단백질 구조 예측 AI는 무엇을 바꿨나: AlphaFold 3를 읽는 기준

단백질 구조를 예측한다는 것은 무엇일까

단백질은 아미노산이 길게 연결된 사슬에서 시작한다. 하지만 세포 안에서 기능할 때는 단순한 실 모양으로 남아 있지 않는다. 사슬의 여러 부분이 서로 끌어당기거나 밀어내고, 물과 막, 다른 분자의 영향을 받으면서 복잡한 입체 형태를 만든다. 이 입체 형태는 단백질이 어떤 분자와 결합할 수 있는지, 어떤 반응을 돕는지, 세포 안에서 어디에 자리 잡는지와 밀접하게 연결된다.

단백질 구조 예측은 아미노산 서열을 입력으로 받아 가능한 3차원 배치를 계산하는 일이다. 여기서 “예측”은 실제 분자를 현미경으로 촬영한다는 뜻이 아니다. 학습 데이터와 물리·기하학적 제약을 바탕으로, 관찰되지 않은 구조의 유력한 모형을 제시하는 과정에 가깝다.

구조를 직접 확인하는 방법도 있는데 왜 예측이 필요할까

구조생물학에서는 X선 결정학, 핵자기공명분광법, 극저온 전자현미경 같은 실험 기법을 사용한다. 이 방법들은 원자 수준에 가까운 정보를 제공할 수 있지만, 모든 단백질에 같은 속도와 난이도로 적용되지는 않는다. 시료를 안정적으로 만들기 어렵거나, 여러 형태를 빠르게 오가는 단백질이거나, 막과 결합한 상태를 유지해야 하는 경우에는 준비와 측정이 까다로울 수 있다.

AI 구조 예측은 실험을 없애는 기술이라기보다 실험 전에 후보를 좁히는 도구로 보는 편이 정확하다. 연구자는 예측 모형을 이용해 어느 부위를 먼저 살펴볼지, 어떤 변형을 비교할지, 어떤 결합 가능성을 실험으로 확인할지 정할 수 있다. 계산 결과가 좋은 출발점이 될 수는 있지만, 중요한 결론은 여전히 실험 자료와 함께 판단해야 한다.

AlphaFold는 무엇을 학습했나

초기의 구조 예측은 이미 구조가 알려진 비슷한 단백질을 찾아 새 서열의 형태를 추정하는 방식에 크게 의존했다. 이후 딥러닝은 서열 사이의 진화적 관계와 아미노산 잔기 사이의 거리를 함께 다루는 방향으로 발전했다.

여러 생물에서 보존되거나 함께 변하는 서열 위치는 구조적 가까움을 짐작하게 하는 단서가 될 수 있다. AlphaFold 2는 이런 진화 정보와 잔기 쌍의 관계를 신경망 안에서 반복적으로 교환하면서 단백질 사슬의 3차원 배치를 계산했다. 중요한 변화는 예측 과정의 여러 단계를 하나의 학습 체계로 연결해, 서열에서 구조까지의 관계를 통합적으로 최적화했다는 점이다.

AlphaFold 3는 관심 범위를 단일 단백질 사슬에서 더 넓은 분자 상호작용으로 확장했다. 단백질과 단백질, 단백질과 핵산, 단백질과 작은 분자가 만나는 복합체를 같은 틀에서 다루려는 접근이다. 따라서 “단백질 하나가 어떻게 접히는가”뿐 아니라 “서로 다른 분자가 어떤 배치로 만날 수 있는가”를 탐색하는 데 활용 범위가 넓어졌다.

구조 모형에서 무엇을 확인해야 하나

예측 결과는 한 장의 입체 그림만으로 평가하기 어렵다. 모델이 구조 전체를 얼마나 확신하는지, 특정 부위의 위치 관계를 얼마나 안정적으로 계산했는지 함께 봐야 한다.

• 잔기별 신뢰도는 단백질의 각 위치가 얼마나 안정적으로 예측되었는지 보여준다. 유연한 고리나 고정된 형태가 없는 부위는 신뢰도가 낮게 나타날 수 있다.
• 정렬 오차 예측은 서로 떨어진 두 부위의 상대적 배치가 얼마나 불확실한지 판단하는 데 쓰인다. 도메인 하나하나는 그럴듯해도 도메인 사이 방향은 불확실할 수 있다.
• 복합체 신뢰도는 서로 다른 분자의 접촉 면이 실제로 유지될 가능성을 살피는 보조 지표다. 결합 자세가 제시되었다는 사실만으로 실제 결합을 확정할 수는 없다.

