#단백질폴딩 #Protein Folding #동일성기반모델링 #HomologyModeling #Threading #RationalDesign #데노보설계 #DeNovoDesign #변분오토인코더 #VAE #Absci #T세포수용체설계 #AItoWetLab #응용파이프라인 #신뢰성
생성형 인공지능(generative AI)은 단백질 공학을 ‘분석의 과학’에서 ‘창조의 과학’으로 전환시켰다. 기존 방법론의 시간·비용·데이터 의존적 한계를 극복하며, 구조-기능 라인 정밀 제어 중심 신약개발, 맞춤형 면역치료, 산업용 효소 설계에 이미 응용이 이루어지고 있다. AI-to-Wet-Lab 파이프라인 구축을 통해 개발 주기를 단축시킬 잠재력이 획기적일 수 밖에 없다. 잠재력 향상을 위해 데이터 편향, 기능 검증 한계과 같은 할루시네이션 등 과제도 남아 있다.
생성형 인공지능은 단백질 공학에서 새로운 패러다임을 열고 있다. 기존 연구는 단백질 구조 규명과 기능 설계에 막대한 자원을 필요로 했으나, AI는 이를 극복하며 연구를 분석 중심에서 창조 중심으로 확장시켰다. 이는 오랜 숙원이었던 구조-기능 라인 정밀 제어를 가능하게 하며, 단백질 프로덕트 미래를 재편하는 전환점이다.
단백질의 기본 원리: 생명 현상의 구조적 기반
단백질은 생명체의 구조와 기능을 지탱하는 분자적 토대이다. 산소 운반을 담당하는 헤모글로빈, 면역 방어의 핵심인 항체, 화학 반응을 촉진하는 효소, 신호를 전달하는 수용체 단백질 등은 단백질의 다양한 역할을 보여준다. 단백질의 특이적 기능은 아미노산 서열이 3차원 구조로 접히는 ‘폴딩(folding)’ 과정을 통해 결정된다. 단순한 일차 서열이 어떻게 접혀 안정적인 이차·삼차 구조를 이루는지, 그리고 구조적 변이가 어떻게 기능적 변화하는가가 단백질 연구의 핵심 질문이다.
구조와 기능의 밀접한 연관성은 의학적으로도 중요하다. 단백질이 비정상적 변화는 알츠하이머병의 아밀로이드 베타와 근위축성 측삭경화증의 SOD1 단백질과 같이 신경퇴행성 질환의 원인이 된다. 특정 효소의 결핍은 대사질환으로 이어지며, 면역 단백질의 변이는 자가면역질환을 유발할 수 있다. 따라서 단백질 구조를 이해하고 변형을 제어하는 능력이 개발의 핵심 열쇠이다.
이러한 이유로 과거에는 동일성 기반 모델링(homology modeling), 스레딩(threading), Ab initio 예측과 같은 계산적 방법이 활용되어 왔다. 동일성 모델링은 유사 구조 단백질을 참조해 새로운 구조를 추정하는 방식으로 정확성이 높지만 참조 구조가 반드시 필요하다. 스레딩은 서열 유사성이 낮더라도 알려진 접힘 패턴을 활용할 수 있으나 해상도가 제한된다. Ab initio는 물리화학적 에너지 최소화 원리를 통해 새로운 구조를 직접 계산해내는 방식으로, 기존 데이터가 부족한 경우 유용하지만 연산량이 방대하다.
더 나아가 구조 기반으로 특정 아미노산을 교체하거나 변이를 축적해 원하는 기능을 강화하는 합리적 설계(rational design), 지향적 진화(directed evolution), 전산적 단백질 설계가 시도되었으나, 자연계에 존재하지 않는 완전히 새로운 단백질을 창조하기에는 한계가 뚜렷했다. 결국 단백질은 생명현상의 구조적 기반이자 기능적 엔진이며, 이를 정확히 이해하고 설계하는 것은 생명과학 전반의 근본 과제라 할 수 있다.
생성형 AI의 기술적 진보: 예측에서 창조로
이러한 한계를 뛰어넘은 것이 생성형 AI이다. 구글 딥마인드의 AlphaFold는 아미노산 서열만으로도 단백질 3차원 구조를 높은 정확도로 예측해 구조 생물학의 난제를 해결했다. 이어 등장한 RoseTTAFold는 서열·잔기·3차원 좌표를 동시에 학습하는 3-track 네트워크를 통해 단백질 복합체까지 예측 가능하게 했다. 두 도구는 데이터 축적과 심층학습의 결합이 단백질 연구에 돌파구를 마련했다.
더 나아가 AI는 단순 예측을 넘어 de novo 설계 단계로 진입했다. 생성형 모델은 기존 데이터 분포를 학습해 새로운 서열과 구조를 창조할 수 있다. GAN은 경쟁적 학습으로 고품질 구조를, VAE는 잠재공간 샘플링으로 다양성을, Diffusion model은 노이즈 제거 과정을 통해 정밀한 설계를 가능케 한다. LLM은 단백질 서열을 언어처럼 다루어 새로운 배열을 창출하는 데 강점을 보인다. 이러한 원리는 RFdiffusion과 Chroma 같은 최신 툴에서 구현되어, 특정 결합 부위를 정밀 설계하거나 대규모 후보군을 신속히 제시하는 데 활용되고 있다.
산업적 응용: 실험실을 넘어 현장으로
생성형 AI는 이미 실질적 성과를 내고 있다. 신약 개발에서 Absci는 기존 데이터베이스에 없던 항체 서열을 설계하고 항원 친화성을 실험적으로 입증해 후보물질 탐색의 병목을 해소했다. 정밀 의학에서는 특정 항원에 반응하는 T세포 수용체 설계가 보고되었으며, 이는 환자 맞춤형 면역치료의 구체적 가능성을 보여준다. 산업용 효소 분야에서도 기존 자연계에 없는 촉매 단백질이 설계되어 화학 합성 반응을 가속화하고, 오염 물질 분해 등 환경 정화에 활용될 수 있음이 확인되었다.
이러한 응용은 모두 AI-to-Wet-Lab 파이프라인으로 연결된다. AI가 서열과 구조를 제안하면, 자동화된 합성과 검증 시스템이 이를 실험적으로 확인하고, 그 결과가 다시 학습에 반영되는 순환 구조가 형성된다. 이 파이프라인이 안정화되면 신약개발 주기는 수년에서 수개월로 단축될 것이며, 차세대 백신·맞춤형 치료제·지속가능한 바이오 소재로 이어질 것이다.
한계와 과제
여전히 극복해야 할 과제도 존재한다. 학습 데이터는 자연계 단백질에 편중되어 있어 희귀 단백질이나 극한 환경 단백질 설계에는 취약하다. 구조 예측은 고도화되었지만, 실제 기능 수행 가능성을 신뢰성 있게 예측하는 데는 한계가 있다. 생성 과정 또한 불투명해 왜 특정 서열과 구조가 도출되었는지 설명하기 어렵다. 따라서 설명 가능한 AI(XAI) 기술, 공공 데이터 개방, 국제적 규제와 검증 체계 마련이 필요하다.