READING NOTES · AI & BIO

전사체 노화시계 — 나이·수명·개입 효과를 RNA로 읽다(Gladyshev, Nature 2026)

TL;DR
• 노화시계(aging clock)는 분자 데이터로 '생물학적 나이'를 추정하는 모델이다. 2013년 호르바트(Horvath)의 DNA 메틸화 시계가 문을 열었지만, 메틸화는 '몇 살처럼 보이나'만 맞힐 뿐 '무엇이 늙는지'는 침묵했다.
• 2026년 5월 Nature에 실린 하버드 의대·매스제너럴브리검 글라디셰프(Gladyshev) 연구진은, 유전자 발현(RNA-seq)만으로 나이·사망 위험·수명 개입 효과까지 읽는 범종 전사체 노화시계를 만들었다. 4종(생쥐·쥐·게잡이원숭이·사람) 1만 1천여 전사체·26+ 조직 통합.
• 나이 예측 범종 r=0.952로 최강 메틸화 시계(r=0.953)와 대등. 수명 연장 개입(칼로리 제한·라파마이신)은 전사체 나이를 낮추고, 단축 조건(만성 염증·Klotho 결손)은 높였다.
• 노화의 정체도 드러났다. 켜지는 유전자는 염증·세포노화(CDKN1A·LGALS3), 꺼지는 유전자는 재생·콜라겐(ECM). 전사체 시계는 메틸화만큼 정확하면서 '무엇이 늙는지'까지 보여 준다. 다만 변동성이 크고, 상관이지 인과가 아니라는 점은 짚어야 한다.

🔗 관련 글 · 노화를 재고 되돌리는 과학
• 부분 리프로그래밍으로 노화 되돌리기 — 이 시계가 방향을 읽어 내는 '회춘' 개입
• 항노화·장수 바이오텍 — 노화시계·세놀리틱·리프로그래밍이 뛰는 산업의 지형
• 후성유전학(DNA 메틸화) · RNA-seq 정규화 — 메틸화 시계와 전사체 시계의 재료

한 줄 요약

노화시계(aging clock)는 분자 데이터로 사람의 '생물학적 나이(biological age)'를 추정하는 모델이다. 2013년 호르바트(Horvath)의 DNA 메틸화 시계가 이 분야를 열었지만, 메틸화는 '지금 몇 살처럼 보이나'를 정확히 맞힐 뿐 '무엇이 늙고 있나'는 거의 말해 주지 않았다. 2026년 5월 27일 Nature에 실린 하버드 의대·매스제너럴브리검(Mass General Brigham) 글라디셰프(Gladyshev) 연구진의 논문은 그 한계를 정면으로 넘는다. 유전자 발현(RNA-seq)만으로 나이는 물론 사망 위험과 수명 개입 효과까지 읽어 내는 범종(cross-species) 전사체 노화시계를 만든 것이다. 생쥐·쥐·게잡이원숭이·사람 네 포유류의 1만 1천 개가 넘는 전사체(26개 이상 조직)를 통합해, 종과 조직을 가로질러 거의 똑같이 움직이는 '보편 노화 신호'를 찾아냈다. 이 시계의 나이 예측 정확도는 상관계수 r=0.952로, 그동안 가장 정확하다던 범포유류 메틸화 시계(r=0.953)와 사실상 어깨를 나란히 했다. 정작 중요한 건 나이 너머다. 같은 신호가 사람의 사망 시점과 연관됐고, 생쥐에서 수명을 늘리는 개입(칼로리 제한·라파마이신 등)은 전사체 나이를 낮추고, 수명을 줄이는 조건(만성 염증·Klotho 결손)은 높이는 방향으로 반응했다. 노화의 정체도 드러났다. 나이와 함께 켜지는 유전자는 염증·인터페론·세포노화(CDKN1A·LGALS3)였고, 꺼지는 유전자는 조직 재생·콜라겐(ECM) 합성이었다. 요컨대 전사체 시계는 메틸화 시계만큼 정확하면서, '무엇이 늙고 있는지'와 '개입이 그걸 되돌리는지'까지 함께 보여 준다. 다만 전사체는 조직·상태에 따라 출렁이기 쉽고, 이 시계가 밝힌 건 상관이지 인과가 아니라는 점은 분명히 짚어야 한다.

한 문장으로: DNA 메틸화 시계가 '언제(나이)'를 맞혔다면, 전사체 시계는 그만큼 정확하게 맞히면서 '무엇이 왜 늙는지'와 '개입이 그걸 되돌리는지'까지 함께 가리킨다.

1. 배경 — 노화시계는 왜, 그리고 왜 하필 전사체인가

나이는 두 가지다. 태어난 날로 세는 연대기적 나이(chronological age)와, 몸이 실제로 얼마나 낡았는지를 뜻하는 생물학적 나이(biological age). 같은 60세라도 누구는 40대의 몸을, 누구는 70대의 몸을 갖는다. 이 생물학적 나이를 분자 지표로 수치화하려는 시도가 노화시계다. 노화시계가 중요한 이유는 단순하다. 노화 개입(항노화 약물·생활습관)이 정말 몸을 젊게 만드는지 확인하려면, 사람의 수명이 다할 때까지 수십 년을 기다릴 수 없다. 대신 개입 전후로 생물학적 나이가 낮아지는지를 몇 달 만에 읽을 수 있다면, 그 자체가 강력한 대리 지표(surrogate marker)가 된다.

이 분야를 연 것이 DNA 메틸화 시계다. 2013년 스티브 호르바트(Steve Horvath)는 게놈 곳곳의 353개 CpG 부위 메틸화 값만으로 나이를 놀랍도록 정확히 맞히는 모델을 발표했다(Genome Biology). 51개 조직·8천여 시료에서 학습한 이 '범조직(pan-tissue)' 시계는 중앙값 오차 3.6년, 상관계수 r≈0.96을 기록하며 노화 생물학의 판을 바꿨다. 하지만 메틸화 시계에는 오래된 아쉬움이 있었다. 정확하지만 해석이 어렵다는 점이다. 어떤 CpG의 메틸화가 왜 나이와 함께 변하는지, 그 변화가 세포에서 무슨 기능적 결과를 낳는지는 대개 상자 밖의 문제로 남았다. 시계는 '몇 살'을 알려 줄 뿐 '무엇이 늙는지'는 침묵했다.

그래서 자연스럽게 떠오른 대안이 전사체(transcriptome), 곧 유전자 발현이다. 메틸화가 게놈에 붙은 화학 표지라면, 발현은 세포가 지금 실제로 무슨 단백질을 만들며 무엇을 하고 있는지의 직접 판독이다. 발현이 변한다는 것은 세포의 기능 상태가 변한다는 뜻이라, 전사체 시계는 원리상 '기능적으로 해석 가능한' 시계가 될 잠재력이 있었다. 실제로 2015년 피터스(Peters) 연구진은 사람 혈액 1만 4,983명을 메타분석해 나이에 따라 발현이 변하는 1,497개 유전자로 '전사체 나이(transcriptomic age)' 개념을 제시했다(Nature Communications). 그러나 초기 전사체 시계는 결정적 약점을 안고 있었다. 발현은 메틸화보다 노이즈가 크고(같은 사람도 조직·시각·컨디션에 따라 출렁인다), 대개 특정 종·조직에만 통했다. 정확도도 메틸화 시계에 미치지 못했다. 전사체는 직관적이지만 다루기 까다로운 재료였던 셈이다.

이 논문이 겨눈 갭이 바로 여기다. 종과 조직을 가로지르는 '보편' 전사체 시계를 만들 수 있는가, 그리고 그 시계로 나이를 넘어 사망 위험과 수명 개입 효과까지 읽을 수 있는가. 저자들은 네 포유류의 방대한 전사체를 한 자리에 모아, 종이 달라도 거의 똑같이 움직이는 노화 신호가 존재함을 보이고, 그 신호로 메틸화 시계에 필적하는 정확도의 시계를 세운다.

2. 작동원리 — 전사체로 나이를 읽는다는 것

전사체 노화시계의 얼개는 의외로 단순하다. 입력은 한 시료의 유전자 발현 프로파일(수천~수만 유전자의 발현량), 출력은 전사체 나이(transcriptomic age, tAge)다. 그 사이를 잇는 것이 기계학습 회귀 모델이다. 수많은 시료의 '발현 프로파일 ↔ 실제 나이' 쌍을 학습해, 어떤 유전자의 발현이 올라가거나 내려갈 때 나이가 몇 살로 예측되는지를 유전자마다 가중치로 배운다. 학습이 끝나면 새 시료의 발현값을 넣기만 해도 tAge가 나온다.

여기서 이 논문의 설계가 빛나는 지점이 몇 가지 있다. 첫째, 상대 시계와 절대 시계를 구분했다. 종마다 수명이 다르므로(생쥐 3년, 사람 80년), 나이를 절대값(년)으로만 맞히면 종을 섞을 수 없다. 그래서 각 개체의 나이를 그 종의 수명 대비 비율로 환산한 상대 나이 시계를 함께 두어, 생쥐와 사람을 같은 축에서 비교할 수 있게 했다. 둘째, 하나의 시계만 만든 게 아니라 조직별·종별·경로(모듈)별 시계를 층층이 학습했다. 덕분에 '간이 몇 살인가', '염증 경로가 몇 살인가'처럼 노화를 부위와 기능별로 쪼개 볼 수 있다.

전사체 시계가 메틸화 시계와 갈라지는 본질은 결국 재료의 성격이다. 메틸화 값은 안정적이지만 그 자체로는 기능을 말하지 않는다. 반면 발현값은 변동이 크지만 어떤 유전자·경로가 변하는지를 그대로 드러낸다. 나이와 함께 염증 유전자의 발현이 오른다면, 그 시계는 '이 사람은 68세로 보인다'와 동시에 '염증 경로가 늙고 있다'를 함께 알려 줄 수 있다. 노화시계가 단순한 나이 계산기에서 노화의 기전 지도로 넘어가는 문이 여기서 열린다.

3. 방법 — 1만 1천 전사체·네 종, 그리고 검증의 엄밀함

이 시계가 신뢰를 얻는 근거는 데이터의 규모와 검증의 엄격함에 있다.

데이터. 연구진은 공개 데이터를 대대적으로 긁어모아, 생쥐·쥐·게잡이원숭이·사람 네 포유류의 1만 1천 개가 넘는 전사체를 통합했다. 조직은 26종을 웃돌아, 면역세포·줄기세포부터 간·근육·뇌·피부·혈액까지 아울렀다. 설치류만 해도 96개 데이터 출처에서 4,539개 전사체를 모은 메타 데이터셋을 구축했다. 노화 연구에서 이 정도로 종·조직을 폭넓게 가로지른 전사체 통합은 드물다. 규모가 커야 종·조직이라는 잡음을 걷어 내고 '진짜 노화 신호'만 남길 수 있기 때문이다.

모델. 시계 학습에는 엘라스틱넷(elastic net)과 베이지안 리지(Bayesian Ridge) 회귀를 썼다. 둘 다 유전자 수(수만)가 시료 수보다 훨씬 많은 상황에서 과적합을 억제하도록 규제(regularization)를 거는 선형 모델이다. 화려한 심층신경망 대신 해석 가능한 선형 회귀를 택한 것은, 이 시계의 목적이 '블랙박스 예측'이 아니라 '어떤 유전자가 노화에 기여하는지'를 읽어 내는 데 있기 때문이다. 앞서 말한 상대·절대·조직·종·모듈별 시계를 이 틀로 각각 학습했다.

검증. 가장 공들인 대목이다. 노화시계에서 흔한 함정이 '학습에 쓴 데이터에서만 잘 맞는' 과적합인데, 저자들은 이를 겹겹의 leave-one-out 교차검증으로 막았다. 조직 하나를 통째로 빼고 학습(leave-one-tissue-out)해도 남은 조직에서 중앙값 r=0.863~0.878을 유지했고, 더 가혹하게 종 하나를 통째로 빼고(leave-one-species-out) 한 번도 본 적 없는 종에 적용해도 0.66≤r≤0.84로 버텼다. 학습에서 배제한 종에까지 시계가 일반화된다는 것은, 이 신호가 특정 종의 우연이 아니라 포유류에 보편적임을 강하게 시사한다.

사망 시계. 나이 시계와 별개로, 기대 사망 위험을 겨냥한 시계도 학습했다. 데이터셋 하나씩 빼는 교차검증에서 예측된 위험은 실제와 r=0.81~0.85로 상관했고, 데이터 출처를 빼는 검증에서는 중앙값 r=0.91~0.95에 이르렀다. 결정적으로, 이 사망 시계는 수명을 늘리는 개입과 줄이는 개입을 통계적으로 또렷이 갈라냈다(다중검정 보정 P값 3×10⁻⁶ 미만).

4. 주요 결과 — 정확도, 사망 예측, 개입 방향

① 나이 — 메틸화 시계와 대등하다. 다조직 상대 시계는 중앙값 R²=0.92, r=0.96을 기록했고, 절대 나이 시계도 R²=0.88, r=0.94였다. 종을 가로지르는 보편 시계의 tAge는 실제 나이와 r=0.952로 상관했다. 이 숫자가 갖는 무게는 비교 상대를 봐야 드러난다. 같은 데이터에서 가장 강력한 기존 시계인 범포유류 DNA 메틸화 시계의 상관이 r=0.953이었다. 전사체 시계가 메틸화 시계와 소수점 셋째 자리에서 겨룬 것이다. '노이즈가 커서 메틸화를 못 따라간다'던 전사체 시계의 오랜 약점이, 충분한 규모와 범종 설계 앞에서 사실상 무너졌다.

② 사망 위험 — 사람의 죽음을 가리킨다. 노화시계의 궁극적 시험대는 나이가 아니라 사망 예측이다. 이 시계의 노화·사망 신호는 사람에서 사망까지 남은 시간과 연관됐다. 특히 시계의 핵심 유전자인 CDKN1A와 LGALS3은, 그 단백질 수준이 대규모 코호트인 UK 바이오뱅크(UK Biobank)에서 사망률·다중이환(multimorbidity)과 연관됨이 확인됐다. 전사체에서 잡아낸 신호가 유전자→단백질→임상 결과로 이어진다는 뜻이라, 시계가 단순한 통계적 우연이 아님을 뒷받침한다.

③ 수명 개입 — 방향이 맞다. 이 논문의 가장 흥미로운 결과다. 미국 국립노화연구소의 중재검증프로그램(ITP)에서 수명을 실제로 늘린 약물 — 라파마이신(rapamycin), 카나글리플로진(canagliflozin), 캅토프릴(captopril), 17-α-에스트라디올(17-α-estradiol), 라파마이신+아카보스 조합 — 을 늙은 생쥐에 투여하자, 사망 시계가 읽은 전사체 나이가 낮아졌다. 칼로리 제한(caloric restriction) 역시 여러 모듈 시계에서 나이를 낮췄다. 반대로 수명을 줄이는 조건 — 노화 가속 모델인 Klotho 결손, 만성 염증 — 은 tAge를 높였다. 개입의 방향(수명 연장 ↔ 단축)과 시계의 방향(젊어짐 ↔ 늙음)이 일관되게 맞아떨어진 것이다. 나아가 부분 리프로그래밍(회춘)처럼 세포를 젊게 되돌리는 개입도 이 시계로 방향을 읽을 수 있다.

5. 기전 — 무엇이 늙는가: 보편 유전자와 28개 모듈

전사체 시계의 가장 큰 배당금은 정확도가 아니라 해석 가능성이다. 시계에 큰 가중치로 들어간 유전자들을 들여다보면, 종과 조직을 가로질러 노화가 어떤 얼굴을 하는지가 보인다.

나이와 함께 켜지는 유전자(사망 위험↑). 대표 주자가 CDKN1A(p21, 세포주기 억제·세포노화의 표지)와 LGALS3(갈렉틴-3, 염증·섬유화)다. 그 밖에 Gpnmb·Cst7·Casp1·S100a8·Vsig4·Eda2r처럼 염증·면역 활성·세포노화와 얽힌 유전자들이 나이와 함께 일제히 상향 조절됐다. 늙는다는 것은 분자 수준에서 만성 염증에 서서히 잠기는 과정임을, 시계가 유전자 이름으로 지목한 셈이다.

나이와 함께 꺼지는 유전자(사망 위험↓). 반대편에는 조직 재생·상처 치유와 관련된 Nrep, 그리고 콜라겐을 만드는 Col1a1·Col3a1, 세포외기질(ECM) 합성을 조율하는 Sparc가 있다. 나이가 들수록 조직을 새로 짓고 고치는 프로그램이 잦아든다는 이야기다.

