KLIFS, AlphaFold 3, Boltz-2, and OpenDDE

Editorial Abstract

KLIFS와 AlphaFold 3, Boltz-2, OpenDDE를 한 줄에 세워 “누가 더 좋은가”를 묻는 순간, 구조 기반 신약개발의 실제 문제를 잘못 정의하게 된다.

네 시스템은 같은 경주를 뛰는 경쟁자가 아니다. KLIFS는 이미 관측된 kinase–ligand 구조를 표준화해 기억하는 실험 근거 계층이고, AlphaFold 3는 아직 보지 못한 복합체의 3차원 구조를 추론하는 가설 생성기다. Boltz-2는 구조 예측에 affinity 평가를 결합해 후보를 선별하는 순위화 엔진에 가깝고, OpenDDE는 공개형 all-atom co-folding을 중심으로 prediction과 design을 한 프레임워크로 잇는 방향을 탐색한다. 이 구분이 서야 각 도구의 장점도, 한계도, 결합 방식도 선명해진다.

Kinase 신약개발에서 강한 시스템은 단일 모델이 아니라 관측 근거 → 구조 가설 → affinity/pose 평가 → medicinal-chemistry 비평 → 다음 실험으로 이어지는 증거 사슬이다.

Part I · §1–§3

네 도구는 네 개의 다른 질문에 답한다

같은 “구조 기반 신약개발”이라는 문장 안에 들어 있지만, 데이터베이스·구조예측·affinity 평가·공개 co-folding 플랫폼은 역할이 다르다.

먼저, 질문을 분해해야 한다

KLIFS과거 실험에서는 kinase pocket과 ligand가 어떻게 만났는가?

AlphaFold 3아직 실험 구조가 없는 분자들은 어떤 3D 복합체를 만들 가능성이 있는가?

Boltz-2어떤 pose가 가능하며, 후보가 binder일 가능성과 상대 affinity는 어떠한가?

OpenDDEall-atom co-folding을 공개 프레임워크로 수행하고 prediction을 design 방향으로 어떻게 확장할 것인가?

비교 항목	KLIFS	AlphaFold 3	Boltz-2	OpenDDE
본질	데이터베이스 / 지식베이스	AI 구조예측 모델	AI 구조 + affinity 모델	공개 all-atom foundation model
중심 질문	과거 실험에서는 어떻게 결합했는가?	이 분자들은 어떤 3D 구조를 만들까?	어떻게 결합하며 얼마나 잘 붙을까?	복합체 구조를 어떻게 만들고 설계로 확장할까?
대상	Kinase 특화	광범위 biomolecule	광범위 biomolecule	광범위 biomolecule
Experimental structure	핵심 데이터	학습 / 템플릿 자료	학습 자료	학습 자료
신규 복합체 구조 예측	✕	◎	◎	◎
Protein–ligand pose	기존 실험 pose	예측	예측	예측
Binding affinity 예측	✕*	✕	◎ 핵심 기능	현재 공개 preview에서는 주기능 아님
Kinase selectivity	◎ 매우 강함	△	○	○
SAR 설명	◎ 기존 사례 기반	○ 구조 가설	◎	○~◎
Mutant 구조	실험자료가 있어야 강함	◎	◎	◎
대규모 후보 ranking	△	△	◎	△
de novo ligand generation	✕	✕	자체 생성기는 아님	설계 방향 포함
API / LLM-RAG 활용	◎	실행 agent	실행 agent	실행 agent
근거 성격	관측된 사실	예측	예측	예측
자료가 기술한 현재 성숙도	장기간 운영 DB	매우 높음	높음 / 빠르게 발전	2026년 preview

* KLIFS는 알려진 ligand와 bioactivity의 연결을 제공하지만 신규 화합물의 affinity를 계산하는 prediction model은 아니다. 첨부 자료는 KLIFS가 326 kinases, 6,738 PDB structures, 13,972 monomers, 4,179 unique ligands를 표시하며 kinase catalytic pocket을 85개 residue position으로 표준화한다고 정리한다. [1]

KLIFS는 “미래를 예측하는 모델”이 아니다

“FGFR2에 신규 화합물이 어떻게 결합할까?”라는 질문을 그대로 던지면 네 도구의 차이가 잘 보이지 않는다. KLIFS는 신규 화합물의 미래 pose를 계산하지 않는다. 대신 기존 FGFR2 crystal structure에서 어떤 inhibitor가 hinge에 결합했는지, gatekeeper 뒤 공간을 썼는지, DFG motif와 αC-helix가 어떤 conformation에 있었는지, front/back pocket과 conserved water가 어떻게 배치되었는지, ligand interaction fingerprint가 어떤 패턴을 보였는지 찾아준다.

