단백질 구조 예측이란? — AlphaFold가 50년 난제를 푼 법 (작동 원리·노벨 2024·한계 완전 정리)

아미노산 서열 → 친척 서열 정렬(MSA) → 신경망(Evoformer) → 3차원 구조 + 신뢰도. AlphaFold의 작동 흐름. (직접 그린 도식)

TL;DR — 단백질 구조 4단계 글에서 '형태가 곧 기능'이라고 했습니다. 그런데 그 형태(3차원 구조)를 알아내는 건 반세기 난제였습니다. 단백질의 서열(아미노산 순서)은 쉽게 읽지만, 그 서열이 어떻게 접혀 어떤 입체 모양이 되는지는 풀리지 않았습니다.

2020년, 구글 딥마인드의 AlphaFold2가 이 벽을 넘었습니다. 단백질 구조 예측 대회(CASP14)에서 실험에 준하는 정확도(중앙값 GDT 92.4)를 내며, '서열만으로 구조를 예측한다'는 50년 목표에 도달했습니다. 비결은 진화의 흔적 — 수많은 친척 단백질의 서열을 함께 보고(다중서열정렬), 신경망이 3차원 좌표를 직접 출력합니다. 2024년 그 공로로 노벨 화학상까지 받았습니다.

다만 균형이 필요합니다. AlphaFold는 '정지 사진' 한 장을 예측할 뿐 — 단백질의 움직임(동역학), 돌연변이 효과, 결합 세기는 잘 못 봅니다. 무엇보다 예측이지 실험이 아니어서, 자신 있게 틀릴 수도 있습니다. "단백질 폴딩을 완전히 풀었다"는 과장입니다.

🔗 관련 글  ·  같은 단백질 계열: 단백질 구조 4단계  ·  중심원리(Central Dogma)

1. 50년 난제 — 서열은 아는데 모양을 모른다

중심원리에 따라 단백질은 아미노산이 사슬처럼 이어진 것이고, 이 서열은 시퀀싱으로 쉽게 읽습니다. 문제는 — 이 사슬이 스스로 접혀 만드는 3차원 모양입니다. 그 모양이 곧 기능을 정하는데, 모양을 알아내려면 X선 결정학·극저온전자현미경 같은 비싸고 느린 실험이 필요했습니다.

이론은 명확했습니다. Anfinsen의 도그마 — 서열이 구조를 결정한다(Anfinsen, 1972년 노벨상 공동 수상). 그러니 원리상 서열만으로 구조를 계산할 수 있어야 합니다. 그런데 실제로는 반세기 동안 풀리지 않았습니다.

왜 어려울까요? 한 단백질이 접힐 수 있는 모양의 경우의 수가 천문학적이기 때문입니다(레빈탈의 역설 — 무작위로 다 시도하면 우주의 나이보다 오래 걸린다). 이걸 객관적으로 겨루려고 2년마다 열리는 블라인드 대회 CASP (단백질 구조 예측 평가)가 있었는데, 오랫동안 '실험만큼 정확한' 예측은 나오지 않았습니다.

2. AlphaFold2의 돌파 — 2020년 CASP14

판을 뒤집은 게 AlphaFold2 (구글 딥마인드)입니다. 2020년 CASP14에서, AlphaFold2의 예측은 실험 구조와 견줄 만한 정확도를 보였습니다 — 전체 표적에 대한 중앙값 GDT 92.4 (100점 만점)로, CASP 역사상 처음으로 '예측이 실험에 준한다'는 평가를 받았습니다.

이듬해 방법이 논문으로 공개됐습니다(Jumper 외 2021, Nature). 논문은 골격 정확도 중앙값 0.96 Å라는 수치를 내세웠는데, 원자 하나 크기 수준의 오차라는 뜻입니다. 수십 년 난제가 한 번에 무너진 사건이었습니다.

💡 헷갈리기 쉬운 점 — GDT 92.4는 'CASP14 대회 채점' 수치이고, Nature 논문이 앞세운 건 0.96 Å (골격 RMSD)입니다. 둘 다 'AlphaFold2가 실험급 정확도'라는 같은 이야기를 다른 잣대로 말한 것입니다.

그림 1. CASP 정확도의 도약 — 2020년 AlphaFold2가 처음으로 '실험에 준하는' 수준(중앙값 GDT 92.4)에 도달.

3. 어떻게 푸나 — 진화의 흔적을 읽다

AlphaFold의 핵심 아이디어는 '진화가 남긴 단서'입니다.