이 개별 유전자들은 홀로 놀지 않았다. 저자들은 함께 움직이는 유전자들을 묶어 28개의 공동조절 모듈(co-regulated module)로 정리했다. 나이와 함께 활성화되는 모듈은 염증·인터페론 신호·TNF와 p53 신호·보체/응고·저산소 반응이었고, 잦아드는 모듈은 미토콘드리아 번역과 산화적 인산화(OXPHOS)·DNA 수선·콜라겐/ECM 조직화였다. 세포노화(inflammation)와 에너지대사 저하라는 노화의 두 축이 전사체 지형에 그대로 새겨져 있었다.

모듈별 시계가 개입의 표적을 분해한다. 노화를 경로별로 쪼갠 덕에, 어떤 개입이 어떤 모듈을 건드리는지가 보였다. 만성 질환은 주로 염증 모듈의 노화를 가속한 반면, 칼로리 제한과 Klotho 결손은 미토콘드리아·대사 모듈(헴 대사/활성산소, 지질/PPAR, 콜레스테롤/mTOR)을 주로 건드렸다. 같은 '노화 가속'이라도 병(염증)과 대사(칼로리)가 서로 다른 문으로 들어온다는 것을, 하나의 뭉뚱그린 나이가 아니라 모듈별 나이가 구분해 낸 것이다. 덧붙여 사람 혈액에서는 전사체 시계와 메틸화 시계의 '나이 가속'이 서로 상관했는데, 그 상관은 염색질 관련 모듈 시계에서 가장 강했다. 두 시계가 완전히 남남이 아니라, 노화의 같은 층을 다른 언어로 읽고 있음을 시사한다.

6. 비교연구 — 메틸화·전사체·단백체·염증 시계

노화시계는 이제 여러 갈래로 자란 숲이다. 이 전사체 시계의 위치는 다른 시계들과 나란히 놓아야 선명해진다.

① 메틸화 시계 — 가장 정확하지만 말이 없다. 호르바트 2013 시계는 지금도 정확도와 재현성의 기준점이다. 그러나 앞서 말했듯 '왜 그 CpG가 변하는지'를 설명하지 못한다. 노화의 결과를 정밀하게 재는 온도계이되, 그 열이 어디서 오는지는 알려 주지 않는 셈이다. 이 논문의 전사체 시계가 메틸화 시계와 정확도에서 대등해진 순간(r=0.952 대 0.953), '정확도는 메틸화, 해석은 포기'라는 오래된 맞바꿈이 더는 필연이 아니게 됐다.

② 전사체 시계 — 직관을 규모로 구제하다. 피터스 2015처럼 초기 전사체 시계는 사람 혈액에 국한됐고 노이즈에 시달렸다. 이 논문의 기여는 규모와 범종 설계로 그 약점을 덮은 데 있다. 발현이라는 재료의 기능적 투명성은 살리면서, 정확도의 격차는 데이터로 메웠다.

③ 단백체·염증 시계 — 임상에 더 가까운 창. 혈장 단백체 시계는 채혈 한 번으로 잴 수 있어 임상 친화적이다. 아르젠티에리(Argentieri) 2024는 UK 바이오뱅크에서 2,897개 혈장 단백질 중 204개로 나이를 예측하고, 심장·간·신장·폐 질환과 당뇨·신경퇴행·암 등 18개 만성질환과 전체 사망 위험을 예측했다(Nature Medicine). 사예드(Sayed) 2021의 염증 시계 iAge는 딥러닝으로 염증 사이토카인을 읽어 다중이환·면역노화·노쇠·심혈관 노화를 추적했다(Nature Aging). 전사체 시계와 이들은 경쟁이라기보다 상호보완이다. 전사체가 '세포 안에서 무엇이 늙는지'를 넓게 그린다면, 단백체·염증 시계는 '혈액에서 무엇을 재고 무엇을 표적할지'를 좁혀 준다.

7. 의의 & 한계 — '해석 가능한 시계'의 무게와, 남은 물음표

의의. 이 논문의 가장 큰 성취는 정확도 숫자가 아니라 노화시계의 문법을 바꿨다는 데 있다. 첫째, 전사체 시계가 메틸화 시계에 필적하는 정확도에 도달함으로써, '정확도를 얻으려면 해석을 포기해야 한다'는 맞바꿈을 깼다. 둘째, 나이를 넘어 사망 위험과 수명 개입 방향까지 같은 틀로 읽어, 시계를 진단 도구에서 개입 평가 도구로 확장했다. 셋째, 종을 가로지르는 보편 시계라 동물실험과 사람을 잇는 다리가 된다. 생쥐에서 tAge를 낮춘 약물이 사람의 같은 신호를 겨냥한다면, 항노화 후보를 걸러 내는 스크리닝이 훨씬 빨라진다. 저자들이 공개 웹 도구 TACO(Transcriptomic Age Calculator Online)와 R 패키지 tAge를 함께 내놓아, 누구나 자기 전사체로 시계를 돌려 볼 수 있게 한 점도 이 확장을 뒷받침한다.

한계. 그러나 냉정을 지킬 지점이 여럿이다.

• 변동성. 전사체는 메틸화보다 태생적으로 출렁인다. 같은 개체라도 조직·채취 시각·컨디션·시료 처리에 따라 발현이 흔들려, 재현성 관리가 메틸화 시계보다 까다롭다. 규모로 상당 부분 덮었지만, 개인 단위의 임상 적용에서는 표준화가 관건으로 남는다.
• 상관이지 인과가 아니다. 시계가 지목한 유전자·모듈은 노화와 함께 움직인다는 것이지, 그것을 되돌리면 노화가 멈춘다는 증명이 아니다. tAge를 낮추는 개입이 실제 수명을 늘리는지는 별개의 문제이며, 시계는 방향을 가리킬 뿐 인과를 확정하지 않는다.
• 조직 특이성과 벌크 RNA. 학습이 특정 조직에 치우치면 그 조직의 노화만 잘 보게 된다. 또 대부분이 조직을 통째로 간 벌크 RNA-seq이라, 실제로는 세포 조성 변화(예: 늙은 조직에 면역세포 증가)를 '발현 변화'로 오독할 여지가 있다. 단일세포 전사체로 이 교란을 걷어 내는 후속이 필요하다.
• 대리 지표의 함정. tAge가 낮아졌다는 것은 고무적 신호이지, 그 자체가 임상적 유효성(더 오래·건강하게 산다)의 증명은 아니다. 어떤 노화시계도 아직 규제 기관이 인정하는 임상 평가변수는 아니다.

References

1. Tyshkovskiy, A., Gladyshev, V.N., et al. (2026). Universal transcriptomic hallmarks of mammalian ageing and mortality. Nature 654(8117):173–188, 2026-05-27. doi:10.1038/s41586-026-10542-3 (앵커 — 4종[생쥐·쥐·게잡이원숭이·사람] 1만 1천여 전사체·26+ 조직 통합 범종 전사체 노화시계. 나이 예측 다조직 상대 R²=0.92·r=0.96, 절대 R²=0.88·r=0.94, 범종 보편 r=0.952[메틸화 r=0.953과 대등]. leave-one-tissue-out r=0.863~0.878·leave-one-species-out 0.66~0.84. 사망 시계가 수명 연장/단축 개입 판별[보정 P<3×10⁻⁶]. 보편 노화 유전자 CDKN1A·LGALS3 등, 28개 모듈. 공개 도구 TACO·R 패키지 tAge)
2. Horvath, S. (2013). DNA methylation age of human tissues and cell types. Genome Biology 14(10):R115. doi:10.1186/gb-2013-14-10-r115 (비교 — 노화시계의 원점. 353개 CpG·51개 조직·8천여 시료 학습한 범조직 DNA 메틸화 시계, 중앙값 오차 3.6년·r≈0.96. 정확하나 기능 해석·인과는 약함)
3. Peters, M.J., et al. (2015). The transcriptional landscape of age in human peripheral blood. Nature Communications 6:8570. doi:10.1038/ncomms9570 (비교 — 초기 대규모 전사체 시계. 사람 혈액 1만 4,983명 메타분석·나이 연관 1,497개 유전자로 '전사체 나이' 개념 제시. 단 사람 혈액에 국한·노이즈로 메틸화 대비 정확도 낮았음)
4. Argentieri, M.A., et al. (2024). Proteomic aging clock predicts mortality and risk of common age-related diseases in diverse populations. Nature Medicine 30:2450–2460. doi:10.1038/s41591-024-03164-7 (비교 — 단백체 시계. UK 바이오뱅크 2,897개 혈장 단백질 중 204개로 나이 예측, 18개 만성질환·전체 사망 위험 연관·다인종 검증)
5. Sayed, N., et al. (2021). An inflammatory aging clock (iAge) based on deep learning tracks multimorbidity, immunosenescence, frailty and cardiovascular aging. Nature Aging 1:598–615. doi:10.1038/s43587-021-00082-y (비교 — 염증 시계. 딥러닝으로 염증 사이토카인 패널을 읽어 다중이환·면역노화·노쇠·심혈관 노화 추적. 단일 축[염증]에 특화)
6. Mass General Brigham (2026). Gene Expression 'Clocks' Reveal Shared Molecular Signatures of Aging and Mortality Across Mammals. Press release, 2026-05-27. massgeneralbrigham.org (배경 — 앵커 논문 공식 발표·저자[Tyshkovskiy·Gladyshev, Division of Genetics] 및 도구[TACO 웹앱·tAge R 패키지] 안내)

Pipette & Pipeline · A bio portfolio journal

READING NOTES · AI & BIO

AlphaGenome — AI가 비암호 DNA·조절변이를 읽다 (DeepMind, Nature 2026)

TL;DR
• 사람 유전체에서 단백질을 직접 암호화하는 부분은 2%뿐이고, 나머지 98%는 유전자를 언제·얼마나 켤지 정하는 조절⁠(regulatory) 영역이다. 질병 연관 변이의 대부분도 이 비암호⁠(non-coding) 영역에 떨어지는데, 그 변이가 '무슨 일을 하는지' 읽을 도구가 없었다.
• AlphaGenome⁠(Google DeepMind, Nature 2026)은 100만 염기⁠(1 Mb) DNA를 입력받아 발현·스플라이싱·접근성·전사인자 결합·염색질 접촉 등 11종 모달리티를 단일염기⁠(1 bp) 해상도로 한꺼번에 예측하는 단일 모델이다. 변이효과 26개 평가 중 25개에서 외부 최고 모델과 동급 이상, 전 모달리티를 동시에 다룬 최초 사례다.
• 핵심 의의 — GWAS가 가리킨 비암호 변이의 *연관*을 *기전*으로 잇는 다리다. '유전체 조절코드의 AlphaFold'라 부를 만하다. 다만 예측은 가설이지 증거가 아니며, 최종 인과 판정은 실험의 몫이다.

📚 함께 읽으면 좋은 글
• GWAS⁠(전장유전체 연관분석) — 비암호 변이의 *연관*을 찾지만 *기전*은 못 밝히는, AlphaGenome이 잇는 그 빈칸
• AlphaFold2 · AlphaFold3 — 단백질 구조 예측. 조절코드 예측과 중심원리의 반대편(상보적)
• Evo 2⁠(유전체 파운데이션 모델) · 변이 호출⁠(variant calling) — 서열 생성 vs 기능 예측 / 변이를 찾고 → 해석하는 다음 단계

한 줄 요약

사람 유전체에서 단백질을 직접 암호화하는 부분은 2%뿐이고, 나머지 98%는 언제·어디서·얼마나 유전자를 켤지 결정하는 조절⁠(regulatory) 영역이다. 질병과 연관된 유전 변이의 대부분도 바로 이 비암호⁠(non-coding) 영역에 떨어진다. 문제는 그 변이가 '무슨 일을 하는지'를 읽어낼 도구가 마땅치 않았다는 점이다. Google DeepMind가 2026년 1월 Nature에 발표한 AlphaGenome은 100만 염기⁠(1 Mb) 길이의 DNA 서열을 입력받아, 유전자 발현·스플라이싱·염색질 접근성·전사인자 결합·염색질 접촉 등 11종의 기능 유전체 신호를 단일염기⁠(single-base-pair) 해상도로 한꺼번에 예측하는 단일 모델이다. 변이효과 예측 26개 평가 중 25개에서 각 분야 최고 외부 모델과 동급이거나 그 이상을 기록했고, 모든 모달리티를 하나의 모델로 동시에 다룬 것은 AlphaGenome이 처음이다. 전임 모델 Enformer가 20만 염기·128 염기 해상도였던 데서 맥락 길이와 해상도, 그리고 다룰 수 있는 모달리티 수가 한 단계 도약했다.

한 문장으로: 비암호 DNA와 조절 변이의 기능을 단일염기 해상도로 한꺼번에 읽어내는, 유전체 조절코드의 AlphaFold라 부를 만한 모델이다.

1. 배경 — 게놈의 98%는 '읽었지만 해석 못 한' 암흑물질이었다

2003년 인간 게놈 프로젝트가 30억 염기쌍을 다 읽었을 때, 많은 사람이 생명의 설계도를 손에 넣었다고 생각했다. 그런데 막상 그 설계도에서 단백질을 직접 암호화하는 부분, 곧 유전자의 엑손⁠(exon)을 모두 더해도 전체의 약 2%에 불과했다. 나머지 98%는 한때 '정크 DNA (junk DNA)'라 불렸지만, 지금은 그 상당 부분이 유전자를 언제·어느 조직에서·얼마나 켤지 조율하는 조절 요소⁠(regulatory element)임이 밝혀졌다. 프로모터⁠(promoter), 인핸서⁠(enhancer), 사일런서⁠(silencer), 인슐레이터⁠(insulator) 같은 스위치가 비암호 영역에 흩어져 있고, 이들이 망가지거나 미세하게 달라지면 단백질 서열은 그대로인데도 유전자 발현량이 바뀌어 질병으로 이어진다.

이 지점이 GWAS⁠(전장유전체 연관분석)의 오랜 딜레마와 맞닿는다. GWAS는 수만~수십만 명의 유전체를 훑어 특정 형질·질병과 통계적으로 연관된 변이를 찾아낸다. 그런데 이렇게 찾아낸 질병 연관 변이의 약 90%가 단백질을 바꾸지 않는 비암호 영역에 떨어진다. 즉 GWAS는 "이 자리가 질병과 관련 있다"는 연관⁠(association)은 가리키지만, "그 변이가 실제로 어떤 분자적 효과를 내서 병을 일으키는가"라는 기전⁠(mechanism)은 답하지 못한다. 통계적 신호는 잡았는데 그 신호가 어느 유전자를, 어느 조직에서, 어떻게 바꾸는지는 빈칸으로 남는 것이다. 후보 변이 하나하나를 실험으로 검증하려면 막대한 시간과 비용이 든다.

그래서 등장한 우회로가 'DNA 서열만 보고 그 자리의 기능을 예측하는' 딥러닝이다. 발상은 명료하다. 만약 어떤 모델이 임의의 DNA 서열을 입력받아 '이 자리에서 유전자가 얼마나 발현되는지, 염색질이 열려 있는지, 어떤 단백질이 와서 붙는지'를 정확히 예측할 수 있다면, 변이 전후의 서열을 각각 넣어 그 차이를 계산함으로써 변이의 기능적 효과를 in silico로 추정할 수 있다. 실험 대신 모델 추론으로 변이의 결과를 미리 가늠하는 것이다. DeepMind의 Enformer (2021)가 이 방향의 대표 주자였지만, 다룰 수 있는 맥락 길이와 모달리티에 한계가 있었다. AlphaGenome은 바로 그 한계를 넓히려는 시도다.

2. 방법 — 1 Mb를 읽어 단일염기로, 11종을 한 번에

AlphaGenome의 설계 목표는 세 가지로 압축된다. 더 긴 맥락, 더 높은 해상도, 더 많은 모달리티를 하나의 모델로. 유전자 조절은 멀리 떨어진 인핸서가 수십만 염기 너머의 프로모터에 작용하는 식의 장거리 상호작용이 흔하므로 긴 맥락이 필요하고, 스플라이스 부위처럼 단일 염기 하나가 결과를 가르는 경우가 있어 높은 해상도가 필요하며, 한 변이가 발현·접근성·결합을 동시에 흔들 수 있으니 여러 모달리티를 함께 봐야 한다.

입력과 출력. 모델은 100만 염기쌍⁠(1 Mb)의 DNA 서열을 한 번에 입력받는다. 출력은 그 구간 전체에 걸친 기능 유전체 트랙을, 대부분의 모달리티에서 단일염기⁠(1 bp) 해상도로 내놓는다 (염색질 접촉 지도만 2,048 bp 해상도). 사람 기준 5,930개, 생쥐 기준 1,128개의 기능 유전체 트랙을 동시에 예측한다. 트랙 하나하나가 특정 세포·조직·실험 조건에서 측정된 신호에 대응하므로, 같은 변이라도 어느 조직에서 어떤 효과를 내는지 세포 맥락별로 읽어낼 수 있다.