핵심은 kinase마다 제각각인 residue 번호를 85개의 공통 KLIFS position으로 맞춘다는 점이다. 숫자를 통일하면 구조가 달라도 질문을 통일할 수 있다. “이 kinase의 48번과 저 kinase의 48번이 어떻게 다른가?”라는 식의 비교가 가능해진다. 데이터베이스의 힘은 화려한 생성보다 비교 가능한 기준을 만드는 데 있다. [2]

KLIFS가 주는 것은 새 구조가 아니라, 새 구조를 판단할 때 사용할 수 있는 과거의 구조적 문법이다.

AlphaFold 3는 같은 질문을 미래형으로 바꾼다

“FGFR2 mutant + 신규 inhibitor X”처럼 실험 복합체가 없을 때는 사정이 달라진다. AlphaFold 3는 protein–protein, protein–ligand뿐 아니라 DNA, RNA, ion, modified residue를 포함한 all-atom interaction structure prediction을 다루며 Pairformer와 diffusion 기반 coordinate generation을 사용한다. 구조와 함께 confidence도 제공한다. [3]

\[\text{KLIFS}=\text{What was experimentally observed?}\]

\[\text{AlphaFold 3}=\text{What structure is likely?}\]

EGFR로 바꾸어도 원리는 같다. KLIFS에서는 Gefitinib, Erlotinib, Osimertinib과 유사 inhibitor가 EGFR pocket을 어떻게 썼는지 확인한다. AlphaFold 3에서는 Compound X가 EGFR L858R/T790M/C797S와 어떤 complex를 형성할지 계산한다. 전자는 과거 근거, 후자는 미래 구조 가설이다.

Part II · §4–§10

구조를 맞힌 것과 약효를 맞힌 것은 다른 일이다

pose confidence를 potency로 읽는 순간 모델의 출력 의미가 무너진다. 구조 가설, affinity 신호, medicinal chemistry 설명은 분리해서 봐야 한다.

AlphaFold 3는 affinity predictor가 아니다

예측된 protein–ligand 구조가 매우 그럴듯하다고 해서 곧바로 Kd = 5 nM 또는 IC50 = 20 nM이라고 말할 수 있는 것은 아니다. AlphaFold 3의 중심 과제는 biomolecular complex의 structure prediction이다. 구조 confidence와 interface confidence는 결합 가설의 신뢰도를 말해 주지만, 그 값을 potency나 binding affinity와 동일시해서는 안 된다. [3]

\[\text{high structural confidence}\;\not\equiv\;\text{high binding affinity}\]

이 틈에서 Boltz-2의 역할이 생긴다. Boltz-2는 구조뿐 아니라 protein–small molecule affinity를 직접 예측하도록 확장됐다.

Boltz-2는 “잘 붙는가”와 “얼마나 잘 붙는가”를 나눠 본다

첨부 자료가 인용한 공식 구현은 affinity_probability_binary와 affinity_pred_value를 구분한다. 전자는 “binder인가?”에 가까워 hit discovery에 적합하고, 후자는 binder 사이의 상대 affinity와 작은 chemical modification의 효과를 보는 hit-to-lead 및 lead optimization 신호로 쓰인다. 자료는 후자를 μM 기준 IC50에서 유도한 log10(IC50) 형태로 설명한다. [4]

\[\boxed{\text{KLIFS}=\text{Known interaction evidence}}\]

\[\boxed{\text{Boltz-2}=\text{Predicted interaction}+\text{Predicted affinity}}\]

100개의 신규 inhibitor가 있다면

KLIFS는 100개 후보를 직접 1위부터 100위까지 예측해 주지 않는다. 대신 어떤 interaction pattern을 가진 화합물이 과거에 선택성이나 원하는 결합 양상을 보였는지 알려준다. Boltz-2는 후보별 binder probability, affinity estimate, pose, confidence를 계산해 prioritization에 필요한 수치적 신호를 만든다.

