AlphaFold은 DeepMind이 개발한 Deep learning 시스템으로, 아미노산 서열로부터 단백질의 3차원 구조를 예측한다. 선형 아미노산 사슬이 단백질의 생물학적 기능을 결정하는 복잡한 3차원 형태로 접히는 방식을 예측하는 것은 X선 결정학이나 극저온 전자 현미경과 같은 방법을 통한 실험적 구조 결정이 느리고 비용이 많이 들기 때문에, 약 50년 동안 구조생물학의 미해결 문제로 남아 있었으며 이를 단백질 접힘 문제라고 불렀다.
CASP14과 2020년의 돌파구
AlphaFold의 두 번째 버전인 AlphaFold2는 2020년 단백질 구조 예측 경연 대회인 CASP14에서 주최 측과 독립 구조생물학자들이 대부분의 단백질에 대해 단백질 접힘 문제를 사실상 해결한 것으로 평가한 결과를 달성했다. CASP는 2년마다 열리는 블라인드 경연으로, 연구팀들이 실제 구조가 실험적으로 결정되었지만 아직 발표되지 않은 단백질의 구조를 예측하며, 주최 측은 미공개 정답을 기준으로 예측을 평가한다. AlphaFold2는 대부분의 표적 단백질에 대해 실험적 방법의 해상도와 경쟁할 만한 중앙값 정확도 점수를 달성했으며, 이는 이전의 어떤 계산 방법으로도 접근하지 못한 수준으로, CASP 자체 평가자와 외부 생물학자들은 이를 해당 분야의 변혁적 결과라고 불렀다.
구조
AlphaFold2는 Evoformer라는 구성 요소를 포함한 Transformer (architecture) 기반 구조를 사용했으며, 이는 아미노산 서열과 다중 서열 정렬에서 얻은 진화 정보, 여러 종에 걸친 관련 단백질 서열, 그리고 기하학적 제약 조건을 함께 처리하여 예측 구조를 반복적으로 개선했다. DeepMind는 2021년 AlphaFold2 모델 구조와 코드를 공개했으며, 유럽 생물정보학 연구소와의 공동 노력인 자유롭게 접근 가능한 AlphaFold 단백질 구조 데이터베이스(AlphaFold DB)를 통해 UniProt 데이터베이스에 알려진 서열이 있는 거의 모든 단백질에 대한 예측 구조를 공개하여 궁극적으로 2억 개 이상의 단백질 구조를 포함하게 되었다.
영향과 노벨상
AlphaFold의 코드와 예측 구조의 공개적 배포는 이전에 수개월의 실험 작업이 필요하거나 구조 결정 시설에 접근할 수 없었던 연구자들이 몇 분 만에 고신뢰도 예측 구조를 얻을 수 있게 되면서 구조생물학, 신약 개발, 효소 설계 전반의 연구를 가속화한 것으로 널리 인정받았다. 2024년, DeepMind 공동 창립자 Demis Hassabis와 AlphaFold 수석 연구원 John Jumper는 AlphaFold 개발로 노벨 화학상의 절반을 공동 수상했으며, 나머지 절반은 별도의 계산 단백질 설계 작업으로 David Baker에게 수여되었다. 이 상은 AI가 노벨급 과학적 성과에 직접 기여한 것을 인정한 획기적인 사례로 널리 보도되었다. DeepMind는 이후 2024년 AlphaFold3를 공개하여 단일 단백질을 넘어 단백질 간 상호작용, DNA, RNA, 소분자 리간드와의 상호작용까지 예측 범위를 확장했으며, 이는 신약 개발에 특히 관련이 깊다.
평가와 한계
AlphaFold는 언어와 비전 분야를 제외한 딥러닝의 가장 중요한 응용 성공 사례 중 하나로 널리 간주되며, 명확한 평가 기준을 가진 잘 정의된 과학적 문제에 Reinforcement learning 및 딥러닝 방법을 적용하는 DeepMind의 연구 전략의 증거로 AlphaGo와 함께 자주 인용된다. 연구자들은 단일 안정 구조가 없는 본질적 무질서 단백질에 대한 신뢰도가 낮고, 단백질이 동적으로 형태를 바꾸거나 살아있는 세포 내에서 상호작용하는 방식을 예측하는 데 한계가 있다는 점을 지적했으며, 이러한 영역은 AlphaFold3 출시 이후에도 활발한 연구 방향으로 남아 있다.