---

DALL-E 이미지 : 이 이미지는 모두 OpenAI의 DALL-E에서 다음 프롬프트를 사용하여 생성되었습니다 .

AI는 놀라운 속도로 움직이고 있습니다. 다음은 건강과 장수에 영향을 미치는 놀라운 예입니다...

2018년 12월, AlphaFold라는 프로그램 은 세기의 도전을 성공시켰습니다. 이 프로그램 은 아미노산 서열만으로 단일 단백질의 구조를 정확하게 예측했습니다. 그리고 2018년, 그것은 큰 일이었습니다.

2020년, DeepMind는 하나가 아닌 350,000개의 단백질 구조를 예측하여 다시 한 번 세상을 놀라게 했습니다. 이는 사이언스 저널 에서 2021년 올해의 혁신으로 인정한 작업 입니다.

그리고 2022년 7월에 DeepMind와 그 파트너는 훨씬 더 나아갔습니다. 이 회사 는 알려진 거의 모든 단백질의 가능한 구조를 공개했습니다 . 박테리아에서 인간에 이르기까지 2억 개 이상이 약물 개발 및 진화 연구를 위한 잠재적 보물 창고를 제공합니다. 

게다가 이 모든 데이터는 누구나 무료로 검색할 수 있는 공용 데이터베이스에 추가되었습니다.

네이처( Nature ) 저널에서 언급한 바와같이 "오늘부터 과학에 알려진 거의 모든 단백질의 3D 모양을 결정하는 것은 Google 검색을 입력하는 것만큼 간단할 것입니다."

그 의미는 엄청납니다 .

단백질의 모양이 그 기능을 결정하지만 지금까지 과학자들은 단백질 대부분이 어떻게 구성되어 있는지 알지 못했습니다. 이 새로운 자원은 생명 과학 분야의 발견을 가속화하고 신약 개발을 가속화할 수 있습니다.

오늘 블로그에서는 DeepMind가 어떻게 이 놀라운 이정표에 도달했는지, 그리고 이것이 과학과 인간 건강의 미래에 어떤 의미가 있는지 설명하겠습니다.  

Abundance360 커뮤니티 에서 논의한 바와 같이 , 생명공학 분야가 얼마나 빠르게 가속화되고 있는지를 고려할 때, 향후 10년 동안 수십억 달러 규모의 스타트업과 전례 없는 돌파구가 생길 것입니다.

단백질 접힘 문제

단백질은 복잡한 3D 구조를 만들기 위해 꼬이고 구부러지는 아미노산의 긴 사슬로 구성됩니다.

이러한 형태는 주로 단백질의 기능을 결정합니다. 그것이 구조적 지지체 역할을 하는지, 중요한 세포 과정을 촉매하는 효소 역할을 하는지 또는 다른 중요한 생체 분자를 운반하는 데 도움을 주는 채널 역할을 하는지 여부입니다.

이것은 단백질의 구조를 결정하는 것이 그것이 무엇을 하는지 이해하는 데 중요하다는 것을 의미합니다. X선 결정학 및 극저온 전자 현미경과 같은 기술을 사용하여 실험적으로 이를 해결할 수 있지만 시간이 많이 걸리고 매우 비쌉니다.

그렇기 때문에 과학자들은 실험적으로 추론하기가 훨씬 더 간단한 아미노산 서열을 기반으로 단백질의 구조를 예측할 수 있는 소프트웨어를 설계하려고 오랫동안 노력해 왔습니다. 그러나 이것은 말처럼 쉽지 않습니다.

문제는 서열의 모든 연결이 여러 가지 다른 방식으로 접힐 수 있으므로 각 아미노산 문자열에 대해 가능한 구성의 수가 엄청나게 많다는 것입니다. 따라서 단백질 폴딩의 암호를 해독하는 것은 50년 이상 동안 생물학의 "대단한 도전" 중 하나였습니다.