둘을 결합한 점수는 개념적으로 다음과 같이 설계할 수 있다. 이 식은 첨부 자료가 제시한 개념적 scoring framework이며, 검증된 보편 공식으로 받아들여서는 안 된다.

\[S_i=w_1A_i+w_2I_i+w_3P_i+w_4Q_i\]

여기서 \(A_i\)는 Boltz-2 affinity, \(I_i\)는 KLIFS의 known-interaction consistency, \(P_i\)는 predicted pose confidence, \(Q_i\)는 구조 quality/confidence를 뜻한다. Boltz-2가 “얼마나 잘 붙을 가능성이 있는가”를 주고, KLIFS가 “그 결합 방식이 kinase medicinal chemistry에서 말이 되는가”를 묻는 구조다.

신규 kinase와 novel pocket에서는 AI co-folding의 가치가 커진다

KLIFS의 강점은 동시에 한계다. 관측된 kinase 구조가 충분히 존재하는 영역에서는 매우 강하지만, 새로운 kinase, 신규 mutant, 신규 ligand, novel allosteric pocket처럼 PDB precedent가 부족한 곳에서는 정보량이 급격히 줄어든다. 반면 AlphaFold 3, Boltz-2, OpenDDE는 sequence와 ligand를 바탕으로 기존 experimental complex가 없어도 구조 가설을 만들 수 있다.

KLIFSKnown structural space를 정밀하게 정렬·비교하는 데 강하다.

AI co-foldingUnknown structural space에 구조적 가설을 던지는 데 강하다.

관측의 빈자리를 예측이 메울 수는 있다. 그러나 예측이 관측이 되는 순간은 실험이 끝났을 때뿐이다.Evidence boundary

Part III · §7–§9 · §17–§20

Kinase selectivity에서는 “85개의 좌표”가 AI 점수만큼 중요하다

동일한 pocket coordinate system은 여러 kinase를 비교하고, affinity ranking을 해석 가능한 medicinal chemistry 가설로 바꾼다.

TYK2에는 붙고 JAK1/2/3에는 덜 붙게 만들고 싶다면

AI prediction model만 쓰면 TYK2, JAK1, JAK2, JAK3에 대해 ligand complex를 각각 계산하고 residue-by-residue 비교를 다시 해야 한다. KLIFS는 이 문제를 처음부터 85-position coordinate system으로 정리한다. 즉 selectivity를 만들 수 있는 residue와 pocket region을 family 수준에서 먼저 찾을 수 있다. [5]

\[\text{Target kinase}\;\longleftrightarrow\;\text{homologous kinases}\]

예를 들어 “TYK2의 KLIFS position 45, 48, 67은 JAK1/2/3과 어떻게 다른가?”라는 질문을 바로 만들 수 있다. 이때 구조 예측과 affinity 계산은 선택성 가설을 검증하는 다음 계층이 된다.

01 · KLIFS

Family-wide evidence scan

pocket alignment, known ligand interaction fingerprint, gatekeeper, DFG state, water, conformation을 비교해 selectivity를 만들 만한 구조 차이를 찾는다.

02 · AF3 / OpenDDE

Prospective structural hypothesis

신규 ligand가 실제로 그 selectivity pocket을 활용하는 pose를 만들지 본다.

03 · Boltz-2

Affinity panel

각 kinase에 대한 binder/affinity 신호를 계산해 on-target과 off-target의 상대적 우선순위를 본다.

Target	Boltz affinity	KLIFS pattern	해석 예시
TYK2	매우 좋음	desired pocket 사용	◎
JAK1	약함	key interaction 부재	◎
JAK2	중간	일부 interaction	△
JAK3	약함	pocket clash	◎

이 표는 첨부 자료의 설명용 예시이며 특정 화합물에 대한 실험 결과가 아니다. 핵심은 affinity ranking을 KLIFS interaction pattern과 함께 읽어야 selectivity의 구조적 이유가 보인다는 점이다.

“왜 이 compound인가?”라는 질문에 답하려면

“Compound A가 더 좋다”는 순위만으로는 medicinal chemistry가 움직이기 어렵다. “hinge H-bond를 유지하고 gatekeeper 뒤 hydrophobic pocket을 쓰며, 같은 KLIFS interaction fingerprint가 알려진 selective inhibitor에서도 반복된다”고 설명할 수 있어야 한다. KLIFS의 강점은 이 과거 사례 기반 설명 가능성에 있다.

LLM agent가 후보를 추천할 때 KLIFS를 단순한 검색 DB가 아니라 구조적 비평의 근거로 써야 하는 이유도 여기에 있다.

