니다.

디지털 생물학에 대한 독점은 약 6개월 동안 지속되었습니다. 이제는 군비경쟁이다. 주목해야 할 주요 역학은 Open Science와 Commercial Moats 사이의 긴장입니다. DeepMind는 AlphaFold 3에 대한 방법을 발표했지만 처음에는 AlphaFold 2의 선례를 깨고 코드와 가중치를 보류했습니다. 이로 인해 과학계의 반발이 촉발되어 결국 부분 출시로 이어졌습니다.

이러한 마찰은 이러한 모델의 상업적 가치를 강조합니다. 2021년에는 단백질 접힘이 과학적 호기심이었습니다. 2025년에는 코카콜라의 공식과 마찬가지로 보호할 가치가 있는 영업비밀입니다. Chai-1과 같은 유능한 오픈 소스 경쟁자의 등장은 알고리즘 “해자”가 Google이 희망하는 것보다 더 얕을 수 있음을 시사하며 Isomorphic Labs는 단순한 모델 아키텍처가 아닌 독점 데이터(습식 실험실 루프)를 놓고 경쟁해야 합니다.

데이터 격차: Wet Lab이 살아남는 이유

과대광고에도 불구하고 AlphaFold 3는 마술 지팡이가 아닙니다. “쓰레기가 들어오면 쓰레기가 나오는” 문제를 겪고 있습니다.

1. 환각: ChatGPT와 마찬가지로 AF3는 물리학을 거스르는 구조(예: 원자 중첩 또는 부자연스러운 결합 각도)를 자신있게 예측할 수 있습니다. “확산” 모델은 사물을 실제보다는 그럴듯 보이게 만드는 경향이 있습니다.
2. 역학: 분자의 “스냅샷”을 예측합니다. 그러나 단백질은 다양한 모양(형태) 사이에서 최적화됩니다. AF3는 종종 약물 결합에 중요한 이러한 “숨겨진” 상태(알로스테릭 부위)를 놓칩니다.

이는 습식 실험실이 죽지 않았다는 것을 의미합니다. 그들은 단지 기능을 바꿀 뿐입니다. 발견 대신 이제 실험실에서 검증을 수행합니다.

2026년 전망: 생성 생물학

업계는 생성생물학 시대로 진입하고 있습니다.

GPT-4가 코드를 작성할 수 있는 것처럼 AlphaFold 3도 생물학적 가설을 생성합니다. 다음 단계(AlphaFold 4?)에서는 구조를 예측하는 것뿐만 아니라 기능을 예측하여 루프를 닫을 가능성이 높습니다. “플라스틱을 먹는 단백질 설계” 또는 “스파이크 단백질 변형 X를 중화하는 결합제 설계”

그렇게 되면 생물학은 발견의 과학이기를 멈추고 공학의 과학이 됩니다. 삶의 코드는 말 그대로 코드가 됩니다.