# AlphaFold 3, 생명체 분자 구조 및 상호작용 예측 기술 > Clean Markdown view of GeekNews topic #14716. Use the original source for factual precision when an external source URL is present. ## Metadata - GeekNews HTML: [https://news.hada.io/topic?id=14716](https://news.hada.io/topic?id=14716) - GeekNews Markdown: [https://news.hada.io/topic/14716.md](https://news.hada.io/topic/14716.md) - Type: GN+ - Author: [neo](https://news.hada.io/@neo) - Published: 2024-05-09T09:57:40+09:00 - Updated: 2024-05-09T09:57:40+09:00 - Original source: [blog.google](https://blog.google/technology/ai/google-deepmind-isomorphic-alphafold-3-ai-model/) - Points: 5 - Comments: 1 ## Topic Body ### AlphaFold 3의 주요 기능과 특징 - AlphaFold 3는 Google DeepMind와 Isomorphic Labs가 개발한 새로운 AI 모델로, 단백질, DNA, RNA, 리간드 등의 구조와 상호작용을 정확하게 예측함으로써 생물학적 세계와 신약 개발에 대한 이해를 높일 수 있음 - 다른 분자 유형과의 상호작용에서 기존 예측 방법에 비해 최소 50% 이상 개선되었으며, 일부 중요한 상호작용 범주에서는 예측 정확도가 두 배로 향상됨 - AlphaFold 2의 기반 위에 구축되었으며, AlphaFold 2는 2020년에 단백질 구조 예측에서 근본적인 돌파구를 마련함 - AlphaFold 3는 단백질을 넘어 광범위한 생체분자로 확장되었음. 이는 생물재생 가능한 재료 개발, 더 탄력적인 작물, 신약 설계 가속화, 유전체 연구 등 더 많은 혁신적인 과학을 가능하게 할 수 있음 ### AlphaFold 3의 작동 방식 - 입력된 분자 목록이 주어지면 AlphaFold 3는 분자들이 어떻게 맞물리는지 보여주는 3D 구조를 생성함. 단백질, DNA, RNA와 같은 큰 생체분자뿐만 아니라 리간드라고 알려진 작은 분자도 모델링할 수 있음 - 많은 약물을 포함하는 범주인 리간드 모델링이 가능함. 또한 세포의 건강한 기능을 제어하는 이러한 분자의 화학적 변형을 모델링할 수 있으며, 이는 질병으로 이어질 수 있음 - AlphaFold 2의 놀라운 성능을 뒷받침한 딥러닝 아키텍처인 Evoformer 모듈의 개선된 버전이 모델의 핵심임 - 입력을 처리한 후 AlphaFold 3는 AI 이미지 생성기에서 발견되는 것과 유사한 확산 네트워크를 사용하여 예측을 조립함. 