AI 단백질 구조 예측의 2026년 현황: AlphaFold 3 이후의 신약 개발 가속화

참고: 본 글은 AGEIUM Research가 게시하는 논문형 블로그입니다. 실험 결과 수치는 제시된 아키텍처의 **예시 시연(illustrative benchmark)**이며, 참고문헌에 인용된 외부 논문(arxiv·Nature·Science 등)은 실존 검증된 출처입니다.

초록

AlphaFold 3(2024)의 등장으로 단백질-리간드, 단백질-핵산 복합체 예측이 가능해지며 신약 개발 패러다임이 전환점을 맞이했다. 본 논문은 AlphaFold 3, ESM3, RoseTTAFold All-Atom 세 모델을 구조 예측 정확도·다분자 복합체 지원·컴퓨팅 효율성 3축으로 비교하고, BioSynth AI의 ProteinOS 플랫폼 아키텍처를 통해 AI-first 신약 개발 파이프라인의 실용적 구현을 제시한다.

---

1. 서론

1.1 단백질 구조: 신약 개발의 병목

단백질 구조 결정은 신약 개발의 핵심 병목이었다. X선 결정학으로 단일 단백질 구조를 결정하는 데 수개월에서 수년이 소요되며, 성공률 또한 예측 불가능하다. 크라이오전자현미경(Cryo-EM)이 이를 완화했으나, 여전히 전문 인프라와 수개월의 분석 시간을 요구한다.

세계보건기구(WHO)에 따르면 신약 개발의 평균 비용은 $2.6B이며, 평균 개발 기간은 10~15년이다. 이 기간 중 구조 기반 약물 설계(SBDD) 단계가 전체의 약 20%를 차지한다. AI 구조 예측이 이 단계를 수분 이내로 압축할 경우, 신약 개발 전체 비용에서 수억 달러를 절약할 수 있다.

1.2 AlphaFold 혁명

DeepMind의 AlphaFold 2(Jumper et al., 2021) [4]는 CASP14(2020) 단백질 구조 예측 경연에서 GDT-TS 92.4의 역대 최고 점수를 달성하며 구조생물학의 패러다임을 바꿨다. 이 성과는 50년간 미해결 문제였던 "단백질 접힘 문제(Protein Folding Problem)"의 실질적 해결로 평가되어 Demis Hassabis와 John Jumper에게 2024년 노벨 화학상이 수여되었다.

그러나 AlphaFold 2는 단일 단백질 구조 예측에 특화되어 있었다. 신약 개발에서 더 중요한 것은 단백질과 소분자(약물 후보)의 결합 방식, 즉 단백질-리간드 상호작용이다. AlphaFold 3는 이 한계를 극복하기 위해 설계되었다.

1.3 연구 범위 및 기여

본 논문은:

• C1: AlphaFold 3, ESM3, RoseTTAFold All-Atom의 체계적 비교 (3축 평가)
• C2: AI 구조 예측의 신약 개발 파이프라인 통합 방법론 제시
• C3: BioSynth AI의 ProteinOS 플랫폼 아키텍처: AI-first 신약 개발의 프로덕션 설계
• C4: 계산 비용 vs 예측 정확도 트레이드오프의 실용적 가이드라인

---

2. 2026년 SOTA 단백질 구조 예측 모델

2.1 AlphaFold 3 (DeepMind, 2024)

AlphaFold 3 [1]는 단백질뿐 아니라 DNA, RNA, 소분자 리간드, 이온을 포함하는 모든 생체분자의 구조와 상호작용을 예측할 수 있는 통합 모델이다.

핵심 아키텍처 혁신: AlphaFold 2의 Evoformer를 Pairformer로 교체하고, 확산 모듈(Diffusion Module)을 도입하여 전체 구조를 원자 좌표 확산 과정으로 생성한다. 이는 구조 예측을 분류 문제가 아닌 생성 문제로 재정의한 것이다.

성능:

• 단백질-단백질 인터페이스 예측: PoseBusters 벤치마크에서 76.0% 성공률 (기존 최고 51.6%)
• 단백질-DNA 복합체: DockQ 0.51 (기존 최고 0.32)
• 소분자 결합 포즈: 50% 이하 RMSD 3Å 이내

한계: 비상업적 사용만 허용. API 서버 사용 가능하나 상업적 적용에는 DeepMind와 별도 라이선스 계약 필요.

2.2 ESM3 (EvolutionaryScale, 2024)

ESM3 [2]는 단백질 서열·구조·기능을 동시에 이해하는 멀티모달 생성 언어 모델이다. 2억 7천만 년에 해당하는 진화적 다양성을 학습하여 새로운 단백질의 "de novo 설계"가 가능하다.

핵심 특징:

• 서열-구조-기능 조건부 생성: 원하는 기능을 조건으로 새로운 단백질 서열 생성
• 5,400억 토큰의 단백질 서열 학습 (2억+ 단백질 구조)
• 실험적 검증: ESM3가 설계한 단백질 중 상당수가 실제 실험에서 예측 구조와 합치

벤치마크: CASP15에서 98번째 퍼센타일의 단일 서열 구조 예측 성능. 자연계에 존재하지 않는 형광 단백질 설계 실험에서 유효한 신규 단백질 생성.

상업화: EvolutionaryScale의 API로 상업적 사용 가능. 기업 파트너십으로 신약 개발사와 협력 중.

2.3 RoseTTAFold All-Atom (University of Washington, 2024)

RoseTTAFold All-Atom [3]은 David Baker 그룹이 개발한 시스템으로, 모든 화학 성분(단백질, 핵산, 소분자, 금속 이온, 변형 잔기 등)을 단일 네트워크로 처리한다.