11종 모달리티. 예측 대상은 기능 유전체학의 주요 측정 방식을 폭넓게 아우른다. 정리하면 ① 유전자 발현 RNA-seq, ② 전사 개시·발현 CAGE (cap analysis of gene expression), ③ 전사 개시 PRO-cap, ④ 스플라이스 부위⁠(splice site), ⑤ 스플라이스 부위 사용량⁠(splice site usage), ⑥ 스플라이스 정션⁠(splice junction), ⑦ 염색질 접근성 DNase-seq, ⑧ 염색질 접근성 ATAC-seq, ⑨ 히스톤 수식 ChIP-seq, ⑩ 전사인자 결합 ChIP-seq, ⑪ 염색질 접촉 지도 Hi-C/Micro-C다. 발현·전사·스플라이싱·접근성·히스톤·전사인자·3차원 접촉이라는 조절의 핵심 층위를 하나의 모델이 한꺼번에 예측한다는 점이 AlphaGenome의 가장 큰 특징이다. 그전까지는 각 모달리티마다 별도의 특화 모델⁠(스플라이싱은 스플라이싱 모델, 접근성은 접근성 모델)을 따로 써야 했다.

아키텍처와 학습. 모델은 합성곱⁠(convolution)으로 국소 서열 패턴을 잡고 트랜스포머⁠(transformer)로 장거리 상호작용을 통합하는 하이브리드 구조를 쓴다. 인간과 생쥐 유전체의 공개 기능 유전체 데이터 (ENCODE·GTEx·FANTOM·4D Nucleome 등)로 학습했다. 흥미로운 점은 효율이다. 논문에 따르면 AlphaGenome 학습에는 약 4시간이 걸렸고, 이는 전임 Enformer 학습에 쓰인 연산 예산의 절반 수준이다. 더 크고 복잡한 출력을 내면서도 학습 비용은 오히려 줄인 셈이다.

변이효과는 어떻게 읽나. 핵심 활용은 변이효과 예측⁠(variant effect prediction)이다. 방법은 직관적이다. 참조⁠(reference) 서열과 변이⁠(alternate) 서열을 각각 모델에 넣어 모든 트랙의 예측값을 얻은 뒤, 둘의 차이를 계산한다. 어떤 비암호 변이를 넣었더니 특정 조직에서 RNA-seq 신호가 떨어지고 그 부근 전사인자 결합이 약해진다면, 그 변이가 해당 유전자의 발현을 떨어뜨리는 조절 변이일 가능성을 정량적으로 가리키는 것이다. 보존도⁠(conservation) 기반 점수가 '얼마나 해로운가'만 말할 뿐 기전에는 무관심한 것과 달리, AlphaGenome은 변이가 발현·접근성·결합을 어느 방향으로 바꾸는지까지 함께 내놓는다.

3. 결과 — 26개 중 25개, 그리고 '동시에 다 푸는' 유일한 모델

AlphaGenome의 성능은 두 축으로 평가됐다. 하나는 학습에 쓰지 않은 게놈 구간에서 기능 유전체 트랙 자체를 얼마나 잘 예측하는가⁠(genome track prediction), 다른 하나는 변이 전후의 차이로 변이의 효과를 얼마나 잘 맞히는가⁠(variant effect prediction)다. 후자가 임상·유전학적으로 더 중요하다.

변이효과 예측 — 26개 중 25개. 인간·생쥐 데이터로 학습한 AlphaGenome은 변이효과 예측 26개 평가 중 25개에서 각 분야의 가장 강력한 외부 모델과 동급이거나 그 이상을 기록했다. 평가 항목은 유전자 발현 변화, 스플라이싱, 폴리아데닐화, 인핸서-유전자 연결, DNA 접근성, 전사인자 결합 등 조절의 거의 모든 축을 포괄한다. 단일 모델이 이렇게 넓은 범위의 변이효과 과제에서 두루 최고 수준을 보인 전례가 없다.

트랙 예측 — 24개 중 22개. 변이가 아닌 트랙 자체의 예측에서도 AlphaGenome은 24개 평가 중 22개에서 외부 모델을 앞섰다. 구체적 개선폭을 보면, 세포 유형별 유전자 발현 로그 배수변화⁠(log-fold change) 예측에서 Borzoi 대비 14.7% 상대 개선, 염색질 접촉 지도의 피어슨 상관 (Pearson r)에서 Orca 대비 6.3% 개선을 보고했다. 스플라이싱·접근성처럼 특화 모델이 강세였던 영역에서도 ProCapNet·ChromBPNet 같은 전용 모델을 넘어서거나 동급에 도달했다.

진짜 의미는 '통합'에 있다. 개별 숫자보다 중요한 것은, 그동안 따로따로 풀던 문제들을 하나의 모델이 한꺼번에 풀었다는 점이다. 어떤 비암호 변이가 주어졌을 때, 그 변이가 전사인자 결합을 어떻게 바꾸고, 그로 인해 염색질 접근성이 어떻게 달라지며, 결국 유전자 발현과 스플라이싱이 어느 방향으로 움직이는지를 동시에, 같은 좌표계 위에서 읽어낼 수 있다. 변이의 기전을 분해해 보여주는 셈이다. 게다가 단일염기 해상도이므로, 인핸서 안의 정확히 어느 염기가 그 효과의 책임자인지까지 지목할 수 있다.

접근성. DeepMind는 AlphaGenome을 비상업 연구용 API로 공개했다. 누구나 변이를 넣어 예측을 받아볼 수 있고, 상업적 이용은 별도 문의가 필요하다. AlphaFold가 구조 예측을 민주화했듯, 조절 변이 해석의 문턱을 낮추려는 행보다.

4. 비교 — Enformer에서 무엇이 도약했고, AlphaFold·Evo 2와 어떻게 다른가

AlphaGenome의 자리를 정확히 보려면 세 모델과 나란히 놓아야 한다. 직계 전임인 Enformer, 같은 DeepMind의 구조 예측 모델 AlphaFold, 그리고 유전체 생성 모델 Evo 2다.

① Enformer (전임) — 무엇이 도약했나. Enformer는 2021년 Nature Methods에 발표된, DNA 서열에서 유전자 발현을 예측한 트랜스포머 모델이다 (Avsec et al. 2021). 약 200 kb의 맥락을 128 bp 해상도로 읽었고, 당시로선 장거리 상호작용을 잡는 능력으로 주목받았다. AlphaGenome은 그 직계 후손이면서 세 가지가 분명히 도약했다. 맥락 길이는 200 kb에서 1 Mb로 약 5배, 해상도는 128 bp에서 단일염기로 128배 정밀해졌고, 다루는 모달리티는 발현 중심에서 스플라이싱·전사인자 결합·염색질 접촉을 포함한 11종으로 넓어졌다. 그러면서 학습은 Enformer의 절반 연산으로 끝냈다. 같은 계보 안에서 일어난 세대교체라는 점에서, AlphaGenome은 'Enformer 2.0'이 아니라 적용 범위 자체가 달라진 모델이다.

② AlphaFold (상보적) — 구조 대 조절. 같은 DeepMind의 AlphaFold2·AlphaFold3는 단백질·복합체의 3차원 구조를 예측한다. 단백질이 '어떻게 생겼는가'를 푸는 도구다. 반면 AlphaGenome은 DNA의 조절 기능을 예측한다. 유전자가 '언제·얼마나 켜지는가'를 푸는 도구다. 둘은 경쟁이 아니라 상보적이다. AlphaFold가 중심원리⁠(central dogma)의 단백질 끝단 (아미노산 서열 → 구조)을 다룬다면, AlphaGenome은 그 반대편 시작단 (DNA 서열 → 발현 조절)을 다룬다. DeepMind 스스로도 AlphaGenome을 AlphaMissense (단백질 코딩 변이의 병원성 예측)와 상보적이라 설명한다. 코딩 변이는 AlphaMissense가, 비암호 조절 변이는 AlphaGenome이 맡는 분업 구도다.

③ Evo 2 (예측 대 생성) — 같은 1 Mb, 다른 목적. Evo 2는 Arc Institute가 2025년 공개한 유전체 파운데이션 모델로, 9.3조 염기에 달하는 모든 생물계의 서열로 학습한 400억 파라미터 규모의 모델이다. Evo 2도 최대 1 Mb 맥락을 다루지만 성격이 다르다. Evo 2는 DNA·RNA·단백질의 언어를 학습해 변이의 병원성을 예측하는 동시에 새로운 서열을 생성하는 범용 모델, 곧 생성형⁠(generative) 쪽에 무게가 있다. 반면 AlphaGenome은 생성하지 않는다. 대신 기존 서열의 기능 유전체 신호를 정밀하게 예측하는 데 특화돼, 어느 조직에서 발현이 얼마나 바뀌는지 같은 측정 가능한 출력을 단일염기 해상도로 내놓는다. 한쪽이 '쓰는' 모델이라면 다른 한쪽은 '읽는' 모델이다. 변이의 구체적 조절 기전을 정량적으로 분해하는 일에서는 AlphaGenome이 더 직접적인 도구다.

세 모델을 겹쳐 보면 AI×생물학의 지형이 또렷해진다. 구조는 AlphaFold, 서열 생성은 Evo 2, 그리고 비암호 조절코드의 기능 해석은 AlphaGenome이 각각의 자리를 잡았다. AlphaGenome의 고유성은 'GWAS가 가리킨 연관을 기전으로 잇는, 조절 변이 전용 해석기'라는 데 있다.

5. 의의 & 한계 — GWAS 히트를 기전으로 잇다, 다만 예측은 검증을 대체하지 않는다

의의. 가장 큰 의미는 비암호 변이 해석이라는 현대 유전체학의 최대 난제에 실용적 도구가 생겼다는 점이다. GWAS는 수많은 질병 연관 신호를 비암호 영역에서 찾아냈지만, 그 신호들이 어느 유전자를 어떻게 바꾸는지는 대부분 빈칸이었다. AlphaGenome은 그 빈칸에 '이 변이는 이 조직에서 이 유전자의 발현을 이 방향으로 바꾼다'는 기전 가설을 채워 넣는다. 연관에서 기전으로 넘어가는 다리인 셈이다. 단일 모델로 11종 모달리티를 동시에 보므로 변이의 효과를 한 좌표계 위에서 통합적으로 읽을 수 있고, 단일염기 해상도라 책임 염기까지 지목한다. 비상업 API로 공개돼 접근성도 확보했다. 실제로 발표 직후 다른 연구진이 AlphaGenome 예측으로 RHD 유전자의 비암호 조절 변이를 우선순위화하고 이를 습식 실험 (wet-lab)으로 검증한 후속 연구가 나오는 등, 도구로서 빠르게 활용되기 시작했다.

한계. 그러나 분명한 경계가 있다.

• 예측은 가설이지 증거가 아니다. AlphaGenome의 출력은 '이 변이가 이런 효과를 낼 것'이라는 정량적 가설이다. 모델이 학습한 데이터의 분포 안에서 추론한 결과이므로, 학습 데이터가 빈약한 세포 유형이나 드문 조절 양식에서는 빗나갈 수 있다. 최종 인과 판정은 여전히 실험적 검증 (리포터 분석·CRISPR 교란·기능 검증)의 몫이다.
• 발현량 절대값 예측의 한계. 변이의 상대적 효과⁠(방향과 크기)는 잘 잡지만, 어떤 유전자의 절대 발현량을 정확히 맞히는 일은 여전히 어렵다. 모델의 개발진을 포함해 여러 전문가가 이 점을 신중히 해석하라고 짚는다.
• 인과 변이 지목의 모호성. GWAS 신호는 연관 불평형 (linkage disequilibrium)으로 여러 변이가 함께 묶여 오는 경우가 많다. AlphaGenome이 후보를 좁혀 주긴 하지만, 한 좌위 안에서 어느 하나가 진짜 인과 변이인지를 단독으로 확정하지는 못한다.
• 장기적·맥락적 효과. 모델은 서열에서 직접 읽히는 분자 신호를 예측할 뿐, 발달 시점이나 환경 자극에 따른 동적 조절, 세대를 건너는 후성유전적 영향 같은 더 복잡한 맥락은 다루지 못한다.

References

1. Avsec, Ž., Latysheva, N., Cheng, J., et al. (2026). Advancing regulatory variant effect prediction with AlphaGenome. Nature. doi:10.1038/s41586-025-10014-0 (핵심 — 1 Mb 입력·단일염기 해상도·11종 모달리티 단일 모델, 변이효과 26개 중 25개 외부 최고 모델 동급↑)
2. Avsec, Ž., Agarwal, V., Visentin, D., et al. (2021). Effective gene expression prediction from sequence by integrating long-range interactions. Nat Methods 18:1196–1203. doi:10.1038/s41592-021-01252-x (비교·전임 — Enformer, 200 kb 입력·128 bp 해상도 발현 예측 트랜스포머)
3. Brixi, G., Durrant, M.G., Ku, J., et al. (2025). Genome modeling and design across all domains of life with Evo 2. bioRxiv / Arc Institute. (비교 — 9.3조 염기·400억 파라미터 유전체 파운데이션 모델, 생성·예측 범용)
4. Google DeepMind (2026). AlphaGenome: AI for better understanding the genome. (모델 개요·비상업 API 공개·Enformer/AlphaMissense와의 관계)
5. Jumper, J., Evans, R., Pritzel, A., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature 596:583–589. doi:10.1038/s41586-021-03819-2 (상보 — 단백질 구조 예측, 조절 예측과 중심원리의 반대편)
6. Marderosian, H., et al. (2026). AlphaGenome-enabled analysis of non-coding regulatory variants underlying RHD expression with wet-lab validation. bioRxiv 2026.01.21.700828. (후속 활용 — AlphaGenome 예측 우선순위화 + 습식 실험 검증)

Pipette & Pipeline · A bio portfolio journal

READING NOTES · AI & BIO

AI가 찾아낸 새 항생제 — 딥러닝이 내성 위기에 던진 한 수 (Stokes 2020·Wong 2024)

TL;DR
• AlphaFold류가 단백질 '구조를 예측'하는 AI라면, 이 글의 주인공은 수억 개 분자 라이브러리를 스크리닝·생성해 새 항생제 화학구조를 찾아내는 AI다 — '구조 예측'이 아니라 '신약 발견' 응용.
• 2020년 그래프 신경망⁠(graph neural network)이 1억 (10⁸) 개 분자에서 기존과 전혀 다른 광범위 항생제 halicin을 골라냈고 (Stokes 2020), 2024년에는 '왜 그 분자인지'를 설명하는 설명가능⁠(explainable) AI가 60년 만의 새 구조 계열을 찾았다 (Wong 2024). 2025년엔 생성형 AI가 새 분자를 직접 설계하는 단계로 넘어갔다.
• 핵심 의의 — 대형 제약사가 수익이 없다며 떠난 항생제 영역에, 계산 비용이 떨어진 AI가 새 화학적 출발점을 공급한다. 다만 후보는 시작점일 뿐 — 합성·동물·임상이라는 긴 길이 남아 있고, 사람을 치료한 AI 항생제는 아직 없다.

📚 함께 읽으면 좋은 글
• AI 신약개발, 거품인가 변곡점인가 — 이 글의 산업적 맥락
• AlphaFold2는 어떻게 단백질 구조를 풀었나 — '구조 예측' AI의 대표
• ESM3 — 예측에서 생성으로 — 단백질에서 일어난 예측→생성 전환

1. 한 장 요약

한 문장으로: 단백질 구조를 푸는 AI 옆에서, 또 다른 AI가 수억 개 분자 중 '약이 될 만한 것'을 골라내고 있다.

2. 배경 — 항생제 내성⁠(antimicrobial resistance) 위기와 말라버린 파이프라인

항생제는 현대 의학의 토대다. 수술·항암·장기이식·중환자 치료가 모두 '감염은 항생제로 막을 수 있다'는 전제 위에 서 있다. 그런데 그 전제가 흔들리고 있다.

숫자가 말하는 위기. 글로벌 항생제 내성 부담 연구⁠(GRAM, Global Research on Antimicrobial Resistance)가 Lancet에 보고한 2019년 추정치를 보면, 박테리아 항생제 내성⁠(antimicrobial resistance)이 직접 원인이 된 사망이 약 127만 명, 내성이 관여한 사망까지 합치면 약 495만 명이었다 (GRAM 2022). 같은 해 HIV/AIDS 사망⁠(약 86만)이나 말라리아 사망⁠(약 64만)을 웃도는 규모다. 추세는 더 나쁘다 — 후속 GRAM 분석은 2025~2050년 사이 내성 감염으로 인한 누적 사망을 3,900만 명 이상으로 전망했다 (GRAM 2024).