물은 작은 분자지만, 해석에서는 큰 변수다

Kinase medicinal chemistry에서는 conserved water가 potency와 selectivity의 핵심 매개가 되기도 한다. KLIFS는 kinase 구조에서 반복적으로 관찰되는 water position을 annotation한다. [5] 반면 첨부 자료가 요약한 Boltz-2의 affinity module 한계에는 ion, water, multimeric binding partner 등 cofactor context가 중요한 경우를 명시적으로 충분히 처리하지 못할 수 있다는 점이 포함된다.

“이 inhibitor의 potency가 water-mediated H-bond 때문인가?”라는 질문이라면, 예측 점수보다 먼저 KLIFS의 실제 water annotation을 확인할 이유가 있다.

Boltz-2 affinity는 실험값이 아니라 prioritization signal이다

첨부 자료는 Boltz-2가 large conformational change를 놓칠 수 있고, 잘못된 pocket을 잡으면 affinity도 흔들리며, assay별 성능 편차와 OOD chemical generalization 문제가 있고, cofactor context가 제한될 수 있다고 정리한다. 따라서 숫자를 측정된 \(K_d\)처럼 읽으면 안 된다.

\[\text{Boltz affinity}\;\neq\;\text{experimental }K_d\]

\[\text{Boltz affinity}=\text{prioritization signal}\]

KLIFS의 85-position을 Boltz conditioning으로 번역한다

Boltz-2는 pocket conditioning과 contact conditioning을 통해 특정 residue와 binder 사이의 spatial constraint를 줄 수 있다. KLIFS는 kinase binding pocket을 \(p_1,p_2,\ldots,p_{85}\)로 표준화한다. 따라서 특정 inhibitor class가 position 46, 48, 72를 반복적으로 사용한다는 experimental precedent를 찾았다면, 이를 guided co-folding에 사용할 constraint로 번역할 수 있다.

\[\boxed{\text{KLIFS structural knowledge}\rightarrow\text{Boltz pocket constraints}\rightarrow\text{guided co-folding}}\]

여기서 중요한 점은 “AI가 KLIFS를 대체한다”가 아니다. 반대로 실험 구조 지식이 생성 모델의 탐색 공간을 좁혀 주는 방식이다.

Part IV · §11–§14

OpenDDE의 “design”과 Boltz-2의 “discovery”를 같은 뜻으로 읽지 않는다

공개 preview, affinity head, conditional design, external generator의 경계를 구분해야 시스템을 과장하지 않고 쓸 수 있다.

OpenDDE는 현재 “open all-atom co-folding”이 가장 분명한 출발점이다

첨부 자료가 기준으로 삼은 2026년 8월 시점에서 OpenDDE는 OpenDDE-Preview다. 공식 프로젝트는 protein, DNA, RNA, ligand, ion 등을 입력으로 받는 all-atom biomolecular foundation model과 co-folding 구조를 공개한다. 그러나 저장소 자체가 preview release이며 production pipeline 용도가 아니고 CLI, JSON schema, checkpoint, 결과 재현성이 release 사이에서 달라질 수 있다고 경고한다. [6]

현재 Agent 시스템에서 OpenDDE를 가장 보수적으로 정의하면 “독립적인 open co-folding / structural hypothesis generator + emerging design engine”이다.

기술보고서는 structure prediction과 conditional design을 하나의 diffusion framework에 통합하고 일부 training stage에서 de novo design objective를 사용한다고 설명한다. 동시에 초록은 지금 당장의 강점을 complex structure prediction으로 두고, de novo design, affinity estimation, structure-conditioned optimization은 foundation이 열어 두는 다음 활용 방향으로 구분한다. 공개 README의 중심 명령도 자료 기준으로 opendde pred이다. [7] [6]

따라서 OpenDDE를 현재 Boltz-2와 동일한 수준의 affinity predictor로 취급하는 것은 역할을 섞는 해석이다.

Boltz-2가 de novo discovery workflow를 보여준다고 해서 molecule generator인 것은 아니다

첨부 자료는 Boltz-2의 virtual screening과 de novo discovery 사례에서 ligand generation 자체는 SynFlowNet 같은 외부 generative model과 결합했다고 지적한다. Boltz-2의 중심 역할은 평가와 prioritization이다.

\[\text{Generative Chemistry}\rightarrow\boxed{\text{Boltz-2}}\rightarrow\text{Affinity / Pose filtering}\]

OpenDDE는 이와 달리 prediction과 conditional design을 하나의 diffusion framework로 잇는 방향을 더 직접적으로 제시한다. 다만 “방향을 제시한다”와 “production-ready design engine으로 검증됐다”는 다른 문장이다.

