생명의 설계도, 단백질 접힘과 인공지능(AI)의 만남
단백질 하나가 잘못 접히면 알츠하이머, 파킨슨병, 광우병이 생긴다. 단순히 '모양이 틀렸다'는 문제가 아니라, 수십 년에 걸쳐 뇌를 파괴하는 연쇄반응의 시작점이다. 그런데 인류는 2021년까지도 단백질이 어떻게 접히는지를 제대로 예측하지 못했다. 50년 묵은 난제가 AI 하나로 사실상 해결됐다는 소식이 과학계를 뒤흔든 이유가 바로 여기에 있다.
단백질 접힘이란 무엇인가 — 아미노산 사슬이 생명이 되는 순간
아미노산에서 3차원 구조로
단백질은 아미노산이 일렬로 연결된 사슬이다. 사람 몸에서 만들어지는 단백질은 수만 종류가 넘고, 각각은 수백에서 수천 개의 아미노산으로 구성된다. 문제는 이 사슬이 그냥 늘어져 있지 않는다는 점이다. 합성이 끝나는 순간, 사슬은 물리화학적 힘에 의해 특정한 3차원 형태로 '접힌다'.
이 최종 형태가 단백질의 기능을 결정한다. 효소가 특정 분자만 분해하는 것도, 항체가 바이러스에 딱 달라붙는 것도, 헤모글로빈이 산소를 운반하는 것도 전부 3차원 구조 덕분이다. 자물쇠와 열쇠처럼, 형태가 맞아야 기능이 작동한다.
그런데 아미노산 서열이 같아도 접힘 방식이 달라지면 완전히 다른 — 때로는 치명적인 — 단백질이 된다. 프리온 단백질이 대표적인 사례다. 정상 프리온과 병원성 프리온은 아미노산 서열이 동일하지만, 접힘 구조가 달라 광우병 같은 질환을 일으킨다.
'접힘 문제'가 왜 50년간 풀리지 않았나
1972년 노벨화학상 수상자 크리스티안 안핀센은 단백질의 아미노산 서열이 최종 구조를 결정한다는 것을 실험으로 증명했다. 이론은 맞았다. 그런데 서열만 보고 구조를 예측하는 계산은 전혀 다른 문제였다. 아미노산 100개짜리 단백질이 취할 수 있는 구조의 경우의 수는 우주의 원자 수보다 많다는 추정이 있을 정도다.
기존 방법인 X선 결정학이나 냉동전자현미경은 실제 단백질을 실험실에서 분석해야 했다. 하나의 구조를 밝히는 데 수년이 걸리기도 했고, 비용도 상당했다. 인류가 수십 년간 밝혀낸 단백질 구조 데이터베이스(PDB)에는 약 20만 개의 구조가 등록되어 있었는데, 알려진 단백질 서열 수억 개에 비하면 극히 일부였다.
AlphaFold는 어떻게 단백질 접힘을 예측하는가
딥러닝이 50년 난제를 뚫은 방식
구글 딥마인드가 개발한 AlphaFold2는 2020년 CASP(단백질 구조 예측 경쟁) 대회에서 경쟁자들을 압도적으로 따돌렸다. 기존 최고 방법들이 평균 정확도 60점대를 기록하던 지표에서 AlphaFold2는 90점 이상을 찍었다. 과학자들이 '게임 체인저'라는 표현을 아끼지 않은 이유다.
AlphaFold2의 핵심은 두 가지다. 첫째, 진화 정보를 활용한다. 서로 다른 종에서 같은 단백질의 서열이 어떻게 변해왔는지를 분석하면, 어떤 아미노산 쌍이 함께 변하는지 알 수 있다. 함께 변한다는 것은 공간적으로 가깝다는 신호다. 둘째, 트랜스포머 기반의 어텐션 메커니즘을 사용해 아미노산들 사이의 관계를 동시에 계산한다. 언어 모델이 단어 사이의 맥락을 파악하는 것과 구조적으로 같은 원리다.
2022년 딥마인드는 AlphaFold2로 예측한 2억 개 이상의 단백질 구조를 무료로 공개했다. 사실상 알려진 모든 단백질 서열에 대한 구조 예측 데이터베이스를 만든 것이다. 이 데이터베이스는 지금도 전 세계 연구자들이 매일 사용하고 있다.
AlphaFold2가 공개한 2억 개의 단백질 구조 예측은, 기존 실험 과학이 50년간 쌓아온 데이터의 1,000배를 단번에 제공했다.
예측이 실험을 완전히 대체할 수 있을까
솔직히 말하면, 아직은 아니다. AlphaFold의 예측은 정적인 구조에 강하다. 단백질이 다른 분자와 결합할 때 어떻게 모양이 바뀌는지, 세포 안의 복잡한 환경에서 어떻게 움직이는지는 여전히 실험이 필요하다. 예측 정확도도 단백질 종류에 따라 편차가 있다.
그럼에도 연구 속도는 완전히 달라졌다. 예전에는 구조를 모른 채 수년간 실험을 설계했다면, 지금은 예측 구조를 출발점으로 삼아 실험 가설을 훨씬 빠르게 좁힐 수 있다.
단백질 접힘 AI가 실제로 바꾸고 있는 것들
신약 개발의 속도가 달라진다
신약 개발에서 가장 오래 걸리는 단계 중 하나가 '표적 단백질의 구조 파악'이었다. 어떤 단백질이 질병에 관여하는지 알아도, 그 단백질의 어느 부위에 약물이 결합해야 하는지를 모르면 설계가 불가능하다. AlphaFold 이후 이 병목이 상당 부분 해소됐다.