ALPHAFOLD는 파티를 충돌

딥마인드를 입력합니다.

2018년 회사는 권위 있는 CASP(Critical Assessment of Techniques for Protein Structure Prediction) 대회에서 첫 번째 시도 로 우승 한 후 단백질 폴딩 세계를 완전히 뒤집어 놓았습니다 .

그것은 특정 아미노산 쌍 사이의 거리와 이들을 결합하는 화학 결합의 각도를 추정하기 위해 엄청난 양의 단백질 데이터에 대해 훈련된 AlphaFold라는 심층 학습 신경망에 의존했습니다.

누군가 최신 AI 기술을 문제에 적용하려고 시도한 것은 이번이 처음은 아니지만 DeepMind의 솔루션은 이전 접근 방식보다 훨씬 정확했습니다. 가장 어려운 43개의 단백질 표적 중 25개에 대해 최고의 예측을 달성한 반면 2위를 차지한 팀은 3개에 불과했습니다.

이러한 예측은 여전히 ​​실용적으로 유용하지 않았으므로 2년 후 DeepMind는 초기 결과를 물 밖으로 날려버린 AlphaFold의 새 버전을 가지고 CASP로 돌아왔습니다. 그들은 GPT-3와 같은 대규모 언어 모델의 부상 뒤에 있는 신경망 아키텍처인 변환기의 힘을 활용하여 이를 수행했습니다.

새로운 버전의 AlphaFold는 테스트된 단백질의 약 2/3에서 구조적 유사성 측정에서 100점 만점에 90점 이상을 받았습니다. 그 정확도에서 불일치는 소프트웨어에 의한 오류보다는 연구실의 실험 오류로 설명 될 가능성이 더 큽니다 .

연구원들은 그 결과가 단백질 구조 예측 문제를 크게 해결한 "게임 체인저"라고 환영했습니다 . 2021년 7월 회사는 유럽생물정보학연구소(EMBL-EBI)와 협력 하여 자유롭게 액세스할 수 있는 AlphaFold 단백질 구조 데이터베이스를 출시하고 꾸준히 새로운 단백질을 레지스트리에 추가했습니다.

새로운 시대

그리고 올 여름, DeepMind는 AlphaFold를 사용하여 자연에서 발견되는 거의 모든 단백질의 구조를 알아내고 데이터베이스에 2억 개 이상의 새로운 레코드를 추가했다고 발표했습니다.

DeepMind CEO Demis Hassabis는 언론브리핑에서 기자들에게 "본질적으로 전체 단백질 우주를 포괄한다고 생각할 수 있습니다." 라고 말했습니다 . "우리는 디지털 생물학의 새로운 시대의 시작에 있습니다."

그것은 과장되게 들릴지 모르지만, 새로운 단백질 구조의 보물창고의 중요성을 과소평가하기는 어렵습니다. 이것은 여전히 ​​예측일 뿐이지만 EMBL-EBI에 따르면 약 35%는 실험에 의해 결정된 구조만큼 정확하다고 여겨지며 45%는 여전히 광범위한 응용 분야에 실질적으로 유용할 정도로 정확합니다.

그들이 무엇을 가능하게 할 수 있는지 알아보려면 DeepMind가 이미 출시한 단백질 구조의 훨씬 작은 컬렉션을 사용하여 이미 달성한 혁신을 살펴보는 것이 도움이 됩니다.

기초과학에서 AlphaFold는 세포핵에 들어가고 나가는 것을 제어하는 ​​1,000개의 단백질이 뒤섞인 핵공 복합체 의 구조를 밝히는 데 도움을 주었습니다. 또한 꿀벌의 면역체계와 관련된 주요 단백질을 특성화하는 데 도움이 되었습니다 .

