그럴듯한 분자에서 실제로 만들고 시험할 분자로

구조 예측 다음의 질문은 “그래서 무엇을 만들 것인가”이다

첨부 자료는 지난 5~6년의 흐름을 단백질 구조 예측에서 분자 간 상호작용 설계로의 이동으로 설명한다. 2024년 AlphaFold 3가 정확도 측면에서 큰 도약을 보여 주었지만, 자료는 상업적 이용 제한과 비공개 정책을 연구 생태계의 장벽으로 지적하고, Gabriele Corso 연구진의 Boltz 프로젝트를 이를 완화하려는 open-source ecosystem으로 소개한다.

이 문제를 신약개발 관점에서 바꾸어 쓰면 간단하다. 수억 개의 chemical space를 모두 실험할 수 없으므로 구조를 예측하고, 결합력을 평가하고, 합성 가능한 후보만 다시 생성하는 계산적 압축이 필요하다.

Aleatoric과 epistemic을 한 구조로 뭉개지 않는다

첨부 자료는 biomolecular complex가 고정된 단일 구조가 아니라 ensemble로 존재한다는 점을 aleatoric uncertainty와 연결한다. 생물학적 상태 자체가 여러 가능성을 갖기 때문에 하나의 좌표만으로 모든 변동을 설명하기 어렵다는 취지다.

반면 epistemic uncertainty는 모델이 모르는 영역에서 생기는 불확실성으로 설명된다. 자료는 하나의 평균적 답보다 여러 유망한 구조를 생성해 선택하게 하는 전략을 이 문제에 대응하는 방법으로 서술한다.

다만 여러 sample을 생성하는 것 자체가 epistemic uncertainty를 올바르게 calibration한다는 뜻은 아니다. 첨부 문서는 두 개념을 교육적으로 구분하지만, calibration benchmark나 formal estimator는 제시하지 않는다.

무작위 원자 배치에서 구조를 점진적으로 복원한다

자료의 설명에서 foundation structure model의 핵심 mechanism은 diffusion과 denoising이다. 무작위 noise 상태의 원자 좌표에서 시작해 반복적인 denoising step으로 plausible geometry를 복원한다.

여기서 global geometry를 잘 잡는 것과 local stereochemistry를 지키는 것은 다르다. 첨부 자료는 초기 diffusion-based model이 atom clash나 잘못된 bond geometry를 만들 수 있었고, 이를 현실적으로 불가능한 원자 겹침에 빗대어 설명한다.

생성 뒤에 검사하는 대신 생성 중에 방향을 틀어 준다

Boltz-1x에 관한 첨부 설명의 핵심은 physics-inspired steering potential이다. denoising 단계마다 atom이 너무 가까워지거나 bond geometry가 어긋나는 방향을 감지해 더 물리적으로 안정한 coordinate 쪽으로 이동시키는 방식으로 설명된다.

위 식은 첨부 자료의 서술을 개념적으로 정리한 표현이다. 문서에는 실제 Boltz-1x의 정확한 update equation이 제공되지 않는다.

첨부 자료는 자신이 “Postbuster”라고 부르는 physical-validity 검사에서 steering 이전 약 30–50% 수준의 통과율이 Boltz-1x에서 95% 이상으로 올라갔다고 주장한다. 이 명칭과 수치는 파일 안의 표현을 그대로 따른 것이며 외부 benchmark와 대조하지 않았다.

실험 구조, simulation, synthetic data를 함께 쓴다

자료는 foundation model의 주요 input/training data source로 PDB experimental structure, molecular-dynamics trajectory, quality filtering을 거친 대규모 synthetic data를 열거한다. 세 종류는 서로 다른 역할을 한다. 실험 구조는 관측 근거를 제공하고, MD trajectory는 dynamic variation을 보강하며, synthetic data는 coverage를 넓히는 수단으로 설명된다.

