AI는 놀라운 속도로 움직이고 있다. 

 

다음은 건강과 장수에 영향을 미치는 놀라운 예이다. 2018년 12월 AlphaFold라는 프로그램은 아미노산 서열만으로 단일 단백질의 구조를 정확하게 예측한 세기의 도전 과제를 해결했다.

 

그리고 2018년, 그것은 큰 일이었다. 2020년에 DeepMind는 하나가 아닌 350,000개의 단백질 구조를 예측하여 세계를 다시 놀라게 했다. 이 작업은 Science 저널에서 2021년 올해의 혁신으로 인정한 작업이다.

 

그런 다음 2022년 7월에 DeepMind와 파트너는 훨씬 더 멀리 나아갔다. 이 회사는 알려진 거의 모든 단백질의 가능한 구조를 공개했다. 박테리아에서 인간에 이르기까지 2억 개 이상으로 약물 개발 및 진화 연구를 위한 잠재적인 보물을 제공한다.

 

 

게다가 이 모든 데이터는 누구나 무료로 검색할 수 있는 공개 데이터베이스에 추가되었다.

 네이처(Nature) 저널은 “오늘부터 과학에 알려진 거의 모든 단백질의 3D 모양을 결정하는 것은 Google 검색에 입력하는 것만큼 간단할 것이다.”고 언급했다. 

 

그 영향은 엄청나다.

단백질의 모양이 그 기능을 결정하지만, 지금까지 과학자들은 대부분의 단백질이 어떻게 구성되어 있는지에 대해 무지했다. 이 새로운 자원은 생명 과학의 발견을 가속화하고 신약 개발을 가속화할 수 있다. 

 

DeepMind가 이 놀라운 이정표에 도달한 방법과 이것이 과학과 인류 건강의 미래에 어떤 의미가 있는지 설명한다. 생명공학 분야가 얼마나 빠르게 가속화되고 있는지 고려할 때, 향후 10년은 수십억 달러 규모의 스타트업과 엄청난 혁신을 가져오게 된다.

 

단백질 접힘 문제

단백질은 복잡한 3D 구조를 만들기 위해 꼬이고 구부러지는 긴 사슬의 아미노산으로 구성된다. 이러한 모양은 구조적 지원, 중요한 세포 과정을 촉매하는 효소 또는 다른 중요한 생체 분자를 운반하는 데 도움이 되는 채널 등 단백질의 기능을 크게 결정한다. 

 

이것은 단백질의 구조를 결정하는 것이 그것이 하는 일을 이해하는 데 중요하다는 것을 의미한다. X선 결정학 및 극저온 전자 현미경과 같은 기술을 사용하여 실험적으로 이를 해결할 수 있지만 시간이 많이 걸리고 매우 비싸다.

 

그렇기 때문에 과학자들은 실험적으로 추론하기 훨씬 쉬운 아미노산 서열을 기반으로 단백질의 구조를 예측할 수 있는 소프트웨어를 설계하기 위해 오랫동안 노력해 왔다. 그러나 이것은 말보다 쉽다.

 

문제는 서열의 모든 연결이 여러 가지 다른 방식으로 접힐 수 있으므로 각 아미노산 문자열에 대해 가능한 구성의 수는 엄청나다는 것이다. 따라서 단백질 접힘 코드를 해독하는 것은 50년 이상 동안 생물학의 "중대한 과제" 중 하나였다.

 

AlphaFold가 파티를 방해한다. DeepMind를 입력한다.

 

2018년, 이 회사는 권위 있는 CASP(단백질 구조 예측 기술에 대한 중요 평가) 대회에서 첫 번째 시도로 우승한 후 단백질 접는 세계를 완전히 뒤집어 놓았다.

 

그것은 특정 아미노산 쌍 사이의 거리와 이들을 결합하는 화학 결합의 각도를 추정하기 위해 엄청난 양의 단백질 데이터에 대해 훈련된 AlphaFold라는 딥 러닝 신경망에 의존했다.

 

누군가가 현대 AI 기술을 문제에 적용하려고 시도한 것은 이번이 처음은 아니지만 DeepMind의 솔루션은 이전 접근 방식보다 훨씬 정확했다. 43개의 가장 까다로운 단백질 표적 중 25개에서 최고의 예측을 달성한 반면, 2위 팀은 단 3개를 달성했다.

 

이러한 예측은 여전히 실질적으로 유용할 수 있는 거리가 멀기 때문에 2년 후 DeepMind는 초기 결과를 완전히 날려버린 AlphaFold의 새 버전으로 CASP에 돌아왔다. 그들은 GPT-3과 같은 대형 언어 모델의 부상 뒤에 있는 신경망 아키텍처인 변압기의 힘을 활용하여 이를 수행했다.

