단백질 설계(de novo)란? — AI로 자연에 없는 단백질을 짓다 (역설계·RFdiffusion·노벨 2024 완전 정리)

원하는 표적·모양 → RFdiffusion (뼈대 생성) → ProteinMPNN (서열 설계) → AlphaFold·실험으로 검증. de novo 단백질 설계의 흐름. (직접 그린 도식)

TL;DR — AlphaFold가 이미 있는 단백질의 구조를 '읽는' 일이라면, 단백질 설계(de novo design)는 그 반대 — 원하는 모양·기능을 정해 놓고, 자연에 없던 새 단백질을 '쓰는' 일입니다. 서열에서 구조를 푸는 게 아니라, 구조에서 서열을 거꾸로 푸는 역방향(inverse) 문제입니다.

예전엔 물리·에너지 계산(Rosetta)으로 힘겹게 했지만, 이제는 두 AI 도구가 판을 바꿨습니다 — RFdiffusion (이미지 생성 AI처럼 새 '뼈대'를 만들어 냄)과 ProteinMPNN (그 뼈대에 맞는 아미노산 서열을 입힘). 여기에 AlphaFold로 검증까지 붙여, '짓고 → 입히고 → 확인하는' 파이프라인이 생겼습니다. 2024년 노벨 화학상의 나머지 절반(데이비드 베이커)이 바로 이 '설계'입니다.

다만 과장은 금물입니다. 컴퓨터에서 됐다고 실험에서 되는 건 아닙니다 — 대부분의 설계는 실패하고, 잘 되는 건 '붙는 단백질(binder)·골격'까지지, 기능(촉매·동역학)은 여전히 어렵습니다. "AI가 이제 아무 약이나 설계한다"는 과장이고, 지금까지 승인된 '컴퓨터 설계' 의약품은 사실상 하나(코로나 백신 스카이코비원)뿐입니다.

🔗 관련 글  ·  같은 단백질·AI 계열: AlphaFold 단백질 구조 예측  ·  단백질 구조 4단계

1. 예측의 반대 — '읽기'에서 '쓰기'로

AlphaFold는 서열 → 구조, 즉 이미 존재하는 단백질이 어떤 모양인지 읽습니다(예측). 단백질 설계는 정확히 그 반대입니다 — "이런 모양, 이런 기능을 가진 단백질이 필요해"라고 정한 뒤, 그걸 만들 새 아미노산 서열을 거꾸로 찾아냅니다(설계).

이걸 역방향(inverse) 문제라고 부릅니다. 그리고 'de novo (처음부터 새로)'는 자연 단백질을 손보는 게 아니라 완전히 새것을 — 때로는 자연에 없는 접힘(fold)까지 — 짓는다는 뜻입니다.

한마디로 — AlphaFold가 자연이 쓴 글을 '읽는' 일이라면, 설계는 백지에 새 단백질을 '쓰는' 일입니다.

그림 1. 읽기 vs 쓰기 — AlphaFold는 서열→구조를 '읽고'(예측), 설계는 원하는 구조·기능→서열을 거꾸로 '쓴다'(역방향).

2. AI 이전 — Rosetta와 'Top7'

이 분야를 연 건 데이비드 베이커의 연구실과 소프트웨어 Rosetta입니다. 원리는 물리였습니다 — 목표 뼈대에 대해 에너지가 가장 낮은(가장 안정한) 서열을 계산으로 찾는 에너지 최소화 방식입니다.

기념비적 증명이 Top7 (2003)입니다 — 자연에 없는 새 접힘을 가진 단백질을 컴퓨터로 설계했고, 실제로 만들어 X선으로 보니 설계도와 거의 정확히 일치했습니다(Kuhlman 외 2003). 다만 이 방식은 느리고 까다롭고 성공률이 낮았습니다. 되긴 됐지만, 손이 많이 갔습니다.

3. 두 AI 도구 — 뼈대와 서열

판을 바꾼 건 2022~2023년의 두 도구입니다.