좋은 pose와 좋은 binder는 같은 문장이 아니다

첨부 자료는 Boltz-2를 foundation structure model과 predictive model 사이의 핵심 bridge로 놓는다. 구조를 바탕으로 binding affinity와 ADMET을 판정하고, lead optimization에서 후보 우선순위를 좁히는 역할을 강조한다.

여기서 \(P\)는 target, \(L\)은 ligand, \(X\)는 구조 또는 ensemble representation, \(\widehat y\)는 affinity/property prediction을 뜻하는 개념식이다.

문제는 데이터 양보다 어떤 실패가 기록되지 않았는가이다

첨부 자료는 affinity learning의 난점으로 positive-data bias를 든다. 성공한 실험 결과가 더 많이 공개되고 실패나 약한 binder는 덜 남기 때문에, 모델이 현실보다 낙관적인 distribution을 배울 수 있다는 설명이다. 이를 완화하기 위해 대규모 screening data와 의도적으로 만든 synthetic data를 섞는 전략을 제시한다.

또 하나의 문제는 signal sparsity다. complex 하나에 affinity label이 단 하나뿐이고 experimental noise도 크기 때문에, 작은 chemical change가 potency를 얼마나 바꾸는지 분리해 학습하는 것이 어렵다.

한 구조에서 한 숫자를 읽는 것보다 상태 분포에서 신호를 모은다

문서 후반부는 Boltz-2가 단일 structure가 아니라 ensemble representation을 이용해 biological dynamics와 noisy data를 반영한다고 설명한다. 이는 구조적 변동성과 affinity prediction을 연결하려는 서술이다. 다만 구체적인 ensemble construction, aggregation rule, benchmark protocol은 첨부 파일에 포함되어 있지 않다.

아무리 좋은 score도 만들 수 없는 molecule이면 실험으로 가지 못한다

생성 모델의 목표는 chemical space를 넓게 탐색하는 데 있지만, 실제 drug discovery에서는 synthesizability가 경로 제약으로 들어와야 한다. 자료는 synthesis-aware generation을 “실험실에 있는 building block과 검증된 reaction rule만 사용해 molecule을 조립하라”는 규칙으로 설명한다.

각 action \(a_t\)는 허용된 chemical transformation이고, terminal state \(M\)은 후보 molecule이다. 이 formulation에서 생성의 단위는 최종 SMILES 하나가 아니라 합성 trajectory다.

결과를 걸러내는 모델보다 과정을 설계하는 모델

첨부 파일은 GFlowNets를 가용 building block에서 시작해 실제 가능한 reaction path를 따라 trajectory를 sampling하는 generative mechanism으로 소개한다. “생성된 molecule은 정의상 반드시 합성 가능하다”는 강한 표현도 사용한다.

다만 이 마지막 문장은 자료의 주장으로 제한해서 읽어야 한다. reaction template를 따르는 것과 실제 wet-lab에서 높은 수율로 합성되는 것은 동일하지 않으며, 첨부 파일에는 route feasibility·yield·reagent availability를 검증한 별도 실험이 없다.

small molecule과 protein design은 다른 종류의 제약을 가진다

AI는 과학자의 가설과 제약을 제거하지 않고 받아들이는 시스템이다

첨부 자료가 제시한 세 종류의 난제 타겟

STAT6

자료는 학습 데이터에 ligand 정보가 없던 고난도 target이라고 설명하며, Boltz pipeline이 candidate binding hypothesis를 제안한 뒤 3회의 확인 시험을 통해 실제 binding mechanism을 증명했다고 서술한다. assay 종류와 수치는 파일에 더 자세히 제시되지 않는다.

MRGPRX2 / GPRX2 표기

앞부분에서는 MRGPRX2를 알려진 antagonist가 없던 까다로운 GPCR target으로 설명하고, 38개의 molecule만 테스트해 agonist와 antagonist를 모두 찾았다고 쓴다. 후반부에서는 동일 맥락에서 GPRX2라고 표기한다. 이 글은 파일의 내부 표기 차이를 임의로 교정하지 않고 같은 사례군으로만 묶는다.