문제는 신약이 나오지 않는다는 것이다. 내성균은 늘어나는데, 정작 새 항생제를 만들 곳이 사라지고 있다. 항생제는 다른 약과 달리 '아껴 써야 하는'⁠(내성을 늦추려 처방을 제한하는) 약이라, 비싸게 팔수록 덜 쓰이는 구조다. 수익이 나지 않으니 대형 제약사가 줄줄이 철수했다 — 2018년 Allergan·Sanofi·Novartis가 항생제 연구에서 손을 뗐고, 2018년 carbapenem 내성균용 신약 plazomicin을 승인받은 Achaogen은 이듬해 파산했다⁠(승인 첫해 매출 100만 달러 미만). Melinta도 2019년 12월 파산보호를 신청했다. 현재 임상 단계 항생제의 90% 이상을 소규모 기업이 떠맡고 있는데, 이들은 약을 승인받아도 살아남기 어렵다.

그래서 AI다. 전통적 항생제 발견은 '배양 접시에 분자 수천 개를 일일이 시험'하는 노동집약적 스크리닝에 의존했고, 비용·시간이 막대했다. 딥러닝⁠(deep learning)은 이 병목을 정면으로 겨냥한다 — 실험 없이, 컴퓨터 안에서 수억 개 분자의 항균력을 미리 예측해 시험할 후보를 좁히는 것이다.

3. 작동 원리 — 딥러닝⁠(GNN)이 분자를 '항균력'으로 분류한다

2020년 Stokes 등의 Cell 논문은 이 접근의 출발점이자 가장 깔끔한 증명이다. 핵심 발상은 단순하다 — "이 분자가 세균을 죽이는가?"를 맞히도록 신경망을 훈련시킨 뒤, 한 번도 본 적 없는 분자 수억 개에 그 예측을 적용한다.

① 분자를 그래프로 본다. 이들이 쓴 모델은 그래프 신경망⁠(graph neural network)의 일종인 directed message-passing neural network⁠(방향성 메시지 전달 신경망, Chemprop)다. 화학 분자는 원자가 결합으로 이어진 그래프 — 원자를 노드⁠(node), 결합을 엣지⁠(edge)로 보면 자연스럽게 그래프가 된다. 사람이 미리 정한 화학 특성⁠(분자량·logP 같은 기술자)에 의존하지 않고, 분자 그래프 자체에서 항균력과 관련된 패턴을 모델이 스스로 학습한다는 점이 핵심이다.

② 작은 데이터로 훈련한다. 훈련에 쓴 것은 단 2,335개 분자였다 — 대장균⁠(Escherichia coli)의 성장을 억제하는지 실험으로 측정한 데이터셋이다. 의외로 적은 수다. 딥러닝이 빛나는 지점이 여기다.

③ 1억 개에 적용한다. 훈련된 모델을 먼저 Drug Repurposing Hub⁠(6,111개 분자) — 이미 사람에게 쓰이거나 임상을 거친 분자 모음 — 에 적용해 항균력이 높을 것으로 예측된 후보를 추렸다. 그 결과가 halicin이다. 더 나아가 ZINC15 데이터베이스의 1억 (10⁸) 개가 넘는 분자⁠(>1억 700만)를 컴퓨터로 스크리닝해, 상위 후보 중 23개를 실험으로 검증했고 그중 8개가 실제 항균 활성을 보였다 — 기존 항생제와 구조적으로 동떨어진 새 분자들이었다.

▲ 실험 없이 1억 개 분자의 항균력을 미리 예측해, 시험할 후보를 좁힌다.

halicin이 특별한 이유. halicin은 원래 항생제가 아니었다. c-Jun N-terminal kinase⁠(JNK) 억제제로 합성된 SU-3327이라는 분자로, 당뇨병 치료 후보로 연구되던 물질이다. 사람의 직관으로는 '항생제 후보'로 묶이지 않을, 기존 항생제와 화학구조가 전혀 다른 분자를 AI가 골라냈다는 점이 핵심이다. 작용 기전도 독특해서, 세균 세포막을 가로지르는 양성자 구동력⁠(proton motive force)의 pH 기울기를 무너뜨려 세균을 죽인다 — 내성이 잘 생기지 않는 방식이다. 실제로 halicin은 다제내성균을 폭넓게 억제했다 — Acinetobacter baumannii, Clostridioides difficile, 결핵균⁠(Mycobacterium tuberculosis), carbapenem 내성 장내세균⁠(carbapenem-resistant Enterobacteriaceae)까지. 동물 실험에서도 A. baumannii 상처 감염과 C. difficile 장 감염 모델에서 효과를 보였다 (Stokes 2020). 이름은 영화 〈2001 스페이스 오디세이〉의 AI 'HAL 9000'에서 따왔다.

4. 진화 — 설명가능 AI⁠(abaucin·Wong 2024), 그리고 생성형으로

halicin은 강력한 출발이었지만 비판도 따랐다 — "AI가 왜 그 분자를 골랐는지 모른다"는 블랙박스⁠(black box) 문제다. 다음 세대 연구는 이 한계를 두 방향에서 넘어섰다.

① 좁고 정밀하게 — abaucin (2023). 같은 연구 그룹은 가장 까다로운 표적 중 하나인 A. baumannii만 겨냥했다. 약 7,500개 분자가 이 균의 성장을 억제하는지 시험해 신경망을 훈련시키고, 새로운 구조의 분자를 컴퓨터로 예측했다. 그렇게 찾은 abaucin은 A. baumannii에만 좁게 듣는 협범위⁠(narrow-spectrum) 항생제로, 다른 균에는 거의 손대지 않아 미생물무리⁠(microbiome)를 덜 교란할 것으로 기대된다 (마이크로바이옴이란? 참고). 작용 기전⁠(지질단백질 수송 단백질 LolE를 통한 lipoprotein trafficking 교란)까지 규명됐고, 생쥐 상처 감염 모델에서 효과를 보였다 (Liu 2023). '광범위'가 아니라 '표적 맞춤'으로도 AI가 작동함을 보인 사례다.

② 블랙박스를 연다 — 설명가능 AI (Wong 2024). 2024년 Nature 논문의 의의는 결과 분자가 아니라 방법론에 있다. 연구진은 39,312개 분자의 항균 활성과 사람 세포 독성을 측정해 그래프 신경망 앙상블을 훈련시킨 뒤, 1,200만 (약 1,207만) 개 분자의 활성을 컴퓨터로 예측했다. 여기에 더해, 모델이 항균력을 예측할 때 분자의 어느 부분 구조⁠(substructure)를 근거로 삼았는지를 끄집어내는 설명가능⁠(explainable) 알고리즘을 붙였다 — 일종의 화학적 '근거 제시'다. 그 근거를 따라가 추려낸 283개 분자를 실험한 결과, 메티실린 내성 황색포도상구균⁠(MRSA, methicillin-resistant Staphylococcus aureus)과 반코마이신 내성 장구균에 선택적으로 듣는 새 구조 계열을 찾았다 — 지난 60년간 드물었던 '새 항생제 계열'을 설명가능 AI로 발견했다는 점에서 의미가 크다.

③ 스크리닝에서 생성으로 (2025). 가장 최근의 진화는 발상의 전환이다. 지금까지가 이미 존재하는 분자 중에서 고르는 스크리닝이었다면, 2025년 Collins 연구실의 Cell 논문은 생성형 AI⁠(generative AI)로 세상에 없던 분자를 처음부터 그려낸다. 1천만 (10⁷) 개 이상의 화학 단편⁠(fragment)을 컴퓨터로 탐색해 유망한 조각을 키우는 방식과, 아무 제약 없이 분자를 생성하는 방식 두 갈래로, 임질균⁠(Neisseria gonorrhoeae)과 황색포도상구균⁠(S. aureus)에 선택적으로 듣는 완전히 새로운 분자를 설계했다 (Collins lab 2025). 단백질 설계에서 예측⁠(AlphaFold)이 생성⁠(de novo design)으로 넘어간 것과 똑같은 궤적이, 저분자 항생제에서도 반복되고 있다.

▲ 광범위 스크리닝에서 설명가능·표적 맞춤·생성형으로 — 5년 사이의 진화.

5. 비교 — 'AI 구조 예측' vs 'AI 신약 발견', 그리고 이 블로그에서의 위치

AlphaFold·ESM 같은 AI와 이 글의 AI는 같은 '단백질·분자'를 다루지만 푸는 문제가 다르다. 한데 묶어 'AI가 생물학을 바꾼다'고 말하면 핵심을 놓친다.

▲ 구조를 '예측'하는 AI와 약을 '발견·설계'하는 AI — 같은 분자를 다루지만 푸는 문제가 다르다.

이 블로그에서의 자리. 이 글은 기존 AI & Bio 연재 — AlphaFold2⁠(구조 예측), ESM3⁠(단백질 언어모델, 예측→생성) — 와 다른 응용 축에 놓인다. 앞의 글들이 '단백질을 읽고 만드는' AI라면, 이 글은 '약이 될 분자를 찾고 그리는' AI다. 산업적 맥락은 AI 신약개발, 거품인가 변곡점인가에서 다룬 그 시장의 한 갈래이기도 하다. 흥미롭게도 두 축은 만난다 — abaucin의 표적 LolE처럼, AI 구조 예측으로 표적 단백질을 모델링하고 AI 신약 발견으로 그에 맞는 분자를 찾는 식의 결합이 다음 단계다.

6. 한계 & 현실 — 후보는 약이 아니다

여기서 균형을 잡아야 한다. AI가 찾은 분자가 곧 '신약'은 아니다.

① 후보 ≠ 약. halicin·abaucin·MRSA 신계열 모두 전임상⁠(preclinical) 단계의 리드 화합물이다. AI는 '시험해 볼 후보를 좁히는' 단계까지를 빠르게 해줄 뿐, 그 뒤로는 화학 합성·약물성 최적화·동물 독성·인체 임상이라는 길고 비싼 길이 그대로 남아 있다. 신약 하나가 임상 1상부터 승인까지 가는 데 통상 10년·수억~수십억 달러가 든다.

③ 데이터 편향과 일반화. 모델은 훈련 데이터를 닮는다. 항균 활성 데이터가 특정 균·특정 화학공간에 치우쳐 있으면, 예측도 그 편향을 물려받는다. 컴퓨터에서 '활성 있음'으로 예측된 분자가 실제로는 듣지 않거나, 독성·용해도 같은 약물성⁠(druggability)에서 탈락하는 경우도 흔하다.

④ 그럼에도 의미가 있는 이유. 비판을 다 인정해도, AI는 '사람이 항생제 후보로 보지 않았을 분자'를 골라낸다는 고유한 가치가 있다. halicin⁠(당뇨약 후보)이 그 상징이다. 비어 가던 파이프라인에 새로운 화학적 출발점을 공급한다는 점에서, AI는 내성 위기에 대한 만병통치약은 아니지만 분명한 한 수다.

References

1. Stokes, J. M., Yang, K., Swanson, K., Jin, W., Cubillos-Ruiz, A., Donghia, N. M., et al. (2020). A Deep Learning Approach to Antibiotic Discovery. Cell 180(4):688-702.e13. doi:10.1016/j.cell.2020.01.021 (핵심 논문 — GNN으로 1억 개 스크리닝, halicin 발견·동물 검증)
2. Wong, F., Zheng, E. J., Valeri, J. A., Donghia, N. M., Anahtar, M. N., Omori, S., et al. (2024). Discovery of a structural class of antibiotics with explainable deep learning. Nature 626:177-185. doi:10.1038/s41586-023-06887-8 (설명가능 AI — 39,312개 학습·1,207만 개 예측, MRSA 새 구조 계열)
3. Liu, G., Catacutan, D. B., Rathod, K., Swanson, K., Jin, W., Mohammed, J. C., et al. (2023). Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii. Nature Chemical Biology 19:1342-1350. doi:10.1038/s41589-023-01349-8 (협범위 항생제 abaucin — LolE 표적)
4. Antimicrobial Resistance Collaborators (GRAM). (2022). Global burden of bacterial antimicrobial resistance in 2019: a systematic analysis. Lancet 399(10325):629-655. doi:10.1016/S0140-6736(21)02724-0 (AMR 2019 사망 — 직접 127만·관련 495만)
5. GBD 2021 Antimicrobial Resistance Collaborators. (2024). Global burden of bacterial antimicrobial resistance 1990-2021: a systematic analysis with forecasts to 2050. Lancet 404(10459):1199-1226. doi:10.1016/S0140-6736(24)01867-1 (2025-2050 누적 사망 3,900만+ 전망)
6. Collins lab et al. (2025). A generative deep learning approach to de novo antibiotic design. Cell 188:5962-5979. doi:10.1016/j.cell.2025.07.035 (생성형 AI — N. gonorrhoeae·S. aureus용 새 분자 설계)
7. Komor, A. C., et al. (2016). Programmable editing of a target base in genomic DNA without double-stranded DNA cleavage. Nature 533:420-424. (참고 — 인접 응용 맥락)

Pipette & Pipeline · A bio portfolio journal

READING NOTES · AI & BIO

TL;DR
• Evo 2 (에보 투)는 아크 연구소⁠(Arc Institute)·NVIDIA·스탠퍼드의 유전체 규모 DNA 파운데이션 모델로, 단백질이 아니라 모든 생물의 염기서열⁠(A·C·G·T) 그 자체를 학습한다 — 9.3조 염기, 단일염기 해상도, 최대 100만 bp 컨텍스트.
• 능력 셋 — ① 학습 없이⁠(zero-shot) 변이 병원성 예측(BRCA1 정확도 90%+, AUROC 0.95), ② 유전체 규모 생성(미토콘드리아·최소 박테리아 유전체·진핵 염색체), ③ SAE로 내부 생물학 개념 해석(엑손·인트론 경계).
• AlphaFold·ESM3가 '단백질 층'을 다뤘다면 Evo 2는 그 위 'DNA 층⁠(가장 상류)'을 직접 모델링한다 — 가중치·데이터·코드는 Apache-2.0 전면 공개, 사람 병원체는 학습에서 제외.

📚 함께 읽으면 좋은 글
• ESM3 — 단백질을 '예측'에서 '생성'으로 (Hayes 2025) — 단백질 생성 AI의 큰 그림
• AlphaProteo — AI가 단백질 결합체를 설계하다 (Zambaldi 2024) — 기능을 가진 단백질 설계
• AlphaFold3 — 단백질을 넘어 DNA·RNA·리간드까지 (Abramson 2024) — 예측 계열의 최신

1. 한 장 요약

한 문장으로: 단백질 모델⁠(ESM·AlphaFold)이 '단백질이라는 글'을 다뤘다면, Evo 2는 그 글이 쓰인 '원본 DNA 언어'를 통째로 배운다.

2. 연구 배경 — 단백질 모델에서 '유전체⁠(DNA)' 모델로

지난 몇 해 AI 생물학의 주역은 단백질이었다. AlphaFold2는 아미노산 서열에서 구조를 예측했고, ESM 계열의 ESM3는 단백질을 생성하는 데까지 나아갔다. 이들은 모두 단백질이라는 언어를 다룬다. 그런데 단백질은 생명현상의 결과물이지 원본이 아니다. 원본은 그 위에 있다 — DNA다.

생물학의 중심원리⁠(central dogma)는 한 방향을 가리킨다. DNA → RNA → 단백질. 단백질을 아무리 잘 다뤄도, 그 단백질을 언제·어디서·얼마나 만들지 결정하는 조절 영역⁠(regulatory region), 단백질로 번역되지 않지만 기능하는 비번역 영역⁠(noncoding region), 변이가 질병으로 이어지는 유전체 문법 자체는 단백질 모델의 시야 밖이다. 실제로 사람 유전체의 약 98%는 단백질을 직접 코딩하지 않는 비번역 DNA이고, 질병 연관 변이의 상당수가 바로 이 영역에 숨어 있다. DNA 층을 직접 모델링해야 비로소 이 문제가 풀린다.

그래서 등장한 것이 유전체 파운데이션 모델⁠(genome foundation model) — DNA 염기서열을 거대 언어모델⁠(large language model, LLM)처럼 학습하는 접근이다. 핵심 발상은 단순하다. 염기 A·C·G·T를 '글자'로 보고, 유전체 전체를 '문장'으로 읽어 다음 글자를 맞히도록 훈련하면, 모델은 인간이 라벨을 달지 않아도 유전자·조절요소·진화적 제약을 스스로 학습한다.

이 흐름의 첫 이정표가 Evo 1 (Nguyen·Durrant 외, 2024, Science)이었다. 70억⁠(7B) 파라미터, 13.1만⁠(131k) 염기 컨텍스트로 박테리아·고세균·파지⁠(phage) 유전체 3,000억 염기를 학습해, 단일염기 해상도로 유전체를 다룬 최초급 모델이었다. 하지만 한계가 뚜렷했다 — 진핵생물⁠(eukaryote)을 거의 다루지 못했고(사람·식물 등이 빠짐), 컨텍스트가 13만 염기에 그쳐 유전자 하나~수십 개 규모를 넘기 어려웠다. Evo 2는 정확히 이 두 벽을 넘는다.