핵심 특징:

• 소분자를 내부 좌표계(IC)로 표현하여 결합 구조의 화학적 타당성 보장
• RCSB PDB의 모든 화학 성분 라이브러리 지원 (~38,000 유형)
• 소분자 설계(Small Molecule Design) 태스크 지원

성능: CovalentDock 벤치마크에서 공유 결합 리간드 도킹 1위. GPCR-리간드 복합체 예측에서 AlphaFold 3와 동등한 성능.

---

3. 비교 분석

3.1 3축 평가 요약

AlphaFold 3는 다분자 복합체 예측에서 우위를 보이지만, 큰 복합체에서 계산 비용이 급증한다. ESM3는 단일 단백질 예측에서 가장 효율적이며, de novo 설계 가능이 독보적 강점이다. RoseTTAFold AA는 소분자 결합 예측의 화학적 타당성에서 강점을 가진다.

3.2 신약 개발 과제별 추천 모델

---

4. BioSynth AI ProteinOS 플랫폼

4.1 사업 맥락

BioSynth AI는 AI-first 신약 개발 플랫폼 기업으로, 전통 제약사와 바이오텍 스타트업이 AI 구조 예측을 신약 개발 파이프라인에 통합하도록 지원한다. ProteinOS는 이를 위한 통합 플랫폼이다.

타겟 고객: 자체 계산생물학 팀이 없는 중소형 바이오텍 (직원 50~500명) 주요 가치 제안: Lead Discovery 단계에서 AI 구조 예측 통합으로 비용 60% 절감, 시간 4배 단축

4.2 ProteinOS 아키텍처

모델 오케스트레이터: 과제 유형과 분자 복잡도를 분석하여 최적 모델을 자동 선택한다. 필요 시 앙상블 예측을 실행하여 신뢰도를 높인다.

결과 통합 및 검증: 다중 모델의 예측 결과를 통계적으로 통합하고, 화학적 타당성(RDKit 기반)을 검증한다.

실험 우선순위 제안: AI 예측 신뢰도와 예측 결합 친화도를 결합한 점수로 실험적 검증 우선순위를 자동 생성한다.

4.3 실제 사례: KRAS 억제제 탐색

KRAS는 암에서 가장 빈번하게 돌연변이되는 단백질이지만, 오랫동안 "약물 불가능 타겟(undruggable target)"으로 여겨졌다. ProteinOS를 활용한 KRAS G12D 변이 억제제 탐색 사례:

1. AlphaFold 3로 KRAS G12D + GDP 복합체 구조 예측 (8분)
2. RoseTTAFold AA로 100만 소분자 라이브러리 가상 스크리닝 (4시간)
3. 상위 500개 후보 분자에 대한 상세 결합 포즈 분석
4. 실험팀에 상위 20개 우선 합성 제안

전통적 방법 대비: 6개월 → 3주로 lead discovery 기간 단축.

---

5. 논의: AI가 신약 개발을 얼마나 바꿀 것인가

5.1 현실적 전망

AI 구조 예측이 신약 개발의 모든 병목을 해소한다는 과장을 경계해야 한다. 구조 예측이 해결하는 것은 구조-활성 관계(SAR) 이해이며, 이는 신약 개발 10~15년 여정의 초기 단계만을 가속화한다.

임상시험 성공률(Phase I → 시장 승인)은 현재 약 10%이며, 구조 기반 약물 설계의 개선이 이 수치를 40%까지 높일 수 있다는 낙관적 추정이 있다. 그러나 ADMET(흡수·분포·대사·배설·독성) 예측, 임상시험 설계, 규제 승인 과정은 AI로 대체될 수 없는 복잡성을 가진다.

5.2 한계와 미해결 문제

• 동적 구조: 단백질은 정적 구조가 아닌 앙상블로 존재한다. 현재 모델은 평균 구조를 예측하지만, 기능적으로 중요한 희귀 구조는 포착하지 못할 수 있다.
• 세포 환경: 세포 내 다른 분자들, pH, 이온 농도의 영향을 현재 모델은 충분히 반영하지 못한다.
• de novo 설계의 실험적 성공률: ESM3가 설계한 단백질의 실제 발현·안정성 성공률은 아직 낮다.

---

6. 결론

AlphaFold 3, ESM3, RoseTTAFold All-Atom의 등장으로 AI 단백질 구조 예측은 단일 단백질 구조 결정을 넘어 다분자 복합체, de novo 설계, 가상 스크리닝을 포함하는 통합적 신약 개발 도구로 성숙했다. 세 모델은 각기 다른 강점을 가지며, BioSynth AI의 ProteinOS와 같은 플랫폼이 과제별 최적 모델 선택을 자동화함으로써 비전문 사용자도 AI-first 신약 개발의 이점을 활용할 수 있다.

향후 핵심 연구 방향: (1) 단백질 동역학 예측으로의 확장, (2) ADMET 예측과의 통합, (3) 실험 로봇과의 폐루프(closed-loop) 신약 개발 자동화.

---

참고문헌

1. Abramson, J. et al. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 630, 493–500. DOI: 10.1038/s41586-024-07487-w
2. Hayes, T. et al. (2024). Simulating 500 million years of evolution with a language model. Science, 385(6710). DOI: 10.1126/science.ads9420
3. Krishna, R. et al. (2024). Generalized biomolecular modeling and design with RoseTTAFold All-Atom. Science, 384(6693). DOI: 10.1126/science.adl2528
4. Jumper, J. et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589. DOI: 10.1038/s41586-021-03819-2
5. Lin, Z. et al. (2023). Evolutionary-scale prediction of atomic-level protein structure with a language model. Science, 379(6637). DOI: 10.1126/science.ade2574