구조 예측이라는 좁은 축에서 세 AI 모델을 비교하면

AlphaFold 3general biomolecular interaction predictor의 대표적 기준점이다. ligand, DNA, RNA, ion, modified residues까지 joint structure prediction을 정립했다. 자료가 인용한 구조 학습 기본 cutoff는 2021-09-30이다. [8]

Boltz-2AF3/Boltz-1 계열 co-folding에 affinity layer를 결합한 점이 가장 큰 차별화다. 첨부 자료는 PDB structural training data를 2023-06-01 이전 구조로 정리한다.

OpenDDEAF3 ecosystem의 아이디어를 바탕으로 더 큰 Pairformer dimension, atomic-level reasoning, shape-complementarity 등을 강조하는 공개 foundation model이다. 기술보고서의 ground-truth/template cutoff는 2021-09로 정리된다. [7]

세 모델의 구조를 비교하는 일은 유용하다. 그러나 이 비교는 곧바로 세 개의 독립된 실험을 뜻하지 않는다. 그 문제는 다음 Part에서 더 중요해진다.

Part V · §15–§18 · §21–§22

모델 합의는 실험 합의가 아니다

experimental precedent, model consensus, training-data overlap을 한 덩어리로 취급하면 불확실성을 줄이는 대신 숨기게 된다.

증거의 강도는 출처가 다르면 달라진다

KLIFS에서 PDB crystal structure에 residue–inhibitor hydrogen bond가 기록되어 있다면 그것은 experimental structure에서 관측된 interaction이다. AlphaFold 3, Boltz-2, OpenDDE가 같은 bond를 제시했다면 그것은 AI-generated structural hypothesis다. 둘은 같은 그림처럼 보여도 epistemic status가 다르다.

\[\boxed{\text{Experimental complex}\;>\;\text{high-confidence AI consensus}\;>\;\text{single-model prediction}}\]

이 계층은 절대적인 수학적 부등식이 아니라 첨부 자료가 제안하는 실용적 evidence hierarchy다. 핵심은 관측 근거와 예측 근거를 명시적으로 분리하는 데 있다.

세 모델이 동의해도 세 개의 독립 증거가 되지는 않는다

“AF3도 맞다고 하고, Boltz도 맞다고 하고, OpenDDE도 맞다고 한다”는 문장은 안정성 신호로는 의미가 있다. 그러나 세 모델은 계보와 구성요소, 학습에 사용한 구조 지식이 완전히 독립적이지 않다. 첨부 자료는 Boltz-2가 AF3와 Boltz-1의 계보를 직접 언급하고, OpenDDE 역시 AF3 ecosystem의 아이디어와 컴포넌트를 기반으로 한다고 정리한다. [4]

\[\text{AF3 agreement}+\text{Boltz agreement}+\text{OpenDDE agreement}\;\not\equiv\;\text{3 independent experiments}\]

세 모델의 합의는 “세 관련 모델에서 가설이 안정적으로 유지된다”는 uncertainty signal에 가깝다. 독립 실험의 대체물이 아니다.Model dependence

KLIFS precedent와 AI prediction도 무조건 독립 검증은 아니다

KLIFS가 experimental structure를 공급한다는 점은 분명한 장점이다. 그러나 그 PDB 구조가 AI 모델의 training cutoff 이전 자료라면 모델이 동일 구조 또는 매우 유사한 구조를 학습했을 가능성이 있다. 첨부 자료가 인용한 AlphaFold 3의 구조 학습 cutoff는 2021-09-30이고, Boltz-2는 PDB 구조를 2023-06-01까지 사용했다고 정리한다. [8]

\[\boxed{\text{Experimental KLIFS precedent}+\text{AI prospective prediction}}\]

이 조합은 단일 모델 prediction보다 강한 근거가 될 수 있지만, “독립”이라는 단어를 붙이기 전에 novelty와 training-data overlap을 확인해야 한다. Agent가 cutoff와 구조 등록 시점을 함께 추적해야 하는 이유다.