말라리아 백신 개발이 구체적인 사례다. 연구자들은 AlphaFold로 말라리아 기생충 단백질의 구조를 예측해, 기존에는 접근하기 어려웠던 표적 부위를 발견했다고 보고했다. 수년이 걸릴 작업이 몇 주로 단축된 경우도 있었다.
항생제 내성 문제도 비슷하다. 내성균이 가진 특정 효소의 구조를 빠르게 파악하면, 그 효소를 무력화하는 화합물을 설계하는 속도가 빨라진다. AI가 직접 약을 만드는 게 아니라, 과학자들이 올바른 방향을 더 빨리 찾도록 돕는 것이다.
잘못 접힌 단백질 질환 연구의 새 지평
알츠하이머의 아밀로이드 베타, 파킨슨의 알파-시누클레인, 루게릭병의 TDP-43. 이 단백질들은 모두 비정상적으로 접혀 응집체를 형성하는 것이 질병과 연관된다. 문제는 이 '잘못 접힌' 구조가 너무 불안정하고 일시적이어서 실험으로 포착하기가 극히 어렵다는 점이었다.
AI 기반 예측 도구들은 이런 과도기적 구조나 비정상 접힘 상태를 시뮬레이션하는 데도 점점 활용되고 있다. 아직 완전히 해결된 문제는 아니지만, 연구자들이 실험 설계에 쓸 수 있는 가설의 수가 폭발적으로 늘었다.
단백질이 잘못 접히는 '그 순간'을 포착하는 것이 신경퇴행성 질환 치료의 핵심이다 — AI는 그 순간을 처음으로 시뮬레이션 가능한 영역으로 끌어들이고 있다.
AI 단백질 예측의 한계와 다음 도전 과제
AlphaFold가 아직 못 하는 것들
AlphaFold는 단일 단백질의 정적 구조 예측에서는 혁명적이다. 그런데 세포 안에서 단백질은 혼자 일하지 않는다. 여러 단백질이 복합체를 이루거나, 작은 분자와 결합하거나, 막 구조 안에 박혀 있는 경우가 훨씬 많다. 이런 복잡한 상호작용 예측은 여전히 초기 단계다.
단백질의 '동적 움직임'도 마찬가지다. 효소가 기질을 붙잡고 반응을 촉매하는 과정은 구조가 계속 변하는 동적 사건이다. 정적 스냅샷 하나로는 이 과정을 완전히 설명할 수 없다. 분자동역학 시뮬레이션과 AI를 결합하려는 시도가 활발하지만, 계산 비용이 여전히 크다.
단백질 설계 — 예측을 넘어 창조로
더 흥미로운 방향은 '역방향 문제'다. 원하는 기능을 가진 단백질을 설계하고, 거기에 맞는 아미노산 서열을 AI가 제안하는 것이다. 워싱턴대학교 데이비드 베이커 연구팀의 RoseTTAFold와 이후 개발된 도구들이 이 분야를 개척하고 있다. 자연에 존재하지 않는 단백질을 처음부터 설계하는 '드 노보 단백질 설계'가 현실이 되고 있다.
실제로 연구자들은 AI로 설계한 단백질이 실험실에서 예측대로 접히고 기능하는 것을 확인하는 사례를 보고하고 있다. 이것은 단순한 예측 도구를 넘어, 생명의 언어를 직접 쓰는 단계로 넘어가는 것이다.
(Opinion: AI가 단백질 구조를 예측하는 것과 단백질을 설계하는 것 사이의 거리는, 지도를 읽는 것과 지형을 직접 만드는 것의 차이다. 후자가 가능해진다면 의학과 소재과학의 경계가 근본적으로 다시 그려질 것이다. 이 속도가 조금 무섭기도 하다.)
자주 묻는 질문
AlphaFold는 무료로 사용할 수 있나요?
딥마인드는 AlphaFold의 예측 데이터베이스를 유럽생물정보학연구소(EMBL-EBI)와 함께 무료로 공개했다. 연구자뿐 아니라 누구나 접근할 수 있으며, 소스 코드도 오픈소스로 공개되어 있다. 다만 상업적 활용에는 별도 라이선스 조건이 있을 수 있으므로 확인이 필요하다.
단백질 접힘 예측이 100% 정확한가요?
AlphaFold2는 많은 단백질에서 실험 결과와 거의 일치하는 수준의 정확도를 보이지만, 모든 단백질에 동일하게 적용되지는 않는다. 특히 구조가 고정되지 않고 유동적인 '내재적 무질서 단백질'이나 막 단백질 일부에서는 예측 신뢰도가 낮아진다. AlphaFold 자체도 각 예측 부위별로 신뢰도 점수(pLDDT)를 함께 제공한다.
단백질 접힘 AI가 의약품 개발을 얼마나 빠르게 만드나요?
구조 파악이라는 특정 병목 단계에서는 수년이 걸리던 작업이 수일 또는 수주로 단축되는 사례가 보고되고 있다. 그러나 신약 개발 전체 과정 — 임상시험, 안전성 검증, 규제 승인 — 은 여전히 10년 이상 걸린다. AI는 초기 발견 단계를 가속화하지만, 전체 개발 기간을 마법처럼 줄여주지는 않는다.
단백질 접힘 문제의 해결이 순수하게 기쁜 소식만은 아닐 수도 있다. 자연에 존재하지 않는 단백질을 설계하고 합성하는 능력은, 신약을 만드는 것과 동시에 새로운 생물학적 위험을 설계하는 능력이기도 하다. 생명의 언어를 읽는 것에서 쓰는 것으로 넘어가는 이 전환점에서, 기술의 속도와 윤리적 논의의 속도가 같은 방향으로 달리고 있는지 확인하는 것이 어쩌면 가장 중요한 질문일지 모른다.
댓글
댓글 쓰기