좀 더 실용적인 수준에서 영국 포츠머스 대학의 연구원들은 AlphaFold를 사용하여 플라스틱을 분해할 수 있는 새로운 효소를 개발하고 있습니다 . 또한 그것은 새로운 말라리아백신의 유망한 표적이 될 수 있는 단백질의 구조를 결정하기 위해 결정학과 함께 사용되었습니다 .

약물 발견 가속화

마지막 예는 가장 큰 흥분이 있는 곳을 나타냅니다.

단백질 구조를 이해하는 것은 단백질이 특정 약물의 표적이 될 수 있는지 여부를 확인하는 데 중요합니다. 그리고 아미노산 서열에서 단백질의 모양을 예측할 수 있다면 그 서열에 대한 변형의 구조적 영향도 알아낼 수 있습니다. 이는 신약 설계를 위한 강력한 도구가 될 수 있습니다.

이것은 분명히 DeepMind 계획의 일부입니다. Hassabis는 "종단 간 약물 설계" 에 대해 생각하기 시작 했으며 작년에 회사는 AlphaFold 및 기타 AI 도구를 사용하여 약물 발견을 가속화할 Isomorphic Labs라는 새로운 벤처를 분사했습니다.

이 분야에서 가장 어려운 문제에 대해 기술이 얼마나 유용한지에 대해서는 여전히 의문이 있습니다. AlphaFold는 단백질이 다른 생체 분자 또는 고정 구조가 없는 소위 "무질서한" 단백질 과 상호 작용하는 방식 에 대해 거의 알려주지 않습니다. 그리고 결정적으로, 소분자 약물이 결합하는 영역 의 구조를 예측할 때 특히 신뢰할 수 없는 것으로 밝혀졌습니다 .

그럼에도 불구하고 광범위한 합의는 이 도구가 약물 개발 파이프라인의 일부를 크게 가속화할 수 있다는 것입니다. 이 데이터베이스가 그들이 가질 수 있는 모든 질문에 답하지 않더라도 과학자들은 상당히 좋은 예측조차도 어디에서 돌파구를 찾아야 하는지에 대한 중요한 단서를 제공하고 있음을 발견하고 있습니다.

그리고 이것은 시작에 불과합니다.

AlphaFold가 출시되기 전에 구조 생물학자들에게 5년 이내에 자연에 존재하는 거의 모든 단백질에 대해 정확한 예측을 할 것이라고 말했다면 그들은 당신을 비웃었을 것입니다.

그러나 DeepMind는 그 영예에 안주할 것 같지 않으며 남은 과제는 거의 확실히 그들의 시야 안에 있습니다.

마지막 생각들

DeepMind의 지속적인 혁신은 AI가 과학적 발견에 미칠 수 있는 영향을 보여줍니다.

그리고 우리가 거의 모든 단백질의 구조를 예측하는 인공 지능의 능력을 양자 컴퓨팅(의학 및 건강 관리를 혼란에 빠뜨릴 또 다른 기술)의 예상되는 혁신과 결합한다면 우리는 개별적으로 맞춤화된 정밀 의학이 과학에서 벗어나는 세상에서 멀지 않았습니다. 치료의 표준에 대한 허구.

기하급수적 기술의 융합이 의료 분야보다 더 큰 혁신을 가져오는 곳은 없습니다.

의료 분야에서 인공 지능을 사용하는 데 관심이 있고 지금까지 우리가 이룬 진전에 흥분한 야심 찬 기업가라면 현재보다 참여하기에 더 좋은 시간은 없습니다.

성공에서 중요성으로 갈 준비가 되셨습니까?

그런 다음  연중 진행되는 Abundance360 Mastermind 및 Executive 프로그램 에 참여하고 2023년 3월 20~22일에 A360 Summit에 참여하는 것을 고려해 보십시오. 

AI와 같은 기하급수적 기술을 어떻게 사용하여 세계의 문제를 해결하고 인류를 고양시키겠습니까?

자세한 내용을 알아보고 신청하려면 풍요360.com을 방문 하세요.