KLIFS의 특화성은 강점이자 범위 제한이다

KLIFS는 kinase-centric database다. GPCR, ion channel, nuclear receptor, 일반 enzyme, viral protein, antibody, RNA target으로 넘어가면 직접적인 역할이 급격히 줄어든다. 반면 AF3, Boltz, OpenDDE는 biomolecular-general model이다.

특화의 이익kinase pocket 표준화, selectivity 비교, ligand interaction fingerprint, conformation과 water precedent를 깊게 제공한다.

특화의 비용kinase 밖에서는 같은 구조적 기억장치를 그대로 사용할 수 없다. 다른 도메인에는 다른 evidence layer가 필요하다.

Part VI · §19–§20 · §26

Biomedical Agentic LLM은 “모델 호출기”가 아니라 증거 조정자여야 한다

KLIFS를 structural memory로, co-folding 모델을 hypothesis generator로, Boltz-2를 ranking engine으로, LLM을 critic과 experiment planner로 배치한다.

다섯 개의 역할로 분리하면 시스템이 명료해진다

01 · KLIFS Agent

Evidence Retriever

TYK2 structure, ligand IFP, JAK family pocket alignment, kinase conformation, gatekeeper, DFG state, conserved water를 검색한다. KLIFS는 대규모 분석을 위한 REST API를 제공한다. [2]

02 · AlphaFold 3

Structural Hypothesis

신규 compound X가 target kinase와 어떤 pose를 만들지 prospective complex를 생성한다.

03 · OpenDDE Agent

Alternative Structural Hypothesis

같은 문제를 다른 open co-folding model/sampling으로 계산해 동일 pocket과 interaction이 반복되는지 본다.

04 · Boltz-2 Agent

Affinity / Ranking

후보 \(C_1,\ldots,C_N\)에 대해 binder probability, affinity, pose, confidence를 계산한다. [4]

05 · MedChem Critic

Evidence synthesis

관측 구조, 예측 구조, affinity signal, water, selectivity, cutoff/leakage를 함께 읽고 다음 실험을 제안한다.

전체 파이프라인은 이렇게 보는 편이 과학적이다

\[\boxed{\text{User Question}}\]

\[\downarrow\]

\[\boxed{\text{Biomedical LLM Planner}}\]

\[\downarrow\]

\[\underbrace{\text{KLIFS}+\text{PDB}+\text{ChEMBL}}_{\text{Known evidence branch}}\]

\[\downarrow\]

\[\underbrace{\text{AF3}\parallel\text{OpenDDE}\parallel\text{Boltz-2}}_{\text{Prospective structural branch}}\]

\[\downarrow\quad\underbrace{\text{Boltz-2}}_{\text{Affinity / ranking branch}}\]

\[\boxed{\text{Structural Critic}}\rightarrow\boxed{\text{Next-best Experiment}}\]

Structural Critic이 반드시 물어야 할 일곱 가지

이 interaction은 이미 KLIFS에서 관측된 known interaction인가?
kinase 85-position 가운데 어떤 residue를 실제로 사용하는가?
AlphaFold 3와 OpenDDE의 pose는 어느 부분에서 일치하고 어느 부분에서 갈리는가?
Boltz-2 affinity signal이 구조 가설을 지지하는가, 아니면 구조는 그럴듯하지만 ranking이 약한가?
conserved water나 ion, multimeric context를 무시하고 있지 않은가?
비교한 experimental complex가 model training cutoff 이전 자료인가?
최종 후보 선택이 target-family selectivity를 구조적으로 설명할 수 있는가?

이 체크리스트를 통과해야 “AI가 높은 점수를 줬다”가 “실험할 가치가 있는 가설”로 바뀐다.

KLIFS를 데이터 소스가 아니라 Kinase Structural Memory Agent로 둔다

이 설계의 핵심은 KLIFS의 위치다. RAG에 연결된 정적 DB로 두면 검색 결과가 부록으로 붙는다. 반면 Kinase Structural Memory Agent로 두면 과거 experimental precedent가 이후의 model call과 critic 단계에 직접 영향을 준다.

“이 ligand는 여기 붙을 것 같다”에서 멈추지 않고, “왜 그렇게 생각하며 무엇을 먼저 검증해야 하는가”까지 연결해야 agentic science가 된다.