3. 작동 원리 — StripedHyena 2, 9.3조 염기, 100만 bp 컨텍스트

Evo 2의 성능을 떠받치는 기둥은 세 개다 — 아키텍처·데이터·컨텍스트.

① StripedHyena 2 — 트랜스포머가 아닌 다른 길. GPT 계열이 쓰는 순수 트랜스포머⁠(Transformer)는 어텐션⁠(attention) 연산이 서열 길이의 제곱⁠(O(n²))으로 폭증한다. 100만 염기를 한 번에 보려면 이 비용이 감당되지 않는다. Evo 2는 그 대신 컨볼루션 기반 다중 하이브리드⁠(convolutional multi-hybrid) 구조인 StripedHyena 2를 쓴다. 이름의 '하이에나⁠(Hyena)'는 어텐션을 긴 컨볼루션⁠(long convolution)으로 대체해 길이에 거의 선형⁠(near-linear)으로 확장하는 연산이다. StripedHyena 2 (아키텍처)는 세 종류의 하이에나 연산자 — 짧은 명시⁠(SE)·중간 정규화⁠(MR)·긴 암시⁠(LI) — 를 줄무늬⁠(striped)처럼 교차 배치하고, 군데군데 어텐션을 섞는다. 그 덕에 Evo 1 대비 약 30배 많은 데이터를 학습하고 약 8배 긴 서열을 다룬다.

② 9.3조 염기, OpenGenome2 — 모든 생물 영역. 학습 데이터는 새로 구축한 OpenGenome2다. 12.8만⁠(128,000)개 이상의 유전체와 메타지놈⁠(metagenome) 데이터에서 추린 9.3조⁠(9.3 × 10¹²) 염기로, 박테리아·고세균·박테리오파지뿐 아니라 사람·식물 등 진핵생물까지 포함한다. Evo 1이 사실상 원핵생물에 머물렀던 데 비해, 진핵생물 유전체를 본격 포함한 것이 Evo 2의 결정적 확장이다. 학습에는 NVIDIA H100 GPU 2,000여 장이 수개월 동안 동원됐다.

③ 100만 bp 컨텍스트 · 단일염기 해상도. Evo 2는 염기 하나하나를 개별 토큰으로 본다⁠(단일염기 해상도). 압축이나 k-mer 묶음 없이 A·C·G·T를 그대로 읽기에, 단일염기 변이⁠(SNV) 한 글자의 차이까지 분해한다. 동시에 컨텍스트가 최대 100만 염기쌍에 이르러, 유전자 하나가 아니라 유전자·프로모터·인핸서·인트론을 아우르는 넓은 맥락을 한 시야에 담는다. "한 글자도 놓치지 않으면서, 동시에 멀리까지 본다" — 이 두 마리 토끼가 변이 예측과 유전체 생성 모두의 토대가 된다.

▲ 9.3조 염기를 학습한 하나의 모델이 예측·생성·해석을 모두 수행한다.

4. 주요 결과 — 예측·생성·해석

① 제로샷 변이효과 예측 — BRCA1을 학습 없이 읽다. 가장 주목받은 결과다. Evo 2는 변이 데이터로 따로 학습하지 않고도⁠(zero-shot), 어떤 돌연변이가 해로운지 점수를 매긴다. 원리는 우아하다 — 모델이 "이 서열은 자연스럽다"고 보는 정도⁠(서열 우도, likelihood)가, 곧 진화적으로 허용되는지의 척도가 된다. 진화가 걸러낸 자리를 망가뜨리는 변이일수록 모델이 "어색하다"고 판단한다.

유방암·난소암 유전자 BRCA1에서, Evo 2는 변이의 병원성/양성을 90% 이상 정확도로 가려냈다. 정량적으로는 BRCA1 단일염기 변이 전체에 대해 AUROC 0.95·AUPRC 0.86을 기록했다. 특히 의미가 큰 지점은 비번역⁠(noncoding)·스플라이싱⁠(splicing) 변이다 — 단백질 서열만 보는 모델은 손도 못 대는 이 영역에서, Evo 2는 ClinVar·SpliceVarDB 등 임상 데이터셋에서 기존 최고⁠(state-of-the-art) 성능을 세웠다. DNA 층을 직접 모델링한 보람이 가장 선명하게 드러난 대목이다.

② 생성 — 유전체 '규모'로 DNA를 쓰다. Evo 2는 읽기만 하지 않는다. 조건을 주면 유전체 규모의 새 서열을 만든다. 단순히 그럴듯한 염기를 잇는 수준이 아니라, 실제 유전체가 갖는 구조 — 코딩 영역·tRNA·프로모터 — 를 갖춘 서열을 생성한다.

• 최소 박테리아 유전체: Mycoplasma genitalium (알려진 가장 작은 자율생존 세균 중 하나)의 최소 유전체를 본떠 약 58만 염기⁠(580kb) 규모를 생성. 생성된 유전자의 약 70%가 알려진 단백질 패밀리⁠(Pfam)와 일치 — Evo 1의 18%에서 크게 도약했다.
• 진핵생물 염색체: 약 33만 염기⁠(330kb) 규모의 진핵 염색체 조각을 생성, 인트론·프로모터·tRNA를 갖춘 유전자를 담았다.
• 미토콘드리아 유전체: 미토콘드리아 서열을 프롬프트로 주면 코딩 유전자·tRNA·rRNA의 개수가 맞는 DNA를 생성.
• 에피지놈⁠(epigenome) 유도 설계: 염색질 접근성 예측기 Enformer·Borzoi를 추론 시점 안내자로 결합해 원하는 염색질 접근성 패턴을 갖는 서열을 설계 — 시연으로 에피지놈 구조 안에 모스 부호 메시지를 새기는 묘기까지 보였다.

③ 해석가능성 — SAE로 모델 속 '생물학'을 꺼내다. Evo 2가 왜 잘 맞히는지 들여다보기 위해, 연구진은 희소 오토인코더⁠(sparse autoencoder, SAE)로 모델 내부 표현을 분해했다⁠(Goodfire와 협업, 모델 26번째 층에 BatchTopK SAE 적용). 결과는 인상적이다 — 생물학 라벨을 전혀 주지 않았는데도, 개별 잠재 차원이 사람이 읽을 수 있는 생물학적 개념에 대응했다.

• 엑손–인트론 경계, 전사인자 결합 모티프⁠(motif)
• 분자 수준: 단백질 2차구조(α-나선·β-시트)에 반응하는 피처
• 개체 수준: 박테리아 유전체의 프로파지⁠(prophage)·CRISPR 영역

특히 한 피처는 사람뿐 아니라 털매머드⁠(woolly mammoth) 유전체의 엑손–인트론 구조까지 짚어냈고, 코딩 영역 피처는 박테리아 ORF에서도 활성화됐다 — 종을 가로지르는 보편 표현을 학습했다는 증거다.

▲ 규모·컨텍스트·제로샷 변이예측 성능을 한눈에. 수치 출처는 원논문·Arc 블로그.

5. 비교·관련 연구 — Evo 1, 그리고 단백질·구조 모델과의 층위

Evo 2의 위치는 두 축으로 봐야 한다 — 세로⁠(Evo 1 → Evo 2의 진화)와 가로⁠(어느 생물학 '층'을 다루는가).

Evo 1 vs Evo 2 — 무엇이 달라졌나. 같은 계보지만 규모가 다르다. Evo 1은 7B·13.1만 컨텍스트로 원핵생물·파지 3,000억 염기에 머물렀다. Evo 2는 40B·100만 컨텍스트로 진핵생물을 포함한 9.3조 염기를 학습한다 — 데이터 약 30배, 컨텍스트 약 8배. 생성 충실도도 Pfam 일치율 18% → 70%로 뛰었다. 한마디로 Evo 2는 "원핵 전용 도구"를 "전⁠(全) 생물 영역 도구"로 확장한 판이다.

DNA-LM vs 단백질-LM vs 구조 모델 — 다루는 '층'이 다르다. Evo 2와 ESM3·AlphaFold를 "경쟁자"로 묶는 건 오해를 부른다. 서로 다른 층을 다루기 때문이다. 중심원리를 따라가면 위치가 분명해진다.

AlphaFold3가 DNA·RNA를 구조 예측의 입력으로 받아들이긴 하지만, 그것은 "이 DNA가 어떤 3차구조를 이루는가"를 푸는 일이다. Evo 2는 그보다 위 — "DNA 서열 자체가 무엇을 의미하고, 어떻게 써야 하는가" — 를 다룬다. 가장 상류의 언어를 직접 모델링한다는 점이 Evo 2의 고유한 자리다. 단백질 모델이 닿지 못하는 비번역·조절·변이가 그 영역에서만 풀리기 때문이다.

▲ Evo 2는 중심원리의 가장 상류인 'DNA 층'을 직접 다루는 유일한 자리에 선다.

6. 의의와 한계 — 솔직하게 읽기

의의. Evo 2는 두 가지에서 분명한 진전이다. 첫째, 단백질 너머 DNA 층으로 AI 생물학의 전선을 끌어올렸다 — 특히 비번역·스플라이싱 변이를 zero-shot으로 SOTA 수준에 올린 것은 임상 유전학에 실질적 가치가 있다. 둘째, 개방성이다. 가중치·학습 데이터⁠(OpenGenome2)·코드를 Apache-2.0으로 전면 공개했다 — 비공개로 비판받은 AlphaProteo와 정면으로 대비되며, 누구나 재현·검증·확장할 수 있다.

그러나 한계도 분명하다.

① 생성 충실도는 아직 '닮음'의 단계. Pfam 일치 70%는 큰 도약이지만, 뒤집으면 30%는 알려진 단백질 패밀리에 맞지 않는다는 뜻이다. 더 중요하게는 "실험실에서 실제로 작동하는 유전체"는 아니다 — 컴퓨터가 만든 서열이 살아 있는 세포에서 기능한다는 보장은 별개의 검증을 요한다.

② 평가가 본질적으로 어렵다. 생성된 100만 염기 서열이 "좋은지"를 가릴 정답이 없다. Pfam 일치율·구조 예측 같은 간접 지표⁠(proxy)에 의존할 수밖에 없어, 성능을 단일 숫자로 못 박기 어렵다.

③ 바이오안보⁠(biosecurity). 강력한 유전체 생성 능력은 양날의 칼이다. 연구진은 이를 의식해 사람·복합생물을 감염시키는 병원체를 학습 데이터에서 제외했고, 별도의 안전 평가를 수행했다. 다만 모델을 전면 공개한 만큼, 개방성과 오용 위험 사이의 균형은 이 분야가 계속 마주할 숙제다.

④ '예측 점수'와 '인과 이해'는 다르다. SAE로 피처를 찾았다 해도, 모델이 변이를 잘 맞히는 것은 어디까지나 진화적 우도라는 상관⁠(correlation)에 기댄다. "왜 이 변이가 병을 일으키는가"의 분자 기전⁠(mechanism)을 설명하는 것과는 구별해야 한다.

⑤ 과장 경계. "AI가 생명을 설계한다"류의 헤드라인은 조심해서 읽자. Evo 2가 보인 것은 "유전체 규모의 그럴듯한 서열을 생성하고, 변이를 잘 예측한다"까지다. 새 생명을 합성했다거나 인공 생물을 만들었다는 것이 아니다. 현 단계에서 Evo 2는 강력한 예측·설계 보조 도구다.

References

1. Brixi, G., Durrant, M. G., Ku, J., et al. (2025/2026). Genome modeling and design across all domains of life with Evo 2. Nature (2026); bioRxiv 2025.02.18.638918. doi:10.1038/s41586-026-10176-5 (Arc Institute · NVIDIA · Stanford)
2. Arc Institute (2025.2). AI can now model and design the genetic code for all domains of life with Evo 2 (news). — 9.3조 염기, 12.8만 유전체, 100만 bp, H100 2,000장, BRCA1 90%+, 사람 병원체 제외, Apache-2.0.
3. Nguyen, E., Poli, M., Durrant, M. G., et al. (2024). Sequence modeling and design from molecular to genome scale with Evo. Science 386, eado9336. doi:10.1126/science.ado9336 (Evo 1)
4. Ku, J., Nguyen, E., Romero, D., et al. (2025). Systems and algorithms for convolutional multi-hybrid language models at scale. arXiv 2503.01868. (StripedHyena 2)
5. Goodfire AI × Arc Institute (2025). Interpreting Evo 2 — 희소 오토인코더⁠(SAE) 해석가능성: 레이어 26 BatchTopK, 엑손/인트론·단백질 2차구조·프로파지.
6. Hayes, T., Rao, R., Akin, H., et al. (2025). Simulating 500 million years of evolution with a language model (ESM3). Science 387, 850–858. (단백질-LM 비교)
7. Avsec, Ž., et al. (2021). Effective gene expression prediction from sequence (Enformer). Nature Methods 18, 1196–1203. (염색질/발현 예측, Evo 2 생성 유도에 활용)

Pipette & Pipeline · A bio portfolio journal

READING NOTES · AI & BIO

TL;DR
• AlphaProteo는 구글 딥마인드(Google DeepMind)의 단백질 결합체(binder) de novo 설계 AI로, 표적 단백질의 구조와 결합 부위(에피토프)만 주면 그 자리에 달라붙는 새 미니 단백질을 한 번에 생성한다.
• 7개 표적에서 실험 검증 — 성공률 9~88%, 친화도 K_d 82 pM ~ 저나노몰. 기존 최고 방법 대비 친화도 3~300배·성공률 최대 700배 우위를 주장했다.
• AlphaFold가 구조를 예측한다면 AlphaProteo는 결합체를 설계한다 — 다만 코드·가중치는 비공개이고, TNF-α 같은 일부 표적에선 실패했으며, 치료제 검증은 아직 없다.

📚 함께 읽으면 좋은 글
• ESM3 — 단백질을 '예측'에서 '생성'으로 (Hayes 2025) — 단백질 생성 AI의 큰 그림
• AlphaFold3 — 단백질을 넘어 DNA·RNA·리간드까지 (Abramson 2024) — 예측 계열의 최신
• 단백질 설계(de novo)란? — 없던 단백질을 만든다는 것 — 개념 정리

1. 한 장 요약

한 문장으로: AlphaFold가 단백질 구조를 "예측"했다면, AlphaProteo는 표적에 달라붙는 단백질을 "설계"한다.

2. 연구 배경 — 왜 '결합체 설계'가 어려운가

신약·진단·연구시약의 상당수는 "표적 단백질에 정확히 달라붙는 또 다른 단백질"을 찾는 일에서 출발한다. 항체(antibody)가 항원에 붙고, 사이토카인(cytokine)이 수용체에 붙듯, 생명현상은 결국 단백질끼리의 결합(binding)으로 굴러간다. 그래서 "원하는 표적에, 원하는 자리에, 강하게 붙는" 결합체를 만들 수 있다면 — 그것이 곧 약이 되고, 검출 시약이 되고, 실험 도구가 된다.

문제는 이 결합체를 처음부터(de novo) 설계하기가 지독히 어렵다는 데 있다. 결합이 성립하려면 결합체 표면의 수십 개 원자가 표적 표면과 상보적(complementary)으로 맞물려야 한다. 표면의 모양·전하·소수성(hydrophobicity)이 동시에 맞아떨어져야 하는, 거대한 조합 탐색 문제다. 전통적으로는 로제타(Rosetta) 같은 물리 기반 에너지 함수로 후보를 깎거나, 면역 동물·파지 디스플레이(phage display)로 수십억 개를 훑어 운 좋게 붙는 것을 골라냈다.

딥러닝이 들어오며 판이 바뀌었다. 베이커 랩(Baker Lab)의 RFdiffusion (Watson 2023, Nature)은 확산모델(diffusion model)로 단백질 골격(backbone)을 생성하고, ProteinMPNN으로 서열을 채운 뒤, AlphaFold2로 "이게 정말 붙을까"를 미리 걸렀다. 강력한 진전이었지만, 이 파이프라인조차 실험 성공률이 낮아 한 표적당 수천 개를 합성·스크리닝해야 했다. 즉 "생성은 되는데, 진짜 붙는 것을 골라내는 적중률"이 병목이었다.

AlphaProteo가 내건 약속은 바로 이 지점이다. "한 번의 중간규모(medium-throughput) 스크리닝, 추가 최적화 없이, 바로 쓸 수 있는 고친화 결합체." 수천 개를 거를 필요 없이 수십~수백 개만 실험해도 충분한 적중률을 내겠다는 것이다.

