AlphaFold 1은 DeepMind가 개발한 딥러닝 시스템으로, 2018년 제13회 단백질 구조 예측 critical assessment(CASP13) 대회에서 우승했다. 이 시스템은 인공지능이 아미노산 서열로부터 단백질의 3차원 구조를 전례 없는 정확도로 예측할 수 있음을 입증했으며, 이는 계산 생물학에서 중요한 이정표가 되었다. CASP13에서의 성공은 이후 2020년에 실험적 수준에 근접한 정확도를 달성한 더 발전된 AlphaFold 2의 기반을 마련했다.
단백질 구조 예측은 생물학의 근본적인 문제로, 단백질의 기능은 주로 3차원 형태에 의해 결정된다. AlphaFold 이전에는 계산 방법이 구조를 정확히 예측하는 데 어려움을 겪었으며, 종종 알려진 상동 구조를 필요로 하는 템플릿 기반 모델링에 의존했다. AlphaFold 1의 접근 방식은 머신 러닝과 진화 정보를 결합하여, 다중 서열 정렬과 공진화 신호를 사용해 아미노산 간의 공간적 제약을 추론했다.
구조 및 방법
AlphaFold 1의 구조는 다중 서열 정렬에서 파생된 입력 특징을 처리하는 신경망을 기반으로 했다. 이 시스템은 잔차 네트워크에서 볼 수 있는 것과 유사한 합성곱 및 잔차 네트워크 구성 요소를 결합하여 아미노산 잔기 간의 쌍별 거리를 예측했다. 이러한 거리 예측은 잠재 에너지 지형을 구축하는 데 사용되었으며, 경사 하강법을 통해 최소화하여 최종 3차원 구조를 생성했다.
이 시스템은 진화 정보를 처리하는 새로운 접근 방식을 통합했다. 상동 단백질 서열의 공진화 패턴을 분석함으로써, AlphaFold 1은 접힌 구조에서 밀접하게 접촉할 가능성이 있는 잔기를 식별할 수 있었다. 이 정보는 추가 입력 특징으로 신경망에 공급되어 예측 정확도를 크게 향상시켰다. 훈련 과정은 단백질 데이터 뱅크의 알려진 단백질 구조 대규모 데이터 세트를 사용했으며, 일반화를 개선하기 위한 데이터 증강 기법을 적용했다.
CASP13 성과
2018년에 개최된 CASP13에서 AlphaFold 1은 가장 어려운 표적에 대해 중앙값 전역 거리 테스트(GDT) 점수 약 68점(100점 만점)을 달성했으며, 이는 일반적으로 60점 미만을 기록한 이전 최고 방법들보다 크게 개선된 수치였다. 가장 도전적인 자유 모델링 표적에서 AlphaFold 1은 다른 모든 참가 그룹을 상당한 차이로 능가했다. 이 대회에는 전 세계 98개 그룹이 참가했으며, AlphaFold 1은 종합 1위를 차지했다.
주목할 만한 성과 중 하나는 알려진 상동 구조가 없는 표적에 대한 AlphaFold 1의 성능으로, 전통적인 템플릿 기반 방법이 실패한 경우였다. 이 시스템은 진화적 템플릿이 없더라도 딥러닝이 서열 데이터에서 직접 구조 정보를 추출할 수 있음을 입증했다. 이러한 성공은 특히 막 단백질과 이전의 계산 접근 방식에 저항했던 기타 어려운 표적에서 두드러졌다.
영향 및 반응
과학계는 AlphaFold 1의 결과에 상당한 관심을 보였다. CASP13 주최 측은 이 시스템의 성능이 해당 분야의 주요 진전을 나타낸다고 언급했지만, 예측이 아직 실험적 정확도에는 미치지 못한다고 경고하기도 했다. 이러한 성공은 다른 연구 그룹들이 유사한 딥러닝 접근 방식을 채택하도록 영감을 주었으며, 단백질 구조 예측의 급속한 발전을 이끌었다.
CASP13 이후 DeepMind는 주의 메커니즘과 더 정교한 훈련 전략과 같은 새로운 아이디어를 통합하여 시스템을 계속 개발했다. AlphaFold 1에서 얻은 교훈은 2020년 CASP14에서 실험적 수준에 근접한 정확도로 우승한 AlphaFold 2의 설계에 직접적인 영향을 미쳤다. 2018년 결과는 또한 Go와 체스 같은 게임에서의 초기 성공에 이어, DeepMind가 과학적 문제에 딥러닝을 적용하는 선두주자로서의 평판을 확립하는 데 기여했다.
유산
CASP13에서 AlphaFold 1의 성공은 딥러닝이 수십 년간 전통적인 계산 방법으로 해결되지 않았던 복잡한 과학적 문제를 해결할 수 있음을 입증했다. 진화 정보와 신경망을 결합한 이 시스템의 접근 방식은 해당 분야의 표준 기법이 되었으며, 이후 많은 단백질 구조 예측 도구에 영향을 미쳤다. 2019년 AlphaFold 1의 코드가 오픈 소스로 공개되면서 다른 연구자들이 그 방법을 기반으로 구축할 수 있게 되어 분야 전반의 혁신을 가속화했다.
2018년 성과는 생물학에서 인공지능의 적용에 더 넓은 시사점을 제공했다. 이는 AI 시스템이 물리 법칙의 명시적 프로그래밍 없이 대규모 데이터 세트에서 물리적 시스템에 대한 예측을 학습할 수 있음을 보여주었다. 이 원칙은 이후 단백질 설계와 약물 발견을 포함한 분자 생물학의 다른 문제에도 적용되었다. AlphaFold 1은 머신 러닝이 과학 연구를 어떻게 변형할 수 있는지 보여주는 대표적인 사례로 남아 있다.