PPI / “Gabber”

자료는 수년간 small-molecule binder를 찾지 못한 PPI target “Gabber”를 예로 들고, Boltz-Sprout pipeline이 높은 hit rate로 active compound를 찾았다고 주장한다. target명과 hit-rate 수치는 첨부 문서 밖의 reference가 없어 그대로 source claim으로 남긴다.

후반부가 언급하는 GPCR 사례

첨부 파일은 또 다른 실전 사례 목록에서 GLP2와 MR 같은 GPCR target에서 실제 작동하는 compound를 발굴했다고 적는다. 구체적인 compound 수, assay, baseline은 포함되지 않는다. 따라서 이 사례들은 “파일이 언급한 적용 사례” 이상으로 확대해서 해석하기 어렵다.

physical steering은 왜 중요한가

첨부 자료의 “nuclear fusion” 비유는 과격하지만 요점은 분명하다. atom이 비정상적으로 겹치는 구조는 시각적으로는 complex처럼 보일 수 있어도 실제 molecule로 존재할 수 없다. 그래서 물리적 제약은 최종 품질검사보다 denoising process 내부에 들어가는 편이 더 직접적이라는 논리다.

두 수치는 파일이 “Postbuster” benchmark라는 이름 아래 제시한 값이다. benchmark spelling, dataset, sample count, confidence interval은 문서에 포함되어 있지 않다.

합성 인지는 chemical search space 자체를 바꾼다

일반 generative model은 먼저 molecule을 만들고 나중에 synthesizability filter를 적용할 수 있다. 첨부 자료의 synthesis-aware 접근은 반대로 허용된 building block과 reaction rule로 reachable한 state만 탐색한다. 이 차이는 후보의 개수가 아니라 탐색 공간의 정의를 바꾼다.

그 결과 모델은 생성과 route planning을 부분적으로 묶을 수 있다. 그러나 reaction-template reachability가 실제 실험실의 yield, purification, safety, cost를 모두 보장하는 것은 아니다.

실험은 마지막 단계가 아니라 다음 모델 입력이다

자료는 scientist-in-the-loop와 함께 data flywheel을 강조한다. 실험에서 얻은 positive/negative evidence가 다시 model과 search policy를 정교하게 만드는 순환이다.

여기서 \(D_t\)는 현재 data, \(M_t\)는 model/pipeline, \(E_t\)는 새 experiment evidence를 뜻하는 개념식이다. 이 loop가 닫히려면 실패 실험도 데이터로 남아야 positive-data bias를 줄일 수 있다는 점이 앞선 predictive-model 문제와 연결된다.

코드가 공개되어도 계산 자원이 없으면 사용할 수 없다

첨부 자료는 Gabriele Corso의 메시지를 “open source”보다 더 넓은 open access로 요약한다. high-performance biomolecular AI는 큰 compute를 요구하므로 license barrier뿐 아니라 usability와 access barrier까지 낮춰야 연구 공동체가 실제로 benefit을 얻는다는 주장이다.

문서는 MIT 등 학계가 Boltz model을 바탕으로 glycan, TCR–MHC interaction 같은 specialized domain 연구를 확장하고 있다고도 서술한다. 이 구체 사례에 대한 논문명과 URL은 파일에 없다.

자료를 그대로 읽을 때 주의할 표현

Boltz stack을 한 문장으로 읽으면

이 문서가 말하는 미래는 AI가 과학자를 없애는 그림이 아니다. 오히려 AI가 더 많은 candidate를 더 빠르게 만들고 거르는 대신, 과학자는 어떤 constraint와 assay를 걸어야 하는지, 어떤 실패를 다음 round의 evidence로 남길지를 결정한다. 그런 의미에서 “scientist in the loop”는 마지막 인간 검토 단계가 아니라 전체 optimization loop의 일부다.

다섯 가지로 정리하면

첨부 자료의 모델·기술 항목