3. 어떻게 작동하나 — 생성기 + 필터, 그리고 AlphaFold

AlphaProteo는 사실 하나의 모델이 아니라 두 모델의 조합이다. 이 2단 구조가 적중률의 비결이다. 입력은 표적의 3차원 구조와, 선택적으로 에피토프를 짚는 핫스팟 잔기(hotspot residue), 출력은 그 자리에 붙도록 설계된 새 미니 단백질의 서열·구조다. 핵심은 "한 방에(one-shot)" — 반복 최적화 없이 곧장 실험으로 넘어간다.

① 생성기(generative model) — 결합체를 그린다. 단백질 데이터뱅크(Protein Data Bank, PDB)의 구조·서열로 학습한 생성모델이다. 표적 구조와 핫스팟이 주어지면 그 자리에 맞물릴 결합체의 구조와 서열을 함께 출력한다. AlphaFold 계열이 쌓은 "단백질을 원자 수준으로 이해하는 능력"을 토대로, 이번엔 거꾸로 "원하는 표면에 맞는 단백질을 생성"하는 쪽으로 방향을 튼 셈이다.

② 필터(filter) — 붙을 놈만 고른다. 생성기는 후보를 많이 만들지만 상당수는 실제로 붙지 않는다. 그래서 두 번째 모델인 필터가 후보마다 "실험 성공 확률" 점수를 매겨 가망 없는 것을 미리 떨어뜨린다(in-silico 필터링). 실험실로 넘어가기 전에 컴퓨터 안에서 1차 선별이 끝난다. "많이 생성하고, 독하게 거른다" — 이 필터가 기존 방법 대비 적중률을 끌어올린 핵심 장치다.

③ AlphaFold와의 관계 — 예측에서 설계로. AlphaFold2/3는 "서열 → 구조"를 예측한다. RFdiffusion 같은 기존 결합체 설계는 AlphaFold2를 사후 검증기로 빌려 썼다. AlphaProteo는 그 구조 이해 능력을 설계 파이프라인 안쪽에 내재화해 생성·필터 양쪽에서 쓴다. AlphaFold의 후신이라기보다, AlphaFold가 닦아 놓은 구조 예측 토대 위에 세운 '설계 전용' 시스템으로 읽는 것이 정확하다.

▲ 표적 구조에서 결합체를 생성하고, 필터로 거른 뒤, 단일 스크리닝으로 검증한다.

4. 핵심 결과 — 표적별 성공률과 친화도

논문은 7개 표적에서 실제로 단백질을 합성해 결합을 측정했다. 검증의 상당 부분은 딥마인드 외부의 프랜시스 크릭 연구소(Francis Crick Institute)가 독립 수행해, "AlphaProteo가 예측한 결합 양상과 실제가 일치"함을 확인했다. SARS-CoV-2 결합체는 살아 있는 바이러스 중화시험(live virus neutralization)에서 감염을 막았고, VEGF-A 결합체는 세포에서 수용체 하류 신호를 억제했다.

표적별 실험 성공률은 가장 낮은 TrkA의 9%부터 가장 높은 BHRF1의 88%까지 표적에 따라 크게 갈렸다.

핵심 수치를 정리하면:

• 친화도: 4개 표적에서 80~960 pM(피코몰), 나머지 3개에서 저나노몰. 전체 최강은 IL-7Rα의 82 pM. K_d가 작을수록 강하게 붙는다는 뜻이니, 피코몰급은 매우 강한 결합이다.
• VEGF-A: 연구진이 아는 한 계산 설계로 결합체를 얻은 최초의 사례(최고 0.48 nM). 그동안 VEGF-A 항체는 전통 방식으로만 나왔다.
• TrkA: 성공률은 9%로 낮았지만, 얻어낸 결합체는 여러 차례 실험 최적화를 거친 기존 최고 설계보다도 강했다.

▲ 성공률은 표적에 따라 9~88%로 갈리고, 친화도는 82 pM까지 내려간다.

5. 비교·관련 연구 — RFdiffusion·BindCraft와 머리를 맞대다

AlphaProteo의 위치를 이해하려면 같은 'AI 결합체 설계' 진영의 경쟁자들과 나란히 놓아야 한다.

RFdiffusion + ProteinMPNN (Baker Lab, 2023). 이 분야의 기준점. 확산모델로 골격을 생성(RFdiffusion)하고, 그 골격에 서열을 입혀(ProteinMPNN), AlphaFold2로 거르는 3단 파이프라인이다. 완전 오픈소스로 공개돼 전 세계 실험실이 쓴다는 점이 가장 큰 강점이다. 다만 결합체 설계의 실험 성공률이 낮아 한 표적당 수천 개 합성·스크리닝이 필요했다. AlphaProteo는 이 파이프라인을 베이스라인으로 삼아, 성공률에서 BHRF1 5배·SC2RBD 8배·IL-17A 700배 우위를, 친화도에서 평균 약 10배(최대 3~300배) 우위를 주장했다.

BindCraft (Pacesa 2024 → 2025 Nature). 비슷한 시기에 나온 강력한 대항마. AlphaFold2를 검증기가 아니라 능동적 설계자로 쓰는 "환각(hallucination)" 기반 파이프라인으로, 실험 성공률 10~100%·나노몰 친화도를 고처리량 스크리닝 없이 달성한다고 보고했다. 결정적으로 오픈소스이며 Nature에 정식 게재돼 동료심사를 통과했다. AlphaProteo의 "비공개·미동료심사"와 대비되는 지점이다.

요컨대 AlphaProteo는 성능 지표에서는 앞선다고 주장하지만, 개방성과 검증 투명성에서는 경쟁자들에 밀린다. 막대한 컴퓨팅과 폐쇄적 공개라는 딥마인드 특유의 패턴이 결합체 설계에도 그대로 나타난다.

▲ 성능은 AlphaProteo가 앞서지만, 개방성은 RFdiffusion·BindCraft가 앞선다.

6. 의의와 한계 — 균형 있게 읽기

의의. 고친화 결합체를 수천 개가 아니라 수십~수백 개 스크리닝으로 얻을 수 있다면, 신약 선도물질 발굴·진단 시약·연구 도구 제작의 시간과 비용이 크게 준다. 특히 그동안 계산 설계로 풀리지 않던 VEGF-A에서 최초로 결합체를 얻은 점, SARS-CoV-2 결합체가 실제 바이러스를 중화한 점은 "데모"를 넘어 실용 가능성을 보여 준 결과다.

그러나 한계도 분명하다.

① 실패한 표적이 있다. 자가면역 질환과 얽힌 TNF-α에서는 성공적인 결합체를 만들지 못했다. 만능 도구가 아니라 표적의 구조적 난이도를 탄다(성공률 9~88%의 큰 편차가 이를 보여 준다).

② 실험 검증은 여전히 필수. "단일 스크리닝"이라 해도 결국 합성하고 측정해야 성공 여부가 갈린다. AI가 후보를 좁혀 줄 뿐, 실험을 없애지는 못한다.

③ 공개되지 않았다. 코드·가중치 모두 비공개로, '신뢰 테스터(Trusted Tester)' 프로그램으로만 제한 접근된다. 깃허브에 올라온 것은 입력 준비용 노트북뿐이다. 완전 오픈인 RFdiffusion·BindCraft와 정면 대비되며, 재현·독립검증을 어렵게 한다.

④ 미동료심사·홍보 논란. preprint 단계라 아직 동료심사를 거치지 않았고, 공개 직후 한 제약사 과학자와 MIT 생물학 박사 등은 "논문이라기보다 광고처럼 느껴진다", "어떻게 작동하는지 알고 싶다"며 방법론 불투명성과 미공개를 지적했다. 베이스라인(RFdiffusion) 선택이 자사에 유리하게 짜였을 가능성도 거론됐다.

⑤ 치료제 검증은 아직 없다. 강하게 붙는다고 곧 약이 되는 것은 아니다. 안정성·면역원성(immunogenicity)·체내 동태 등 의약품으로 가는 길은 별개다. 현재로선 연구 도구로 보는 것이 정확하다.

References

1. Zambaldi, V., La, D., Chu, A. E., et al. (2024). De novo design of high-affinity protein binders with AlphaProteo. arXiv 2409.08022. (Google DeepMind, preprint)
2. Google DeepMind (2024.9.5). AlphaProteo generates novel proteins for biology and health research (blog). — 성공률 9~88%, BHRF1 88%, IL-7Rα 82 pM, 친화도 3~300배.
3. Watson, J. L., Juergens, D., Bennett, N. R., et al. (2023). De novo design of protein structure and function with RFdiffusion. Nature 620, 1089–1100. doi:10.1038/s41586-023-06415-8
4. Dauparas, J., et al. (2022). Robust deep learning–based protein sequence design using ProteinMPNN. Science 378, 49–56. doi:10.1126/science.add2187
5. Pacesa, M., et al. (2025). One-shot design of functional protein binders with BindCraft. Nature. doi:10.1038/s41586-025-09429-6 (bioRxiv 2024)
6. Cao, L., et al. (2022). Design of protein-binding proteins from the target structure alone. Nature 605, 551–560. (RFdiffusion 이전 미니바인더 기준점)
7. 비판·검증 — google-deepmind/ap_trusted_testers (GitHub, Apache-2.0, 노트북만 공개) / hyper.ai (2024, "광고 같다" 비판) / Francis Crick Institute 독립 검증.

Pipette & Pipeline · A bio portfolio journal

TL;DR
• ESM3는 단백질의 서열·구조·기능을 한꺼번에 다루는 생성형 언어모델(generative language model)로, 자연에 없던 새 형광단백질 esmGFP를 설계했다.
• 개발사는 이 단백질을 "5억 년 이상의 자연 진화에 맞먹는다"고 표현했지만, 이는 일정한 변이 속도를 가정한 추정치라 과장 논란이 따라붙는다.
• AlphaFold가 구조를 예측한다면 ESM3는 단백질을 생성한다 — 예측에서 설계로 넘어가는 분기점이자, 발표 1년여 만에 비영리 연구소(CZ Biohub) 산하로 흡수된 모델이다.

📚 함께 읽으면 좋은 글
• AlphaFold2는 어떻게 단백질 구조를 풀었나 (Jumper 2021) — 서열에서 구조를 '예측'한 분수령
• AlphaFold3 — 단백질을 넘어 DNA·RNA·리간드까지 (Abramson 2024) — 예측의 확장
• 단백질 구조 예측이란? — AlphaFold가 50년 난제를 푼 법 — 개념 정리

1. 한 장 요약

한 문장으로: ESM3는 "단백질을 읽는 AI"를 넘어 "단백질을 쓰는 AI"가 되려는 시도다.

2. 왜 중요한가 — '예측'과 '생성'은 다른 일이다

AlphaFold2가 푼 문제는 예측(prediction)이었다. 아미노산 서열을 넣으면 그 단백질이 접히는 3차원 구조를 맞힌다. 입력은 서열, 출력은 구조. 방향이 한쪽으로 고정돼 있다.

ESM3가 노리는 문제는 생성(generation)이다. "이런 기능을 하는, 이런 구조의 단백질을 만들어줘"라고 조건을 주면 그 조건을 만족하는 새 서열을 설계한다. 예측기가 "이 단백질은 어떻게 생겼나"에 답한다면, 생성기는 "원하는 단백질을 어떻게 만드나"에 답한다.

이 차이가 중요한 이유는, 신약·효소·소재 개발이 결국 "없던 단백질을 새로 만드는" 일이기 때문이다. 자연이 진화로 수억 년에 걸쳐 탐색한 단백질 공간(protein space)을, 모델이 프롬프트 한 번으로 탐색할 수 있다면 — 그게 ESM3가 내건 약속이다.

▲ AlphaFold은 서열→구조를 '예측'하고, ESM3는 조건에서 새 단백질을 '생성'한다.

3. 어떻게 작동하나 — 서열·구조·기능을 한 언어로

ESM3의 핵심 설계는 멀티모달 마스크드 언어모델(multimodal masked language model)이다. 세 가지를 기억하면 된다.

① 세 가지를 한꺼번에 토큰으로 — 서열·구조·기능. GPT 같은 모델이 글자(token)를 다루듯, ESM3는 단백질의 세 측면을 각각 이산 토큰(discrete token)으로 변환한다. ① 아미노산 서열, ② 3차원 구조, ③ 기능 주석(function annotation, 예: 효소 활성·결합 부위). 세 트랙이 하나의 모델 안에서 같은 '언어'로 취급된다.

② 빈칸 채우기로 학습 — 마스크드 언어모델. 학습 방식은 빈칸 맞히기다. 서열·구조·기능의 일부를 가린(mask) 뒤 나머지로 복원하게 한다. 그래서 ESM3는 어느 트랙이든, 어느 위치든 부분 정보만 주면 나머지를 채워 넣는다. "구조 일부 + 원하는 기능"을 주면 그에 맞는 서열을 생성하는 식이라, 예측기와 달리 양방향·프로그래머블하다.

③ 규모 — 98B 파라미터, 단백질 27.8억 개. 가장 큰 모델은 98B (980억 파라미터), 단백질 약 27.8억 개·토큰 7,710억 개로 학습했다(연산량 약 1.07×10²⁴ FLOPs). 데이터·파라미터를 키울수록 생성 충실도가 올라간다는 점도 함께 보고됐다. 한편 누구나 받을 수 있는 공개판은 1.4B짜리 'ESM3-open' 한 종뿐이다.

4. 핵심 결과 — 새 형광단백질 'esmGFP'

논문의 간판 실험은 형광단백질(fluorescent protein) 설계다. 해파리·산호의 GFP 계열은 생명과학에서 가장 널리 쓰는 '표지등'인데, 자연계 형광단백질들은 서로 꽤 가깝게 모여 있다. 연구진은 ESM3에게 "기존과 멀리 떨어진, 그러나 빛나는 단백질을 만들라"고 요구했다.

설계 → 검증 과정

• 모델이 후보를 생성하면 실제로 발현시켜 형광을 측정했다. 2라운드에 걸쳐 각 96개, 총 192개를 실험.
• 1라운드의 유망주 B8 (자연 단백질과 57% 일치)을 출발점으로, 그 추론 흐름을 이어 2라운드에서 더 밝은 C10을 얻었다. 이것이 esmGFP다.

esmGFP가 얼마나 '새로운가'

• 자연계 최근접 형광단백질(tagRFP)과 서열 58%만 일치 — 229개 아미노산 중 96개가 다르다. 흔히 쓰는 avGFP 기준으로는 36% 일치에 그친다.
• 개발사는 "비슷한 차이를 자연이 만들려면 5억 년 이상의 진화가 필요했을 것"이라고 추정했다.

▲ 192개를 실험해 가장 먼·빛나는 단백질 esmGFP를 골랐다.

5. 계보와 지형 — ESM2에서 ESM3로, 그리고 경쟁자들

ESM2 → ESMFold → ESM3. ESM3는 갑자기 나온 게 아니다.

• ESM2 (2022): 서열만 학습한 단백질 언어모델(최대 15B). 단백질의 '문법'을 배웠다.
• ESMFold: 그 ESM2를 구조 예측에 붙인 모델. AlphaFold와 달리 다중서열정렬(MSA) 없이 단일 서열만으로 구조를 빠르게 예측해 화제가 됐다.
• ESM3 (2024–25): 구조·기능을 입력이자 출력으로 통합한 첫 생성형. '읽기'에서 '쓰기'로 넘어온 단계.
• ESM C (Cambrian) (2024.12): ESM3와 짝을 이루는 표현학습(representation) 중심 라인(최대 6B), 학술·상업 모두 사용 가능하게 공개. (2026년 중반까지 'ESM4'라는 공식 후속은 없다.)

예측 vs 생성 — 단백질 AI 지형도. 이 분야는 크게 두 진영으로 나뉜다.

특히 경쟁사 Profluent의 ProGen3 (2025.4, 최대 46B·토큰 1.5T)는 단백질 생성에서의 스케일링 법칙(scaling law)을 전면에 내세웠고, 앞서 세계 첫 AI 설계 유전자가위 OpenCRISPR-1을 오픈소스로 공개해 주목받았다. 즉 ESM3는 "단백질 생성 AI" 경쟁의 선두 주자 중 하나이지, 유일한 승자가 아니다.

▲ 예측 진영(AlphaFold·Boltz·Chai)과 생성 진영(ESM3·ProGen3·AlphaProteo).

6. 한계와 비판 — 균형 있게 읽기

화려한 헤드라인일수록 한계를 같이 봐야 한다.

① '5억 년'은 마케팅에 가까운 추정. 진화생물학자 Tiffany Taylor (영국 바스대)는 "AI 단백질 공학은 흥미롭지만 수백만 년의 자연선택을 능가한다고 과신하는 듯하다"며, 이 추정이 개별 단백질 하나에만 국한되고 자연선택의 여러 단계를 반영하지 못한다고 지적했다.