• RFdiffusion (Watson 외 2023) — 확산(diffusion) 생성 모델입니다. 이미지 생성 AI가 노이즈에서 그림을 빚어내듯, RFdiffusion은 노이즈에서 새로운 단백질 '뼈대(backbone)'를 빚어냅니다. 표적에 붙을 결합 단백질, 대칭 복합체, 특정 자리를 품은 골격 등을 '그려' 냅니다.
• ProteinMPNN (Dauparas 외 2022) — 역접힘(inverse folding) 도구입니다. 주어진 뼈대에 대해, 그 모양으로 접힐 아미노산 서열을 설계합니다. Rosetta의 서열 설계보다 성공률이 크게 높아, 사실상 표준이 됐습니다.

즉 RFdiffusion이 '모양'을, ProteinMPNN이 '그 모양을 만들 서열'을 맡습니다.

4. 파이프라인 — 짓고 → 입히고 → 검증

두 도구와 AlphaFold를 이으면 표준 설계 흐름이 됩니다.

1. RFdiffusion — 원하는 기능(예: 어떤 표적에 붙기)에 맞는 뼈대를 생성.
2. ProteinMPNN — 그 뼈대에 맞는 서열을 입힘.
3. AlphaFold로 검증 — 설계한 서열을 다시 구조 예측해, 원래 의도한 뼈대로 되돌아오는지(자기일관성) 확인합니다. 잘 맞고 신뢰도(pLDDT)가 높은 후보만 골라 실험으로 넘깁니다.

이 '컴퓨터 안 검증' 단계가 실험 성공률을 약 10배 끌어올렸습니다. 수많은 설계 중 될 법한 것만 추려 실제로 만들어 보는, 똑똑한 깔때기인 셈입니다.

그림 2. 설계 파이프라인 — RFdiffusion이 뼈대를, ProteinMPNN이 서열을, AlphaFold가 검증을. '짓고 → 입히고 → 확인'.

5. 무엇을 짓나

설계로 만들 수 있는 것들입니다(되는 정도는 제각각).

• 결합 단백질(binder) — 원하는 표적에 달라붙는 새 단백질. 신약·진단의 핵심 응용입니다(Cao 외 2022, 표적 구조만으로 결합체 설계).
• 새 효소 — 설계한 촉매. 단, 자연 효소보다 아직 훨씬 약합니다(간단한 반응에서는 격차가 좁혀지는 중).
• 자기조립 나노입자 백신 — 설계 단백질이 스스로 뭉쳐 백신 입자가 됩니다. 대표 사례가 한국에서 승인된 코로나 백신 스카이코비원으로, '세계 첫 컴퓨터 설계 단백질 의약품'으로 불립니다. (⚠️ 단, 이건 AI 확산 모델이 아니라 Rosetta 시대의 구조 기반 설계로 만든 것입니다 — 시기를 혼동하면 안 됩니다.)
• 바이오센서·단백질 스위치 — 특정 신호에 반응해 켜지는 단백질 장치.

6. 노벨상 2024 — 예측과 설계, 한 쌍

AlphaFold 글에서 봤듯, 2024년 노벨 화학상은 이렇게 나뉘었습니다.

• 절반 — 데미스 허사비스·존 점퍼(딥마인드), 단백질 구조 예측(AlphaFold) — 구조를 읽기.
• 나머지 절반 — 데이비드 베이커(워싱턴대), 컴퓨터를 이용한 단백질 설계 — 구조를 쓰기.

'읽기(예측)'와 '쓰기(설계)'가 한 상을 나눠 받았다는 건 의미심장합니다 — 같은 혁명의 두 얼굴이라는 뜻이니까요.

7. 최전선 — 올어톰과 기업들

분야는 빠르게 나아갑니다.

• 올어톰(all-atom) 설계 — 초기 RFdiffusion은 뼈대(단백질)만 다뤘지만, RFdiffusionAA는 저분자 약물·리간드가 끼워질 자리까지 원자 수준으로 설계합니다(Krishna 외 2024).
• 기업의 물결 — 베이커가 공동 창업한 자이라(Xaira)가 2024년 약 10억 달러로 출범했고, 메타 출신의 에볼루셔너리스케일(생성형 단백질 언어모델 ESM3), 제너레이트 바이오메디슨(Chroma), 프로플루언트 등이 경쟁합니다. ⚠️ 단 대부분 전임상 단계이고, 회사마다 규모도 천차만별입니다(자이라 ~10억 달러 vs 프로플루언트 수천만 달러).