• 다중서열정렬(MSA) — 목표 단백질과 진화적으로 닮은 친척 단백질 수백~수천 개의 서열을 함께 늘어놓습니다. 구조상 가까이 붙어 함께 작동하는 두 잔기는 진화하면서 같이 변하는 경향(공진화)이 있어, 이 패턴이 '어디가 어디와 접촉하는지'의 힌트가 됩니다.
• Evoformer — 이 정렬을 읽어 잔기 사이 관계를 학습하는 딥마인드의 핵심 신경망 블록.
• 구조 모듈(structure module) — 마지막에 3차원 원자 좌표를 직접 출력합니다.

출력에는 신뢰도 점수가 함께 나옵니다 — pLDDT (잔기별 신뢰도, 0~100)는 각 부위를 얼마나 믿을 수 있는지, PAE (예측 정렬 오차)는 두 부위의 상대 위치가 얼마나 믿을 만한지를 알려 줍니다. 이 신뢰도를 함께 읽는 게 AlphaFold 결과 해석의 기본입니다.

그림 2. AlphaFold 작동 원리 — 진화의 흔적(MSA·공진화)을 신경망이 읽어 3차원 좌표를 출력, pLDDT 신뢰도로 색칠.

4. 충격파 — 2억 개 구조를 공짜로

AlphaFold가 단순한 '대회 우승'에 그치지 않은 이유는 개방입니다. 딥마인드는 EMBL-EBI와 함께 AlphaFold 단백질 구조 데이터베이스를 만들어, 2022년 7월 한 번에 약 2억 개(약 200배 확장)의 예측 구조를 무료로 풀었습니다 — 사실상 알려진 단백질 거의 전부입니다.

수십 년간 한 단백질 구조를 푸는 데 박사 한 명의 수년이 들기도 했는데, 이제 검색 한 번이면 예측 구조가 나옵니다. 구조생물학·신약개발·효소공학의 일하는 방식 자체가 바뀌었습니다.

5. 노벨상 2024 — 예측과 설계

2024년 노벨 화학상이 이 흐름에 갔습니다.

• 절반 — 데이비드 베이커(워싱턴대), 컴퓨터를 이용한 단백질 설계(아예 새로운 단백질을 디자인).
• 나머지 절반 — 데미스 허사비스와 존 점퍼(구글 딥마인드), 단백질 구조 예측(AlphaFold).

위원회의 표현은 "50년 묵은 난제를 푸는 AI 모델을 개발했다"였습니다. '구조를 읽는 것(예측)'과 '구조를 짓는 것(설계)'이 한 해에 함께 인정받은 셈입니다.

6. AlphaFold3 — 복합체로, 그리고 논쟁

2024년 5월, AlphaFold3가 나왔습니다(Abramson 외 2024, Nature 630:493–500). 단백질 하나를 넘어 복합체 — 단백질–저분자 약물, 단백질–DNA/RNA, 이온, 변형 잔기까지 — 의 결합 구조를 예측합니다. 구조를 '한 번에 그려 내는' 확산(diffusion) 기반 구조로 바뀌었습니다.

그런데 발표 방식이 논란이 됐습니다. AlphaFold2는 코드를 곧장 공개했지만, AF3는 처음에 코드 없이 '웹 서버'로만(하루 수십 건 제한) 공개됐습니다. 재현성을 문제 삼아 1,000명 넘는 과학자가 항의 서한에 서명했고, 결국 딥마인드는 2024년 11월 학술·비상업용으로 코드를 공개했습니다. 다만 모델 가중치는 여전히 구글에 신청해야 받을 수 있는 비상업 한정입니다. '얼마나 열 것인가'는 상업적 이해(딥마인드의 신약 자회사)와 얽힌 현재진행형 논쟁입니다.

7. 한계 — 예측이지 실험이 아니다

AlphaFold는 혁명이지만, 무엇을 못 하는지를 아는 게 더 중요합니다.