② esmGFP의 '신규성' 자체도 논쟁거리. 독립 분석가 Brian Naughton 등은 esmGFP가 일부 자연 단백질과 계산상 겹치는 부분이 있다며 "58% 독립성"을 액면 그대로 받기 어렵다고 봤다. 다만 "이 정도로 먼 형광단백질은 수십 년의 단백질 공학으로도 자연에서 발견될 때만 얻었다"는 의의는 인정하는 분위기다.

③ 실용성의 벽 — 성숙 시간. esmGFP는 밝기는 표준 대조군과 비슷했지만 형광이 다 자라는 데 최대 약 1주가 걸렸다(보통 실험실 GFP는 수십 분). 설계는 됐지만 바로 쓰기엔 거친 단백질이라는 뜻이다.

④ '오픈'이라 부르기 어려운 공개 방식. 공개된 것은 소형 ESM3-open (1.4B) 한 종뿐이고, 라이선스는 비영리 전용(상업·신약 개발 금지)이다. 핵심인 98B 대형 모델은 API로만 접근할 수 있다(학술 무료 티어 존재). 완전 오픈인 Boltz와 비교하면 ESM3는 '소형 비영리 공개 + 대형 비공개'의 하이브리드로 보는 게 정확하다.

7. 의미와 전망 — '프로그래머블 생물학'과 갑작스러운 인수

ESM3가 가리키는 방향은 분명하다. 단백질을 자연에서 찾는(discover) 시대에서, 목적에 맞게 짓는(design) 시대로. 구조 예측(AlphaFold)이 "이미 있는 것을 이해"하는 도구였다면, 생성 모델은 "없던 것을 만드는" 도구다. 효소·항체·결합 단백질을 프롬프트로 설계하는 프로그래머블 생물학(programmable biology)의 초입인 셈이다.

그러나 회사의 운명은 빨랐다. EvolutionaryScale은 2024년 6월 시드(seed)로만 1.42억 달러라는 이례적 규모(AWS·엔비디아 참여)로 출발했지만, 2025년 11월 챈 저커버그 바이오허브(CZ Biohub)에 인수되며 약 50명 팀이 합류, 창업자 Rives는 CZI의 과학 책임자로 자리를 옮겼다. 독립 스타트업으로서의 EvolutionaryScale은 사실상 종료되고, 비영리 연구 조직 산하로 흡수된 것이다.

이 결말은 시사적이다. 단백질 생성 AI는 기술적으로는 약진했지만, 막대한 학습 비용과 모호한 수익 모델 앞에서 독립 상업화의 길은 좁았다. 같은 시기 AI 신약 분야가 겪은 '기술은 되는데 사업이 어려운' 긴장과 같은 결을 보인다.

References

1. Hayes, T., et al. (2025). Simulating 500 million years of evolution with a language model. Science 387(6736), 850–858. doi:10.1126/science.ads0018. (preprint: bioRxiv 2024.07, doi:10.1101/2024.07.01.600583)
2. EvolutionaryScale (2024). ESM3 release blog — esmGFP, 멀티모달 아키텍처, 98B, 192개 설계(B8→C10).
3. EvolutionaryScale (2024.12). ESM Cambrian (ESM C) release. / ESM3-open Community License (비영리 전용).
4. Lin, Z., et al. (2023). Evolutionary-scale prediction of atomic-level protein structure with a language model (ESM2/ESMFold). Science 379, 1123–1130.
5. 비판·검증 — Live Science (2025, Tiffany Taylor 코멘트) / owlposting (2024, esmGFP·avGFP 36%·성숙시간 분석) / Wikipedia "EsmGFP".
6. 경쟁·맥락 — Profluent ProGen3·OpenCRISPR-1 (2025); Boltz-1/2 (MIT, 2024–25); AlphaProteo (DeepMind, 2024).
7. 인수·자금 — Fortune·TechCrunch (2024.6, 시드 $142M); Axios·Endpoints News (2025.11, CZ Biohub의 EvolutionaryScale 인수).

Pipette & Pipeline · A bio portfolio journal

TL;DR — 2021년 AlphaFold2가 '단백질 한 개의 접힌 모양'을 풀었다면, 2024년 AlphaFold3는 그 단백질이 DNA·RNA·약물 분자·이온과 어떻게 맞물리는가, 즉 생체분자 복합체를 하나의 모델로 예측합니다. 비결은 두 가지 큰 수술 — ① MSA에 의존하던 Evoformer를 가볍게 줄인 Pairformer로 바꾸고, ② 좌표를 한 번에 계산하던 구조 모듈을 '노이즈에서 원자를 그려내는' 확산(diffusion) 생성모델로 갈아끼운 것입니다.

단백질–리간드 도킹에서 전용 도구(AutoDock Vina)를 큰 차이로 앞섰지만, 공짜는 아니었습니다. 생성모델로 가며 무질서 영역에 그럴듯한 헛구조(환각), 키랄성 위배 4.4%가 새로 생겼고, 무엇보다 딥마인드가 코드를 공개하지 않은 채 웹 서버만 내놓아 1,000명 넘는 과학자가 공개서한으로 항의했습니다. 이 글은 Nature 원논문(Abramson 2024)을 AF2와 나란히 놓고 무엇이 달라졌고, 무엇을 얻고 잃었는지, 그리고 '공개'를 둘러싼 진짜 교훈까지 해부합니다.

🔗 관련 글  ·  AI·구조 클러스터: AlphaFold2 원논문 리뷰  ·  단백질 구조 예측이란?  ·  단백질 설계(de novo)  ·  AI 신약개발 심층 분석

0. 한 장으로 보는 도약

AF3는 Nature 630권(2024년 5월 8일 온라인 공개, 6월 13일 정식 호 수록)에 실렸습니다. 제1저자는 Josh Abramson, 책임저자에 John Jumper·Demis Hassabis가 들어가며, 구글 딥마인드와 Isomorphic Labs (딥마인드의 신약개발 자회사)의 공동 작품입니다.

1. 왜 AF3가 필요했나 — AF2가 남긴 숙제

AlphaFold2는 'AI가 단백질 접힘을 풀었다'는 역사적 사건이었습니다(AF2 리뷰 참고). 하지만 생명은 단백질 하나로 작동하지 않습니다. 효소는 기질·보조인자와 맞물리고, 전사인자는 DNA에 달라붙고, 약은 단백질 주머니(포켓)에 끼워집니다. 정작 신약개발·기능 해석에서 궁금한 건 '무엇과 어떻게 결합하는가'입니다.

AF2와 그 확장판 AlphaFold-Multimer는 단백질(과 단백질끼리)만 다뤘습니다. 단백질–저분자, 단백질–핵산, 변형 잔기(인산화 등)는 사각지대였죠. AF3의 한 문장 목표는 "PDB에 있는 거의 모든 분자 유형을 하나의 모델로 함께 예측한다"입니다.

⚠️ 단, 딥마인드 블로그의 "생명의 모든 분자" 같은 문구는 마케팅 과장입니다. 뒤에서 보듯 핵산·일부 표적의 정확도는 단백질보다 낮고, 한계도 분명합니다. 정확한 표현은 "거의 모든 유형을 하나의 모델로 다룬다"입니다.

2. 핵심 전환 ① — Evoformer에서 Pairformer로 (MSA 다이어트)

AF2의 심장은 Evoformer였습니다. 수백~수천 개의 유사 서열을 모은 MSA (다중서열정렬)를 무겁게 굴리며 '진화적 공변이(co-evolution)' 신호로 어느 잔기끼리 가까운지 추론했죠.

AF3는 이 부분을 대폭 다이어트했습니다.

• MSA를 처리하는 블록을 4개로 축소하고, 메인 trunk는 Pairformer 48블록으로 single 표현 + pair 표현만 굴립니다.
• 즉 MSA 표현을 trunk 내내 들고 다니지 않고, 핵심 정보를 일찍 'pair 표현'에 녹인 뒤 그걸로 추론합니다. 무거운 MSA 연산을 값싼 연산으로 대체한 셈입니다.

⚠️ 흔한 오해 — "AF3는 MSA를 안 쓴다"는 틀립니다. AF3는 여전히 MSA를 입력으로 사용합니다. 바뀐 건 의존도를 줄이고 처리를 단순화한 것뿐입니다. "MSA를 없앴다"가 아니라 "MSA 다이어트"가 정확합니다.

3. 핵심 전환 ② — 구조 모듈에서 '확산 모델'로

이게 AF3의 진짜 도박입니다.

AF2는 마지막에 구조 모듈로 각 잔기의 '뼈대 좌표계(residue frame)'와 회전각(torsion)을 계산해 좌표를 결정론적으로 한 번에 뽑았습니다. 단백질은 아미노산이 사슬로 이어진 규칙적 구조라 이 방식이 잘 통했죠. 하지만 리간드·이온처럼 사슬이 아닌 임의의 화학 구조엔 이 '뼈대+회전각' 틀이 안 맞습니다.

AF3는 이 모듈을 통째로 확산(diffusion) 생성모델로 갈아끼웠습니다.

• 원자 좌표를 직접 예측합니다 — 잔기 뼈대도, 회전각도 없이. 그래서 단백질이든 약물 분자든 똑같이 '원자 덩어리'로 다룰 수 있습니다.
• 학습은 이미지 생성 AI와 같은 원리 — 정답 구조에 노이즈를 잔뜩 끼얹었다가, 그 노이즈를 걷어내(denoise) 원래 구조를 복원하도록 훈련합니다. 여러 노이즈 스케일을 쓰는데, 약한 노이즈에선 국소 입체화학(결합 길이·각도)을, 강한 노이즈에선 전체적인 배치를 배웁니다.
• 덕분에 AF2가 쓰던 명시적 '입체화학 위배 페널티' 손실 함수도, 회전·병진 불변성(equivariance) 강제도 필요 없어졌습니다. 확산 과정이 물리적으로 그럴듯한 구조를 직접 만들어내니까요.
• 생성모델이므로 답이 하나로 정해지지 않습니다. 여러 random seed로 여러 구조를 샘플한 뒤, 별도의 신뢰도(confidence) 점수로 최고점을 고릅니다.

이 전환은 예측 대상을 '단백질'에서 '임의의 생체분자 복합체'로 넓힌 열쇠였지만, §5에서 보듯 새로운 부작용도 함께 들여왔습니다.

4. 무엇을 얻었나 — 성능

(a) 단백질–리간드(약물) — 도킹 전용 도구를 이기다.

신약개발의 핵심 질문 "이 약이 이 단백질 주머니에 어떻게 끼나?"입니다. PoseBusters 벤치마크(리간드 위치 오차 < 2 Å 성공률)에서:

• AF3 ≈ 76% vs 전통 도킹 AutoDock Vina·Gold ≈ 50%대 중반 — 통계적으로 유의한 우위(P = 2.27×10⁻¹³).
• 핵심은 AF3가 결합부위(포켓) 정보 없이(blind) 이 점수를 냈다는 것. "포켓을 알려줘서 이겼다"가 아닙니다.

(b) 단백질–핵산 — 전용 모델을 앞서다.

단백질–DNA/RNA 복합체와 RNA 구조에서 RoseTTAFold2NA 등 전용 도구보다 정확했습니다. 다만 CASP15에서 사람 전문가가 개입한 최상위 RNA 예측법(AIchemy_RNA2)에는 못 미쳤습니다 — AI 단독이 아직 인간+도구를 다 넘진 못했다는 정직한 한계.

(c) 항체–항원 — 그리고 'seed를 퍼부으면' 더 좋아진다.

AF-Multimer (v2.3) 대비 단백질 복합체 전반이 향상됐고, 특히 항체–단백질 상호작용 개선이 뚜렷했습니다(P = 6.5×10⁻⁵). 흥미로운 건 모델 seed를 최대 1,000개까지 늘리면 항체 예측이 계속 좋아진다는 점(P = 2.0×10⁻⁵) — 단, 이 효과는 항체에 거의 특이적이고 다른 분자류에선 일반적으로 안 나타납니다.

5. 무엇을 잃었나 — 확산의 그림자

생성모델은 공짜가 아니었습니다.

• 환각(hallucination) — 확산 모델은 무질서(intrinsically disordered) 영역에도 자신만만하게 그럴듯한 '가짜 구조'를 그려넣는 경향이 생겼습니다. 딥마인드는 이를 누르려고 교차 증류(cross-distillation) — AF-Multimer가 무질서 영역을 '길게 늘어진 고리'로 표현한 예측을 학습데이터에 섞어, AF3도 그 행동을 모방하게 가르쳤습니다. 완화일 뿐 제거는 아닙니다.
• 키랄성(chirality) 위배 4.4% — 입체화학 페널티를 없앤 대가로, 거울상 이성질체를 틀리게 만드는 경우가 벤치마크에서 4.4% 나왔습니다(참조 구조를 넣어줘도 발생).
• 원자 겹침(clash) — 거대 복합체에서 원자가 서로 파고드는 충돌이 남았는데, 거의 전부가 뉴클레오타이드 100개 초과 + 총 잔기 2,000개 초과인 큰 단백질–핵산 복합체에서 발생했습니다.
• 정적인 단일 구조 — 동역학이 아니다. AF3는 PDB에 보이는 한 장의 정지 사진을 예측할 뿐, 용액에서의 움직임이 아닙니다. ⚠️ 그리고 논문이 직접 못 박은 오해 — "seed를 여러 개 돌리면 구조 앙상블이 나온다"는 틀립니다. 여러 seed를 써도 그것이 용액 내 형태 분포의 근사가 되진 않습니다. 알로스테릭 변화·형태 전환엔 약합니다.
• 화학량론(stoichiometry)을 지정해야 — 사본이 몇 개인지 등을 입력으로 알려줘야 하며 스스로 알아내지 못합니다.
• 일반화 vs 기억(memorization) 논쟁 — §6에서.

6. 진짜 논쟁 — 공정성과 '닫힌 공개'

화려한 수치 뒤에 두 개의 그늘이 있습니다.

(a) 성능 비교는 '공정'했나.

PoseBusters 우위는 인상적이지만, AF3의 훈련 컷오프는 2019-09-30이고 PoseBusters set은 그 뒤 공개된 구조라 시간 분리는 됐습니다. 그러나 서열·리간드 '유사도' 기준 분리는 없어서, ML 벤치마크로 가장 엄격한 split은 아닙니다. 후속 연구들은 AF3의 정확도가 훈련데이터와의 유사도에 강하게 좌우된다며 '일반화'보다 '기억' 가능성을 제기했습니다. 다만 예측의 물리적 타당성(PB-valid)은 ~93%로 양호해, 그림이 단순하진 않습니다. → "유의미한 우위이되, 공정성 논쟁이 진행 중"으로 읽는 게 정확합니다.

(b) 코드를 공개하지 않은 SOTA.

AF2는 코드(Apache-2.0)와 가중치를 풀어 전 세계가 깔아 썼습니다. 그런데 AF3는 Nature 게재일(2024-05-08)에 코드도 가중치도 없이 웹 서버(AlphaFold Server)만 내놨습니다. 서버엔 제약이 많았죠 — 출시 당시 하루 약 10건, 리간드·이온은 미리 정해진 ~20종만 허용(임의 신약 분자 입력 불가), 막(membrane) 맥락 미지원.

• 재현성을 중시하는 구조·계산생물학계가 들고일어났습니다. Roland Dunbrack·Stephanie Wankowicz 등이 주도한 공개서한에 5월 말까지 1,000명 넘게 서명했고, Nature는 생물보안·윤리를 사유로 들었습니다.
• 결국 2024-11-11, 딥마인드가 코드를 공개했습니다. 하지만 라이선스는 CC BY-NC-SA 4.0 (비상업 전용), 가중치는 학술 소속자가 신청해야 받는 요청제이며 상업적(신약개발) 사용은 금지입니다. "오픈소스가 됐다"는 절반만 맞습니다.

7. 생태계 — 오픈소스의 반격

닫힌 SOTA는 오히려 열린 재현을 자극했습니다.

• Boltz-1 (MIT, 2024-11) — AF3급 정확도에 도달한 첫 완전 오픈소스 모델. 훈련·추론 코드와 가중치를 MIT 라이선스로 풀어 상업적 사용까지 허용.
• RoseTTAFold All-Atom (Baker 연구실, Science 2024) — 단백질·핵산·저분자·금속을 다루는 all-atom 모델, 코드·가중치 공개.
• Chai-1 (Chai Discovery, 2024) — 가중치 공개(비상업)이되 웹으로는 상업 신약개발 용도 사용을 허용.

AF3가 공개를 미룬 약 6개월 사이, 커뮤니티가 비슷한 성능을 열린 형태로 따라잡은 셈입니다.

