Google AlphaFold3

AlphaFold3는 DeepMind가 개발한 단백질 구조 예측 시스템으로, 이전 버전인 AlphaFold2보다 훨씬 더 발전된 정확도와 적용 범위를 보여주는 모델이다. AlphaFold2가 단백질 서열을 바탕으로 단일 단백질의 3차원 구조를 예측하는 데 초점을 맞췄다면, AlphaFold3는 단백질뿐 아니라 DNA, RNA, 리간드(소분자), 이온, 물 같은 다양한 분자들과의 상호작용을 함께 예측할 수 있도록 설계되었다. 쉽게 말해서 AlphaFold2가 “단백질 단일체 구조”를 예측했다면, AlphaFold3는 “분자 복합체 전체”를 예측하는 모델이다.

AlphaFold3의 핵심 개념은 통합적인 분자 상호작용 예측이다. 이 모델은 단백질뿐만 아니라 단백질-단백질, 단백질-DNA, 단백질-RNA, 단백질-리간드, 단백질-이온 복합체를 모두 예측할 수 있다. 즉, 세포 내에서 실제로 벌어지는 복잡한 상호작용 상황을 모델링할 수 있게 설계됐다.

알고리즘의 주요 특징

1. 다중 시퀀스 얼라인먼트(MSA) 기반 정보 처리 AlphaFold2와 마찬가지로, AlphaFold3도 단백질 서열이 진화적으로 보존된 패턴을 찾기 위해 MSA를 사용한다. 이 정보는 단백질이 어떤 구조를 가질 가능성이 높은지를 추정하는 중요한 힌트를 제공한다.

2. 그래프 기반 구조 표현 AlphaFold3는 분자 시스템 전체를 그래프 형태로 모델링한다. 노드는 원자 또는 분자 단위이고, 엣지는 이들 사이의 거리와 상호작용을 나타낸다. 이 그래프를 통해 단백질뿐만 아니라 DNA, RNA, 리간드 등 이질적인 화학적 구성요소를 통합적으로 처리한다.

3. Evoformer의 확장 AlphaFold2의 핵심 컴포넌트였던 Evoformer 블록이 AlphaFold3에서는 구조 예측뿐 아니라, 다양한 분자 유형에 맞게 확장되었다. 이 블록은 시퀀스 정보와 구조적 정보를 상호 교환하며 진화적으로 얻어진 패턴을 공간적으로 해석해 구조를 유도한다.

4. 구조 재구성과 피드백 루프 예측 과정에서 AlphaFold3는 초기 구조를 반복적으로 수정해나가는 self-distillation 형태의 피드백 루프를 사용한다. 이 과정은 초기 예측을 점점 더 정밀하게 다듬어, 실제 실험 데이터와 거의 차이가 없는 수준의 정확도를 만든다.

5. 트레이닝 데이터와 학습 방식 AlphaFold3는 기존의 단백질 구조 데이터베이스인 PDB 뿐만 아니라 DNA, RNA, 리간드 결합 구조 데이터를 대량으로 학습했다. 이로 인해 단백질뿐 아니라 다른 생체분자의 입체적 특성과 결합 방식도 함께 학습되어, 복합체 예측이 가능해졌다.

6. 통합 에너지 함수를 사용한 점수화 AlphaFold3는 물리적 에너지 모델을 학습 기반으로 내재화했다. 즉, 단순히 좌표를 예측하는 게 아니라, 분자 간의 결합이 물리적으로 가능한지를 고려해 예측의 품질을 평가하고 최적화한다.

정리하자면 AlphaFold3는 단백질-서열 기반 구조 예측을 넘어서, 세포 내에서 실제로 일어나는 분자 상호작용 전체를 예측하는 강력한 AI 도구다. 이 모델은 단백질 구조 생물학, 신약 개발, 기능성 바이오소재 설계 등 다양한 분야에서 혁신적인 가능성을 열어주고 있다. 실험 없이도 이론적으로 분자 수준의 구조를 정확하게 파악하고 시뮬레이션할 수 있다는 점에서 생명과학 연구의 패러다임을 바꾸고 있다.

Review and discussion of AlphaFold3