알파폴드 그 이후: Boltz가 여는 오픈소스 신약 개발의 미래

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

단백질 구조 예측은 알파폴드를 통해 큰 진전을 이루었으나, 단백질 간 상호작용과 새로운 단백질 설계는 여전히 도전적인 과제이다. Boltz는 이를 해결하기 위해 생성형 확산(Diffusion) 모델 기반의 Boltz-1과 Boltz-2를 출시하여 단백질-리간드 상호작용 및 결합 친화도(Affinity) 예측을 가능하게 했다. 특히 BoltzGen은 구조와 서열 예측을 단일 작업으로 통합하여 효율적인 단백질 설계를 지원하며, Boltz Lab 플랫폼을 통해 연구자들이 대규모 연산 자원을 활용할 수 있도록 돕는다. 이러한 오픈소스 접근 방식은 신약 개발 과정을 가속화하고 기술적 장벽을 낮추는 데 기여하고 있다.

배경

단백질 구조(Protein Structure) 기초 지식, 알파폴드(AlphaFold) 작동 원리, 확산 모델(Diffusion Models)의 개념

대상 독자

신약 개발 연구원, 전산 생물학자(Computational Biologist), AI 기반 바이오 스타트업 개발자

의미 / 영향

Boltz의 오픈소스 행보는 거대 기업이 독점하던 고성능 생물학 모델을 대중화하여 중소 바이오텍과 학계의 연구 속도를 가속화할 것이다. 특히 구조와 서열을 통합 예측하는 기법은 단백질 설계의 효율성을 극대화하여 맞춤형 치료제 개발의 문턱을 낮추는 계기가 될 것으로 보인다.

섹션별 상세

단백질 구조 예측의 비약적인 발전은 진화적 상관관계(Co-evolutionary hints)를 해독하는 능력에 기반한다. 특정 위치의 돌연변이가 3D 구조 보존을 위해 다른 위치의 돌연변이를 유도하는 패턴을 분석함으로써 단일 사슬 단백질의 구조를 정확히 예측할 수 있게 되었다. 하지만 이러한 진화적 힌트가 없는 경우나 단백질이 접히는 동역학적 과정(Folding process)에 대한 이해는 여전히 부족한 상태이다.

알파폴드 3와 Boltz-1은 기존의 회귀(Regression) 방식에서 생성형 확산(Diffusion) 방식으로 전환했다. 이는 단일한 정답 좌표를 찾는 대신 사후 분포(Posterior distribution)에서 샘플링하는 방식으로, 단백질의 동적인 상태와 불확실성을 더 잘 표현할 수 있게 해준다. 또한 일반적인 트랜스포머보다 생물학적 데이터의 3D 기하학적 제약 조건을 반영하는 특화된 등변량(Equivariant) 아키텍처가 여전히 우수한 성능을 보임을 확인했다.

Boltz-2와 BoltzGen은 단백질 구조와 서열 예측을 하나의 통합된 작업으로 처리한다. 아미노산의 정체성을 원자 구성으로 인코딩하여 구조를 예측하는 과정에서 서열까지 동시에 도출하는 방식이다. 사용자가 특정 프레임워크나 사양을 입력하면 모델은 그에 맞는 3D 구조와 아미노산 서열을 생성하며, 특히 결합 친화도(Affinity) 예측에 집중하여 설계된 단백질이 타겟에 얼마나 강력하게 결합할지를 정량화한다.

모델의 성능을 검증하기 위해 단백질 데이터 은행(PDB)에 알려진 상호작용이 없는 9개의 타겟을 대상으로 실험을 진행했다. 그 결과, 설계된 단백질 중 3분의 2에서 나노몰(nM) 수준의 강력한 결합력을 가진 바인더를 확보하는 데 성공했다. 이는 모델이 단순히 학습 데이터를 암기하는 것이 아니라 새로운 단백질 설계에 실질적인 일반화 능력을 갖추고 있음을 입증한다.

Boltz Lab 플랫폼은 오픈소스 모델의 실행 장벽을 낮추기 위해 전용 GPU 커널을 통해 10배 빠른 추론 속도를 제공한다. 단백질 및 소분자 설계를 위한 '에이전트'를 제공하여 비전공자인 화학자나 생물학자도 복잡한 인프라 설정 없이 대규모 병렬 검색을 수행할 수 있도록 지원한다. 이는 학계와 산업계 모두가 고성능 AI 도구에 접근할 수 있게 하여 신약 개발 생태계를 민주화하려는 목적을 가진다.

신약 개발 현장의 숙련된 화학자들은 AI 모델에 대해 회의적인 시각을 갖는 경우가 많으나, 실질적인 실험 결과(Hit)를 통해 신뢰를 구축하고 있다. Boltz Lab은 화학자가 자신의 가설을 병렬적으로 테스트하고 모델의 출력을 직관적으로 필터링할 수 있는 인터페이스를 제공하여 인간의 통찰력과 AI의 계산 능력을 결합한다. 이러한 협업 모델은 단순한 자동화를 넘어 과학적 발견의 효율성을 극대화하는 방향으로 진화하고 있다.