8. 노벨상이라는 각주

이 모든 흐름은 2024년 노벨 화학상으로 공인됐습니다(2024-10-09 발표). 절반은 David Baker (단백질 설계), 나머지 절반을 Demis Hassabis와 John Jumper가 공동 수상(단백질 구조 예측, AlphaFold)했습니다 — 즉 '예측'과 '설계'가 한 해에 함께 상을 받은 것입니다(단백질 설계 글 참고). AF3는 그 '예측' 쪽 계보의 최신판입니다.

9. 한 줄 인사이트

💡 AF3는 예측의 무대를 '단백질 한 개'에서 '분자들의 상호작용'으로 넓혔다. 그러나 결정론에서 생성모델로 갈아타며 환각·정적 구조라는 신뢰의 회색지대를 새로 들였고, 가장 큰 교훈은 모델이 아니라 '공개'에 있었다 — 닫힌 SOTA는 6개월 만에 열린 재현(Boltz-1)을 불러냈다. 도구로서 AF3는 '시작점'이지 '정답지'가 아니며, 모든 예측은 confidence와 실험으로 검증돼야 한다.

※ 위 인사이트는 원논문과 후속 자료에 근거한 개인적 견해이며, 단정이 아니라 해석입니다.

10. 다음 학습 추천

• 🧬 AlphaFold2 원논문 리뷰 — AF3와 나란히 읽어야 할 출발점 (비교)
• 📘 단백질 구조 예측이란? — AlphaFold 개념을 처음부터 (기초)
• 🛠 단백질 설계(de novo) — '예측'의 반대편, '설계'와 노벨 2024 (심화)
• 🏭 AI 신약개발, 거품인가 변곡점인가 — AF3 같은 도구가 산업에서 갖는 의미 (산업)

References

1. Abramson, J., Adler, J., Dunger, J., … Jumper, J. M., Hassabis, D. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 630(8016), 493–500. (온라인 2024-05-08) doi:10.1038/s41586-024-07487-w
2. Jumper, J., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589. (AlphaFold2 원논문)
3. Krishna, R., et al. (2024). Generalized biomolecular modeling and design with RoseTTAFold All-Atom. Science, 384(6693). (Baker 연구실)
4. Wohlwend, J., et al. (2024). Boltz-1: Democratizing biomolecular interaction modeling. bioRxiv. (오픈소스 AF3 재현)
5. Callaway, E. (2024). Major AlphaFold upgrade / Who will use AlphaFold3? Nature News. (코드 비공개 논란·공개 보도)
6. The Nobel Prize in Chemistry 2024 — Baker; Hassabis & Jumper. NobelPrize.org (2024-10-09).

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

TL;DR — AlphaFold 개념 글에서 "50년 난제를 풀었다"는 결과를 봤습니다. 이번엔 그 원논문(Jumper 외 2021, Nature)을 한 겹 더 들어가 '어떻게'를 해부합니다. CASP14에서 중앙값 GDT 92.4, 골격 정확도 0.96 Å (차순위 방법의 2.8 Å 대비 약 3배)라는 숫자 뒤에 무엇이 있었나.

핵심 장치는 셋입니다 — 진화 정보를 먹는 MSA·쌍(pair) 표현, 기하를 '생각하는' 신경망 Evoformer (삼각 어텐션·삼각 곱셈), 좌표를 짓는 구조 모듈(잔기 프레임·불변점 어텐션 IPA·FAPE 손실). 여기에 재활용(recycling)과 자기증류(self-distillation)가 정확도를 끌어올렸습니다.

그런데 논문에서 가장 흥미로운 건 ablation (무엇을 빼면 아픈가)입니다 — 직관과 반대로, 기하 모듈 IPA를 빼도 거의 멀쩡했고(저자 표현 "등변성은 필수가 아니다"), 정작 크게 무너진 건 MSA 깊이·자기증류·masked-MSA·recycling 같은 데이터·학습 쪽이었습니다. 그래서 "AlphaFold가 단백질 접힘(folding)을 풀었다"는 표현은 두 겹으로 과장입니다 — 푼 건 접힘 '과정'이 아니라 '구조(결과)'이고, 정확도의 원천도 물리적 통찰보다 데이터 전략이었습니다.

🔗 관련 글  ·  개념·구조 짝: AlphaFold 단백질 구조 예측(개념)  ·  단백질 구조 4단계

1. 무엇을 풀었나 — CASP14의 충격

2020년 블라인드 대회 CASP14에서, AlphaFold2는 전체 표적에 대해 중앙값 GDT 92.4 (100점 만점)를 냈습니다. 더 인상적인 건 골격 정확도입니다 — 중앙값 0.96 Å (Cα, r.m.s.d.95), 차순위 방법의 2.8 Å과 비교하면 약 3배 차이입니다. 전원자 기준으로도 1.5 Å 대 차순위 3.5 Å였습니다.

다만 '실험에 준한다'는 표현은 정확히 새겨야 합니다. 첫째, 이 수치는 CASP14의 87개 도메인(대부분 단일·잘 접히는 도메인)에 대한 중앙값입니다 — 분포엔 꼬리가 있고, 잘 못 푼 표적도 있었습니다. 둘째, r.m.s.d.95 자체가 관대한 잣대입니다. 이름 그대로 정렬 오차가 큰 최악 5% 잔기를 버리고 나머지 95%로 잰 값이라, 흐물거리는 무질서 부위가 점수를 깎는 걸 막아 줍니다. 즉 '실험급'은 이 표적군의 중앙값이라는 뜻이지, 모든 단백질이 결정학 수준으로 풀렸다는 뜻이 아닙니다.

2. 입력 — 진화를 먹는다

AlphaFold2는 두 개의 표현(representation)을 굴립니다.

• MSA 표현 — 목표 서열의 다중서열정렬(MSA), 즉 진화적으로 닮은 친척 서열을 쌓은 행렬. UniRef90·BFD·Uniclust30·MGnify를 JackHMMER·HHblits로 뒤져 모읍니다.
• 쌍 표현(pair representation) — 잔기 i 와 j 사이 관계를 담는 격자. 여기서 '누가 누구와 가까운가'라는 기하가 자랍니다.
• 템플릿(template) — 선택 사항으로, 알려진 호몰로그 구조를 PDB70에서 찾아(HHsearch) 곁들입니다.

요지는 — 공진화의 흔적이 접촉 지도의 단서라는 것. 함께 변해 온 두 잔기는 구조상 가까이 붙어 있을 가능성이 높고, 그 통계가 쌍 표현으로 흘러듭니다.

3. Evoformer — 기하를 '생각하는' 신경망

심장은 Evoformer, 48개 블록으로 MSA 표현과 쌍 표현 사이를 오가며 정보를 섞습니다. 새로운 장치가 둘 있습니다.

• 삼각 곱셈 갱신(triangle multiplicative update) — 쌍 ij 를, 삼각형 ijk 의 나머지 두 변(ik·jk)으로 갱신합니다. 어텐션보다 싸고 대칭적인 방식입니다.
• 삼각 어텐션(triangle attention) — 쌍 표현에 어텐션을 걸되 삼각부등식 일관성(세 거리가 삼각형을 이루도록)을 유도합니다.

MSA 표현 쪽엔 행·열 축 어텐션(axial attention)이 돌고(행 어텐션엔 쌍 표현 편향이 더해짐), 외적 평균(outer product mean)이 MSA의 통계를 쌍 표현으로 넘깁니다. 정리하면 — 쌍 표현이 기하를 '생각'하고, 마지막엔 잔기별 단일(single) 표현이 그 결과를 구조 모듈에 넘깁니다.

4. 구조 모듈 — 좌표를 짓다

이제 추상적 표현을 3차원 원자 좌표로 바꿀 차례입니다.

• 잔기 프레임(residue gas) — 각 잔기를 회전+이동을 가진 독립 강체(프레임)로 봅니다. 모두 원점에서 출발해(빈 공간) 제자리로 움직입니다. 8개 층이 가중치를 공유합니다.
• 불변점 어텐션(IPA, Invariant Point Attention) — 전역 회전·이동에 불변(invariant)인 어텐션. 각 잔기의 국소 프레임에서 만든 3D 점을 쓰는데, 벡터의 길이(L2)는 강체 변환에 불변이라 전역 변환이 상쇄됩니다.
• FAPE 손실(Frame-Aligned Point Error) — 예측 원자를 모든 국소 프레임 기준으로 정답과 비교해(클램프 L1, 10 Å) 더합니다. 강체 변환엔 불변이지만 거울상(reflection)엔 불변이 아니라서, 자연스럽게 올바른 손대칭(chirality)을 강제합니다.

여기에 재활용(recycling) — 네트워크 출력을 입력으로 되먹여 총 4번 통과(=3번 되먹임)하며 점진적으로 다듬습니다. 비용은 적고 정확도 기여는 큽니다.

5. 학습의 비결 — 자기증류와 보조 손실

순수 구조 데이터(PDB)는 한정적입니다. AlphaFold2는 라벨 없는 데이터를 스스로 라벨링해 이 한계를 넘었습니다.

• 자기증류(self-distillation, noisy-student) — 먼저 PDB로 학습한 모델로 Uniclust30의 약 35만 개 서열 구조를 예측 → 신뢰도로 거른 뒤 → 그걸 정답 삼아 다시 학습합니다(배치의 75%는 자기증류·25%는 PDB).
• 보조 손실 — 잔기 쌍 거리 히스토그램을 맞히는 distogram 헤드, MSA 일부를 가리고 맞히는 masked-MSA (BERT식), 잔기별 신뢰도를 내는 pLDDT 헤드가 함께 학습됩니다.

데이터 누수를 막으려 PDB 2018-04-30 컷오프를 두고 CAMEO로 검증했습니다.

6. 신뢰도 — pLDDT·PAE·pTM

AlphaFold가 단순 좌표가 아니라 자기 확신을 함께 내는 게 실전에서 결정적입니다.

• pLDDT — 잔기별 신뢰도(0~100). lDDT-Cα를 예측하며, 낮은 pLDDT는 흔히 무질서 부위를 가리킵니다.
• PAE (예측 정렬 오차) — 잔기 y 에 맞췄을 때 잔기 x 위치의 기대 오차(Å). 도메인 간 상대 배치의 신뢰도를 봅니다.
• pTM (예측 TM-score) — 전체 접힘/배치 신뢰도이자 기본 순위 지표. 논문 표현으로 실제 TM-score의 '비관적(하한) 추정'입니다.

7. Ablation — 무엇이 진짜 중요했나 (반전)

이 논문에서 가장 자주 오해되는 대목입니다. 저자들이 직접 구성요소를 하나씩 빼 보았는데, 결과가 직관과 어긋납니다.

요컨대 정확도를 만든 주역은 정교한 기하 엔진이 아니라 '진화 정보를 깊게 먹고, 스스로 라벨을 만들어 더 많이 배운' 데이터·학습 전략이었습니다. 기하 모듈(IPA)·등변성은, 단독으로는 의외로 작은 기여였습니다.

⚠️ 단서가 둘 있습니다. ① 저자들은 ablation에서 하이퍼파라미터를 다시 튜닝하지 않아 효과가 과대/과소될 수 있다고 밝혔습니다. ② 구성요소는 상호작용합니다 — 예컨대 recycling과 IPA를 함께 빼면 recycling만 뺄 때보다 훨씬 크게 무너집니다. 그러니 "IPA는 쓸모없다"가 아니라 "단독 제거의 한계 효과가 작다"가 정확한 독법입니다.

8. 비교와 한계 — RoseTTAFold, 그리고 'folding을 풀었다'?

AlphaFold2만 있던 건 아닙니다. 거의 동시에 베이커 연구실의 RoseTTAFold (Baek 외 2021, Science)가 나왔습니다 — 서열·거리·좌표를 잇는 3-트랙 구조로, 오픈소스라 누구나 돌릴 수 있었지만 정확도는 AlphaFold2에 약간 못 미쳤습니다.

한계도 분명합니다(저자·학계가 인정).

• 깊은 MSA가 필요 — 친척 서열이 적은 고아 단백질엔 약합니다.
• 정지 구조 한 장 — 동역학·여러 형태(앙상블)는 못 줍니다.
• 돌연변이 효과·결합 자유에너지(ΔΔG) — 점 돌연변이를 넣어도 예측이 거의 안 바뀝니다. 설계용이 아닙니다.
• 복합체·리간드·보조인자·이온·변형 잔기 — 이 버전은 단량체 폴리펩타이드만. 복합체는 이후 AF-Multimer·AlphaFold3의 몫.
• pLDDT도 틀릴 수 있다 — 신뢰도가 높아도 자신 있게 틀릴 수 있습니다.

⚠️ 그래서 "AlphaFold가 단백질 접힘(protein folding)을 풀었다"는 흔한 표현은 과장입니다. AlphaFold가 예측하는 건 접힌 최종 '구조(결과)'이지, 어떻게 접히는가의 '과정·경로·동역학'이 아닙니다. 후자가 진짜 'folding problem'이고, 여전히 미해결입니다. CASP 주최 측의 정확한 표현도 "단일 도메인 구조 예측이 대체로 해결됐다"였지, "접힘을 풀었다"가 아니었습니다.

💬 한 줄 인사이트

"AlphaFold2의 진짜 교훈은 '기하를 푸는 정교한 모듈이 핵심'이라는 통념과 반대다. 논문 자신의 ablation이 말한다 — 불변점 어텐션(IPA)·등변성을 빼도 정확도는 거의 그대로였다. 정작 정확도를 만든 건 '진화 정보(MSA)를 깊게 먹고, 스스로 라벨을 만들어(self-distillation) 더 많이 배운' 데이터·학습 전략이었다. 그래서 'AlphaFold가 단백질 접힘(folding)을 풀었다'는 말은 두 겹으로 빗나간다 — 푼 건 접힘 '과정'이 아니라 '구조(결과)'이고, 그 힘의 원천도 물리적 통찰이라기보다 데이터였다. 구조 예측은 대체로 풀렸다. 그러나 '단백질이 왜·어떻게 그렇게 접히는가'는 여전히 열려 있다."

※ 개인적 견해이며, 논문 해석은 관점에 따라 다를 수 있습니다. 저자도 ablation은 '하이퍼파라미터를 재조정하지 않아 효과가 과대·과소될 수 있다'고 단서를 달았습니다.

9. 핵심 정리

• ✅ AlphaFold2 (Jumper 2021, Nature) — CASP14 중앙값 GDT 92.4 / 0.96 Å (차순위 2.8 Å). 단, 87개 도메인 중앙값이고 r.m.s.d.95는 최악 5%를 버린 관대한 잣대.
• ✅ 구조 — MSA·쌍 표현 → Evoformer (삼각 어텐션·곱셈) → 구조 모듈(잔기 프레임·IPA·FAPE) → 좌표+신뢰도, 거기에 recycling.
• ✅ 학습 — 자기증류(~35만 서열)·masked-MSA·distogram·pLDDT 헤드.
• ✅ 신뢰도 — pLDDT (잔기별)·PAE (상대 배치)·pTM (순위, 하한 추정).
• 🔬 Ablation의 반전 — 크게 무너지는 건 MSA 깊이·자기증류·masked-MSA·recycling; IPA 단독·distogram·템플릿은 작음, "등변성은 필수가 아니다".
• ⚠️ 한계 — 깊은 MSA 필요·정지 구조·돌연변이/복합체/리간드 못함. 'folding (과정)을 풀었다'가 아니라 '단일 도메인 구조(결과) 예측'을 푼 것.

10. 다음 학습 추천

• 🧬 AlphaFold 단백질 구조 예측(개념) — 이 논문을 쉽게 푼 개념 짝 (기초)
• ✍️ 단백질 설계(de novo) — 구조를 '읽기'의 반대, '쓰기'로 (응용)
• 🧱 단백질 구조 4단계 — AlphaFold가 예측하는 바로 그 형태 (기초)

References

1. Jumper, J., Evans, R., Pritzel, A., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583–589. (+ Supplementary Information)
2. Baek, M., DiMaio, F., Anishchenko, I., et al. (2021). Accurate prediction of protein structures and interactions using a three-track neural network (RoseTTAFold). Science, 373(6557), 871–876.
3. Tunyasuvunakool, K., Adler, J., Wu, Z., et al. (2021). Highly accurate protein structure prediction for the human proteome. Nature, 596(7873), 590–596.
4. Varadi, M., et al. (2022). AlphaFold Protein Structure Database (초기 ~36만 구조; 이후 2022-07 ~2억으로 확장). Nucleic Acids Research, 50(D1), D439–D444.
5. The Royal Swedish Academy of Sciences (2024). Nobel Prize in Chemistry 2024 — Hassabis·Jumper (구조 예측) / Baker (단백질 설계). nobelprize.org.

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