첨부 자료가 제시한 이상적인 출력은 다음과 같은 구조다. Boltz-2는 강한 affinity를 예측하고, AF3와 OpenDDE가 같은 binding orientation을 반복적으로 만들며, 그 orientation이 KLIFS에서 알려진 type-II FGFR inhibitor의 hinge/DFG/back-pocket interaction과 일치한다고 설명한다. 동시에 water-mediated interaction에서 모델 간 차이가 있으면 X-ray 또는 competition assay 같은 다음 검증을 우선하라고 제안한다.

즉 과거 실험 근거 + AI 예측 + 불확실성 + 다음 실험을 하나의 응답 안에 묶는 것이다.

Part VII · §23–§25

결국 “누가 최고인가?”보다 “어디에 놓을 것인가?”가 중요하다

연구 질문, 라이선스, self-hosting, 도메인 범위를 기준으로 역할을 결정하면 네 도구는 경쟁자가 아니라 계층이 된다.

연구 질문별 1순위와 2순위

연구 질문	1순위	2순위
알려진 kinase inhibitor binding mode	KLIFS	PDB
kinase selectivity 원인	KLIFS	Boltz-2
신규 ligand pose	AF3 / OpenDDE / Boltz	KLIFS precedent
신규 mutant 구조	AF3 / OpenDDE / Boltz	KLIFS WT
10,000개 hit prioritization	Boltz-2	KLIFS
potency 변화 설명	KLIFS + Boltz-2	AF3 / OpenDDE
scaffold hopping	generator + Boltz-2	KLIFS
allosteric pocket exploration	AF3 / OpenDDE	KLIFS
kinase family selectivity	KLIFS	Boltz panel
antibody / antigen	OpenDDE / AF3	Boltz
RNA / DNA complex	AF3 / OpenDDE / Boltz	KLIFS 해당 없음

라이선스와 실제 구축 조건도 모델 선택의 일부다

System	자료가 정리한 이용 조건	구축 관점
KLIFS	FAQ 기준 academia와 industry 모두 데이터 무료 이용	REST API 기반 evidence retrieval에 적합 [5]
AlphaFold 3	inference source code는 Apache-2.0, model parameters는 별도 이용조건	산업 시스템에서는 코드와 weight 조건을 분리 확인 [9]
Boltz-2	code와 weights를 MIT license로 제공	학술·상업 self-hosting에 비교적 단순 [4]
OpenDDE	Apache-2.0 공개 프로젝트	code/checkpoint/inference 공개 방향, 다만 preview 안정성 주의 [6]

첨부 자료는 이 관점에서 Boltz-2와 OpenDDE를 self-hosting 친화적인 선택지로 본다. 다만 라이선스와 release 상태는 시간이 지나며 바뀔 수 있으므로 실제 배포 시점에는 각 공식 조건을 다시 확인해야 한다.

네 도구의 가장 정확한 한 줄 정의

Kinase structural knowledge→ KLIFS. 관측된 구조를 표준화하고 selectivity와 SAR의 precedent를 제공한다.

Broad structural hypothesis→ AlphaFold 3. biomolecular interaction structure의 광범위한 prospective hypothesis generator다.

Screening / affinity / hit-to-lead→ Boltz-2. pose와 affinity signal을 이용해 후보를 평가·순위화한다.

Open co-folding + design research→ OpenDDE. 공개 all-atom co-folding과 prediction/design 통합 방향을 탐색한다.

하나를 고르는 문제가 아니다. 관측된 사실을 기억하는 계층, 모르는 구조를 가정하는 계층, 후보를 순위화하는 계층, 그 결과를 비판하고 다음 실험을 정하는 계층을 연결하는 문제다.Final synthesis

세 문장으로 남기면

첫째, KLIFS는 AI 모델보다 오래되었다는 이유로 낡은 도구가 아니다. kinase라는 좁은 세계에서 experimental evidence를 동일한 85-position 문법으로 비교하게 해 주는 구조적 기억장치다.

둘째, AlphaFold 3, Boltz-2, OpenDDE는 unknown structural space를 넓히지만, 예측 confidence와 affinity signal을 실험값으로 오해해서는 안 된다. 모델 합의도 계보와 학습 데이터가 겹치면 독립 증거가 아니다.

셋째, 가장 강한 Biomedical Agentic LLM은 많은 모델을 호출하는 시스템이 아니라 관측, 가설, 순위, 불확실성, 다음 실험을 서로 다른 epistemic layer로 유지하면서 연결하는 시스템이다.

Source References