8. 한계 — 컴퓨터에서 됐다고 실험에서 되는 건 아니다

설계는 혁명이지만, 냉정해야 할 지점이 분명합니다.

• 검증이 필수, 대부분은 실패한다 — 설계는 가설일 뿐, 실제로 만들어 시험해야 합니다. 될 법한 걸 여럿 만들어 그중 되는 것을 고르는 스크리닝입니다(결합체 적중률이 한 자릿수~수십 %로, 좋아지곤 있지만 여전히 '많이 만들어 골라낸다').
• '모양'보다 '기능'이 훨씬 어렵다 — 표적에 붙는 정적 결합체는 그래도 되지만, 촉매(여러 단계 반응)·동역학·다른자리 조절(알로스테릭)은 아직 매우 어렵습니다. 설계 효소는 자연 효소보다 약합니다(단순 반응은 격차가 좁혀지는 중).
• 컴퓨터 ≠ 실험 — 모델에선 완벽해 보여도 발현·접힘·용해도·안정성에서 실패할 수 있습니다.
• 바이오안보 — 자연에 없는 단백질을 설계하는 능력은 이중용도(dual-use) 우려를 낳아, 연구계가 책임 있는 AI 단백질 설계 공동성명(2024)과 DNA 합성 단계 스크리닝을 논의하고 있습니다.

⚠️ 그래서 "AI가 이제 아무 단백질·약이나 주문하면 설계한다", "진화나 실험을 대체한다"는 과장입니다. 잘 되는 건 결합체·골격까지이고, 기능과 실험 검증이 병목입니다. 지금까지 승인된 '컴퓨터 설계' 의약품은 사실상 스카이코비원 하나뿐입니다.

그림 3. 한계 — 컴퓨터에서 잘 나와도 실험에선 대부분 실패. '모양·결합'은 되어도 '기능(촉매)'은 아직 어렵다.

9. 핵심 정리

• ✅ 단백질 설계(de novo) = 원하는 모양·기능 → 자연에 없던 새 단백질 서열을 거꾸로 찾는 역방향 문제. AlphaFold (예측)의 반대.
• ✅ AI 이전엔 Rosetta (에너지 기반, Top7 2003). 이제는 RFdiffusion (뼈대) + ProteinMPNN (서열).
• ✅ 표준 파이프라인 — 뼈대 생성 → 서열 입히기 → AlphaFold 검증(자기일관성). 검증이 성공률을 ~10배.
• ✅ 응용 — 결합체·새 효소·나노입자 백신(스카이코비원, 단 Rosetta 시대)·바이오센서.
• ✅ 노벨 2024 — 베이커(설계) + 허사비스·점퍼(예측). '쓰기'와 '읽기'가 한 쌍.
• ⚠️ 한계 — 검증 필수·대부분 실패·기능은 어려움·바이오안보. "아무 약이나 설계"·"실험 대체"는 과장.

10. 다음 학습 추천

• 🧬 AlphaFold 단백질 구조 예측 — 구조를 '읽는' 짝, 설계 파이프라인의 검증 도구 (기초)
• 🧱 단백질 구조 4단계 (1차~4차) — 설계가 빚어내는 바로 그 '형태' (기초)
• ⚗️ 효소(Enzyme)란? — 설계가 가장 어려워하는 '기능'의 끝판 (응용)

References

1. Kuhlman, B., et al. (2003). Design of a novel globular protein fold with atomic-level accuracy (Top7). Science, 302(5649), 1364–1368.
2. Huang, P.-S., Boyken, S. E., & Baker, D. (2016). The coming of age of de novo protein design. Nature, 537(7620), 320–327.
3. Dauparas, J., et al. (2022). Robust deep learning-based protein sequence design using ProteinMPNN. Science, 378(6615), 49–56.
4. Cao, L., et al. (2022). Design of protein-binding proteins from the target structure alone. Nature, 605(7910), 551–560.
5. Watson, J. L., et al. (2023). De novo design of protein structure and function with RFdiffusion. Nature, 620(7976), 1089–1100.
6. Krishna, R., et al. (2024). Generalized biomolecular modeling and design with RoseTTAFold All-Atom (RFdiffusionAA). Science, 384(6693), eadl2528.
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.