신뢰도는 정답 여부를 보증하는 점수가 아니다. 학습 자료와 비슷한 단백질이 충분한지, 단백질이 여러 상태를 오가는지, 금속 이온이나 세포막 같은 주변 환경이 중요한지에 따라 해석 범위가 달라진다.

잘 맞는 구조와 생물학적으로 맞는 설명은 다르다

단백질은 고정된 조형물이 아니다. 결합 상대, 온도, 산도, 세포 안의 위치에 따라 형태가 달라질 수 있다. 하나의 대표 구조를 정확하게 맞혔다고 해도, 실제 기능에 중요한 짧은 전환 상태나 여러 형태 사이의 움직임을 모두 설명했다고 볼 수 없다.

또한 분자가 서로 가까이 배치된 예측과 실제로 강하게 결합한다는 주장은 구분해야 한다. 결합 세기, 반응 속도, 세포 안 농도, 독성처럼 실험으로 측정해야 하는 정보는 구조 모형만으로 확정되지 않는다. 구조 예측이 특정 질환의 원인이나 치료 효과를 직접 입증하는 것도 아니다.

단백질 변이를 볼 때 구조 예측이 주는 단서

아미노산 하나가 바뀌면 전하, 크기, 물을 좋아하는 성질이 달라질 수 있다. 변화가 단백질 내부의 빽빽한 부분에 생기면 접힘 안정성에 영향을 줄 수 있고, 다른 분자와 맞닿는 표면에 생기면 상호작용 방식이 달라질 가능성이 있다.

이때 구조 예측은 변이가 어느 위치에 놓이는지, 주변에 어떤 잔기가 있는지, 알려진 기능 부위와 얼마나 가까운지를 살피는 지도 역할을 한다. 그러나 지도에 표시된 위치만으로 변이의 생물학적 의미를 결정할 수는 없다. 집단 빈도, 세포 실험, 단백질 기능 측정, 가족력과 임상 정보 등 서로 다른 근거를 함께 검토해야 한다.

연구자가 예측을 사용하는 현실적인 순서

1. 질문에 맞는 서열과 분자 조합을 정한다.
2. 예측 구조와 신뢰도 지표를 함께 확인한다.
3. 알려진 실험 구조나 독립된 계산 결과와 비교한다.
4. 불확실한 부위와 서로 충돌하는 결과를 기록한다.
5. 기능을 확인할 수 있는 실험을 설계한다.
6. 새 자료가 나오면 모형과 해석을 다시 갱신한다.

이 순서에서 AI는 답을 대신 내리는 도구가 아니라, 확인할 가치가 있는 질문을 더 구체적으로 만드는 보조 수단이다. 구조 예측의 의미는 그럴듯한 그림을 빠르게 얻는 데만 있지 않다. 어떤 부분을 신뢰할 수 있고 어떤 부분은 아직 모르는지 분리해, 다음 실험의 우선순위를 세우는 데 있다.

두 리뷰 논문을 함께 읽을 때 보이는 점

첫 번째 리뷰는 단백질 접힘의 생화학적 기초부터 AlphaFold, RoseTTAFold, ESMFold 같은 구조 예측 접근을 넓게 정리한다. 실험 구조 분석의 역할, 진화 정보와 단백질 언어 모델의 활용, 구조 예측의 응용과 한계를 한 흐름에서 살펴볼 수 있다.

두 번째 리뷰는 AlphaFold 1에서 3까지의 변화에 더 집중한다. 단일 사슬의 접힘을 넘어 단백질·핵산·리간드 복합체를 다루는 방향으로 범위가 넓어졌지만, 단백질의 움직임과 여러 형태 상태를 예측하는 문제는 여전히 남아 있다고 설명한다.

두 자료의 공통점은 구조 예측의 발전을 강조하면서도 계산 결과만으로 생물학적 결론을 확정하지 않는다는 데 있다. 빠른 예측과 실험 검증은 경쟁 관계가 아니라 서로 다른 질문에 답하는 과정이다.

참고 자료

• Yin T, Chen Y, Wang Y, et al. Protein structure prediction powered by artificial intelligence: from biochemical foundations to practical applications. Frontiers in Molecular Biosciences. 2026. https://pubmed.ncbi.nlm.nih.gov/41878008/
• Chakraborty C, Bhattacharya M, Lee SS. The transformative impact of AI-enabled AlphaFold 3: evolution, current status, and future prospects in structural biology. Frontiers in Artificial Intelligence. 2026. https://pubmed.ncbi.nlm.nih.gov/42027778/

이 글은 두 리뷰 논문의 범위를 바탕으로 구조 예측의 개념과 해석 기준을 설명한다. 개인의 질환이나 치료 선택을 판단하기 위한 자료가 아니다.