확산 과정은 원자 구름으로 시작하여 여러 단계를 거쳐 최종적으로 가장 정확한 분자 구조로 수렴함 ### 신약 개발에서의 AlphaFold 3의 역할 - AlphaFold 3는 단백질과 결합하여 인간의 건강과 질병에서 상호 작용하는 방식을 변화시키는 리간드 및 항체와 같이 약물에 일반적으로 사용되는 분자에 대한 예측을 통해 신약 설계 능력을 창출함 - AlphaFold 3는 리간드 및 항체와 표적 단백질의 결합을 포함하여 약물과 유사한 상호 작용을 예측하는 데 있어 전례 없는 정확성을 달성함 - AlphaFold 3는 구조 정보의 입력 없이도 PoseBusters 벤치마크에서 기존 최고의 전통적 방법보다 50% 더 정확하여, 생체분자 구조 예측을 위한 물리 기반 도구를 능가하는 최초의 AI 시스템이 됨 - 항체-단백질 결합을 예측하는 능력은 인체 면역 반응의 측면과 새로운 치료제 종류로 성장하고 있는 항체 설계를 이해하는 데 매우 중요함 - Isomorphic Labs는 AlphaFold 3와 상호 보완적인 내부 AI 모델을 결합하여 내부 프로젝트와 제약 파트너와 함께 신약 설계에 적용하고 있음 ### AlphaFold Server 개요 - Google DeepMind가 새로 출시한 AlphaFold Server는 세포 전체에 걸쳐 단백질이 다른 분자와 상호 작용하는 방식을 예측하는 세계에서 가장 정확한 도구임 - 과학자들이 비상업적 연구를 위해 무료로 사용할 수 있는 플랫폼임 - 몇 번의 클릭만으로 생물학자들은 AlphaFold 3의 능력을 활용하여 단백질, DNA, RNA, 선택한 리간드, 이온 및 화학 변형으로 구성된 구조를 모델링할 수 있음 - 실험실에서 테스트할 새로운 가설을 세우는 데 도움이 되어 워크플로를 가속화하고 추가 혁신을 가능하게 함 - 연구자들에게 계산 자원이나 기계 학습 전문 지식에 관계없이 예측을 생성할 수 있는 접근 가능한 방법을 제공함 - 실험적 단백질 구조 예측은 박사 학위 기간 정도 걸리고 수십만 달러의 비용이 들 수 있음. AlphaFold 2는 수억 개의 구조를 예측하는 데 사용되었는데, 이는 현재 실험 구조 생물학 속도로는 수억 년의 연구자 시간이 걸렸을 것임 ### AlphaFold 3의 책임감 있는 공유 - 각 AlphaFold 릴리스에서 연구 및 안전 커뮤니티와 협력하여 기술의 광범위한 영향을 이해하기 위해 노력해 왔음 - 과학 주도 접근 방식을 취하고 잠재적 위험을 완화하고 생물학 및 인류에 대한 광범위한 이점을 공유하기 위해 광범위한 평가를 수행함 - AlphaFold 2에 대해 수행한 외부 자문을 바탕으로 생물 안전, 연구 및 산업 분야의 50명 이상의 도메인 전문가 및 전문 제3자와 협의하여 AlphaFold 모델의 능력과 잠재적 위험을 이해함 - AlphaFold 3 출시에 앞서 커뮤니티 전체 포럼 및 토론에 참여함 - 2억 개의 무료 단백질 구조 데이터베이스를 포함하여 AlphaFold의 혜택을 공유하기 위한 지속적인 노력을 반영함 - EMBL-EBI와의 무료 AlphaFold 교육 온라인 과정을 확장하고, 과학자들에게 채택과 연구를 가속화하는 데 필요한 도구를 제공하기 위해 Global South의 조직과 제휴할 예정 - 책임감 있는 AI 기술 개발 및 배포를 위해 과학계 및 정책 입안자와 계속 협력할 것임 ### AI 기반 세포 생물학의 미래 - AlphaFold 3는 구조, 상호 작용 및 수정에 걸쳐 세포 시스템을 모든 복잡성으로 볼 수 있게 해줌 - 이 새로운 창은 생명의 분자가 어떻게 연결되어 있는지 보여주고 이러한 연결이 약물의 작용, 호르몬 생산, 건강 보존 DNA 복구 과정과 같은 생물학적 기능에 어떻게 영향을 미치는지 이해하는 데 도움을 줌 - AlphaFold 3와 무료 AlphaFold Server의 영향은 생물학의 개방형 질문과 새로운 연구 라인에서 과학자들이 어떻게 발견을 가속화하는지를 통해 실현될 것임 - AlphaFold 3의 잠재력을 막 시작하고 있으며 미래가 어떨지 기대됨 ### GN⁺의 의견 - AlphaFold 3는 단순히 단백질 구조 예측을 넘어, 세포 내 다양한 분자들 간의 상호작용까지 예측할 수 있게 됨으로써 생물학 연구에 큰 파급력을 가질 것으로 보임. 