 

테스트한 단백질의 약 2/3에서 새로운 버전의 AlphaFold는 구조적 유사성 측정에서 100점 만점에 90점 이상을 기록했다. 그 정확도에서 불일치는 소프트웨어에 의한 오류보다 실험실의 실험적 오류로 설명될 가능성이 더 크다.

 

연구원들은 이 결과를 단백질 구조 예측 문제를 크게 해결한 "게임 체인저"로 환영했다. 2021년 7월에 이 회사는 유럽 생물정보학 연구소(EMBL-EBI)와 협력하여 자유롭게 액세스할 수 있는 AlphaFold 단백질 구조 데이터베이스를 출시했으며 꾸준히 새로운 단백질을 레지스트리에 추가하고 있었다.

 

새로운 시대

그런 다음 이번 여름에 DeepMind는 AlphaFold를 사용하여 자연에서 발견되는 거의 모든 단백질의 구조를 계산하고 데이터베이스에 2억 개 이상의 새로운 기록을 추가했다고 발표했다. 

 

DeepMind의 CEO인 데미스 하사비스(Demis Hassabis)는 기자 브리핑에서 "본질적으로 전체 단백질 우주를 포괄한다고 생각할 수 있다"고 말했다. "우리는 디지털 생물학의 새로운 시대를 시작하고 있다."

 

과장되게 들릴지 모르지만, 이 새로운 단백질 구조의 보물창고의 중요성은 과소평가하기 어렵다. 이는 아직 예측일 뿐이지만 EMBL-EBI에 따르면 약 35%는 실험으로 결정된 구조만큼 정확하며 45%는 여전히 광범위한 응용 분야에 실질적으로 유용할 만큼 충분히 정확하다.

 

그들이 무엇을 가능하게 할 수 있는지 알아보려면 DeepMind가 이미 발표한 훨씬 더 작은 단백질 구조 컬렉션을 사용하여 이미 달성한 돌파구를 살펴보는 것이 도움이 된다.

 

기초 과학에서 AlphaFold는 핵공 복합체의 구조를 푸는 데 도움을 주었다. 세포 핵에 들어오고 나가는 것을 제어하는 1,000개 단백질의 뒤죽박죽이다. 또한 꿀벌의 면역 체계와 관련된 주요 단백질을 특성화하는 데 도움이 된다.

 

보다 실용적인 수준에서 영국 포츠머스 대학의 연구원들은 AlphaFold를 사용하여 플라스틱을 분해할 수 있는 새로운 효소를 개발하고 있다. 또한 새로운 말라리아 백신의 유망한 표적이 될 수 있는 단백질의 구조를 결정하기 위해 결정학과 함께 사용되었다.

 

약물 발견 가속화

마지막 예는 가장 큰 흥분이 있는 곳을 나타낸다. 

 

단백질의 구조를 이해하는 것은 특정 약물에 의해 표적이 될 수 있는지 여부를 식별하는 데 중요하다. 그리고 아미노산 서열로부터 단백질의 모양을 예측할 수 있다면, 그 서열에 대한 변형의 구조적 영향도 알아낼 수 있으며, 이는 신약을 설계하는 강력한 도구가 될 수 있다.

 

이것은 분명히 DeepMind의 계획의 일부이다. Hassabis는 "엔드 투 엔드 약물 디자인"에 대해 생각하기 시작했으며 작년에 회사는 AlphaFold 및 기타 AI 도구를 사용하여 약물 발견을 가속화할 Isomorphic Labs라는 새로운 벤처를 분사했다.

 

이 기술이 이 분야의 가장 어려운 문제에 얼마나 유용할지에 대한 질문이 여전히 있다. AlphaFold는 단백질이 다른 생체 분자 또는 고정된 구조가 없는 소위 "무질서한" 단백질과 상호 작용하는 방식에 대해 거의 알려줄 수 없다. 그리고 결정적으로, 저 분자 약물이 결합하는 영역의 구조를 예측할 때 특히 신뢰할 수 없는 것으로 밝혀졌다.

 

그럼에도 불구하고 이 도구가 약물 개발 파이프라인의 일부를 크게 가속화할 수 있다는 데 광범위한 합의가 있는 것으로 보인다. 이 데이터베이스가 그들이 가질 수 있는 모든 질문에 답하지 않더라도 과학자들은 상당히 좋은 예측이라도 돌파구를 찾기 위해 어디를 찾아야 하는지에 대한 중요한 단서를 제공한다는 것을 발견했다.

 

그리고 이것은 시작일 뿐이다.

 

AlphaFold가 데뷔하기 전에 구조 생물학자들에게 5년 안에 자연의 거의 모든 단백질에 대한 정확한 예측을 할 수 있다고 말했다면 그들은 당신을 비웃었을 것이다.

 

그러나 DeepMind는 월계관에 안주할 것 같지 않으며 나머지 도전 과제는 거의 확실하다.