• 정지 사진 한 장 — AlphaFold는 하나의 정적 구조를 줍니다. 단백질은 실제로 움직이는데(동역학·여러 형태), 그 변화는 잡지 못합니다.
• 돌연변이에 둔감 — 아미노산 하나를 바꿔 단백질을 불안정하게 만들어도, AlphaFold는 거의 같은 구조를 내놓곤 합니다. 변이의 효과 예측엔 한계가 있습니다.
• 결합 세기는 모른다 — '어떻게 붙는가'(기하)는 그려도, '얼마나 세게 붙는가'(친화도)는 따로입니다.
• 무질서 영역·고아 단백질 — 본래 일정한 모양이 없는 부위(IDR)는 낮은 pLDDT로 나옵니다(단, 이 낮은 신뢰도가 '여기가 무질서하다'는 유용한 신호이기도 합니다). 친척 서열이 없는 새 단백질도 약점입니다.
• 예측은 실험이 아니다 — 높은 신뢰도라도 자신 있게 틀릴 수 있습니다. X선·극저온전자현미경·NMR 같은 실험 검증은 여전히 필요합니다.

⚠️ 그래서 "단백질 폴딩을 완전히 풀었다", "실험을 대체한다"는 과장입니다. 단일 도메인 구조 예측에서 실험급 정확도를 낸 것이지, 단백질이 어떻게 접히는지(과정)나 무엇을 하는지(기능)까지 푼 게 아닙니다. 딥마인드 스스로도 "아직 답할 질문이 많다"고 했습니다.

그림 3. 예측 vs 실험 — AlphaFold는 '정지 사진' 한 장(동역학·돌연변이·결합세기엔 약함). 예측이지 실험이 아니다.

8. 경쟁과 맥락 — AlphaFold만 있는 게 아니다

같은 시기, 다른 길도 열렸습니다.

• RoseTTAFold (베이커 연구실, 2021) — AlphaFold2와 거의 동시에 나온 '3-트랙' 신경망. 오픈소스라 누구나 돌릴 수 있었습니다.
• ESMFold (메타, 2023) — 다중서열정렬 없이 단백질 '언어모델'만으로 구조를 예측. AlphaFold보다 빠르지만 정확도는 약간 낮고, 친척 서열이 없는 경우에 유리합니다.

즉 AlphaFold는 정점이지만 유일한 방법은 아니며, MSA에 덜 의존하는 방향·복합체·동역학으로 경쟁과 후속 연구가 이어지고 있습니다.

9. 핵심 정리

• ✅ 단백질 구조 예측 = 서열(아미노산 순서)로부터 3차원 모양을 알아내는 50년 난제. 원리는 Anfinsen (서열→구조).
• ✅ AlphaFold2 (딥마인드, 2020 CASP14)가 실험급 정확도로 돌파 — 중앙값 GDT 92.4 (대회 채점) / 0.96 Å (논문).
• ✅ 비결 — 진화의 흔적(MSA·공진화) + Evoformer + 구조 모듈. 결과엔 pLDDT·PAE 신뢰도가 따라온다.
• ✅ 2억 개 구조 무료 공개 + 2024 노벨 화학상(베이커 설계 / 허사비스·점퍼 예측).
• ✅ AlphaFold3 (2024)는 복합체·확산 기반 — 단, 코드 공개를 둘러싼 재현성 논쟁.
• ⚠️ 한계 — 정적 구조·돌연변이 둔감·결합 세기 모름·예측≠실험. '완전히 풀었다'·'실험 대체'는 과장.

10. 다음 학습 추천

• 🧬 단백질 구조 4단계 (1차~4차) — AlphaFold가 예측하는 바로 그 '형태' (기초)
• ⚗️ 효소(Enzyme)란? — 구조가 곧 촉매 '기능'이 되는 법 (응용)
• 🔄 중심원리(Central Dogma) — 단백질이 어디서 오는지 (기초)

References

1. Anfinsen, C. B. (1973). Principles that govern the folding of protein chains. Science, 181(4096), 223–230.
2. Jumper, J., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583–589.
3. Varadi, M., et al. (2022). AlphaFold Protein Structure Database: massively expanding structural coverage of protein-sequence space. Nucleic Acids Research, 50(D1), D439–D444.
4. Abramson, J., et al. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 630(8016), 493–500.
5. Baek, M., et al. (2021). Accurate prediction of protein structures and interactions using a three-track neural network (RoseTTAFold). Science, 373(6557), 871–876.
6. Lin, Z., et al. (2023). Evolutionary-scale prediction of atomic-level protein structure with a language model (ESMFold). Science, 379(6637), 1123–1130.
7. The Royal Swedish Academy of Sciences (2024). The Nobel Prize in Chemistry 2024 — D. Baker; D. Hassabis & J. M. Jumper. nobelprize.org.

Pipette & Pipeline · A bio portfolio journal — bridging research, data, and industry.