특히 무료 서버를 통해 전세계 과학자들이 쉽게 접근하여 활용할 수 있게 한 점이 인상적임. - 다만 분자 간 상호작용 예측의 정확도가 50% 향상되었다고는 하나, 실제 실험 결과와 비교했을 때 어느 정도 수준일지 아직 의문임. 현재로서는 가설 설정에 도움을 주는 보조적 도구 정도로 보는 것이 바람직해 보임. - 신약개발 분야에서의 활용 가능성이 매우 크다는 점에서 제약회사들의 관심이 높을 것으로 예상됨. 그러나 윤리적, 보안상의 이슈로 인해 상용화에는 시간이 더 걸릴 것 같음. - 알파폴드가 단백질 구조 예측을 시작으로 이제는 분자 수준의 상호작용 예측까지 가능해졌듯이, 앞으로 세포 및 조직 수준으로 확장되어 질병의 발병 기전 규명이나 맞춤 의료에 큰 도움이 될 것으로 기대됨. - 다만 강력한 AI 기술인 만큼 오남용 방지를 위한 윤리 규범 마련, 보안 대책 수립, 충분한 검증 실험 등이 뒷받침되어야 할 것임. 구글 딥마인드의 개방적이고 신중한 자세가 긍정적으로 보임. ## Comments ### Comment 25065 - Author: neo - Created: 2024-05-09T09:57:40+09:00 - Points: 1 ###### [Hacker News 의견](https://news.ycombinator.com/item?id=40298927) 주요 내용을 요약하면 다음과 같음: - ML 기반 방법이 물리 기반 방법보다 세계를 정확하게 예측하는 데 더 뛰어난 성능을 보임. 이는 과학적 발전 과정에서 해석 가능한 이론이나 수학적 모델 없이 더 나은 모델로 발전할 수 있음을 시사함. - DeepMind의 AlphaFold 3와 유사하게 David Baker 연구실에서도 단백질 구조 및 결합된 DNA, 리간드를 예측하는 오픈소스 모델인 `RoseTTAFold`를 공개함. - AlphaFold 3는 약 70%의 정확도를 보이며, 기존 방법(30~50%)에 비해 상대적으로 우수한 성능을 보임. 그러나 보도자료에서 절대적인 정확도를 명시하지 않은 점은 의도적으로 오해의 소지가 있음. - AlphaFold 3는 단백질, DNA, RNA, 이온, 리간드, 화학적 변형을 포함한 다양한 생체분자 구조를 예측할 수 있음. 단백질 복합체 모델링 정확도도 개선됨. - 오픈소스로 공개되지 않은 점은 과학계에 큰 불편을 초래할 수 있음. 신약 개발 등에 큰 잠재력이 있는 기술을 폐쇄적으로 유지하는 것은 과학계에 도움이 되지 않음. - ML 기반 방법은 예측 결과에 대한 설명이 부족하다는 한계가 있음. 기저 원리에 대한 이해 없이 예측 결과의 일관성과 신뢰성을 보장하기 어려움. - 모델을 공개하지 않은 채 "무료 서버"만 제공하는 것은 과학적 재현성 측면에서 우려됨. 상용 기업에 의존하게 되는 것은 바람직하지 않음. - AlphaFold 3의 정확한 도킹 예측 성능에 대해서는 아직 논문이 공개되지 않아 불분명함. 기존 방법 대비 50% 이상 우수하다고 하나, 구체적인 수치는 제시되지 않음. - AlphaFold 2에 비해 구조적 제약 조건 등 해석 가능한 요소를 일부 배제하고 단순히 데이터 증류(distillation)에 의존하는 점이 우려됨. 이전 모델의 예측 결과를 활용해야 하는 것도 불편함. - DeepMind CEO의 트윗과 블로그 제목 사이에 "거의 모든" vs. "모든"이라는 표현 차이가 있어 100% 해결되었다는 인상을 주는 것은 문제가 있음.