단백질 공동 설계 입문: 서열과 구조를 한 모델에서 함께 만들기

이 강좌를 마치면 단백질 공동 설계가 무엇인지 서열과 구조의 관계로 설명할 수 있고, 그 학습 과정을 단계로 말할 수 있으며, 컴퓨터 기반 평가와 실제 생물학적 검증이 어떻게 다른지 구분할 수 있다. 미리 알아야 할 것은 많지 않다. AI 모델이 데이터를 보고 규칙을 익힌다는 정도, 그리고 단백질이 아미노산이라는 재료가 사슬처럼 이어진 물질이라는 정도면 충분하다.

한 문장으로 이해하기

이 강좌에서 공동 설계(코디자인)는 단백질의 아미노산 서열과 3차원 구조를 한 모델에서 함께 생성하는 접근을 뜻한다. 서열은 아미노산이 어떤 순서로 이어져 있는지를 뜻한다. 구조는 그 사슬이 3차원 공간에서 어떤 모양으로 접혀 있는지를 뜻한다. 단백질의 기능은 이 두 가지의 복합적인 상호작용과 관련된다. 그래서 둘을 함께 다루려는 시도가 나왔다.

왜 필요한가

기존의 단백질 생성 모델은 학습을 두 번에 나눠 진행하는 경우가 많았다. 먼저 데이터를 잠재 표현으로 바꾸는 오토인코더를 학습한다. 잠재 표현은 원래 데이터를 모델이 다루기 쉬운 압축된 형태로 바꿔 놓은 것이고, 오토인코더는 그런 변환을 스스로 익히는 모델이다. 그다음 그 잠재 표현을 다루는 생성 모델을 따로 학습한다. 애플 연구진이 제안한 심플디자인은 이 중간 단계를 두지 않는다. 서열과 구조 데이터를 직접 다루면서, 서열을 맞히는 학습 목표와 구조를 맞히는 학습 목표를 하나로 결합해 단일 단계 종단간 학습을 한다. 종단간 학습은 입력에서 결과까지를 끊지 않고 한 번에 학습하는 방식이다.

어떻게 이루어지는가

1. 아미노산 서열과 3차원 구조가 짝지어진 데이터를 준비한다. 심플디자인은 알파폴드 데이터베이스의 예측 구조와 추가 샘플을 결합한 데이터셋을 중심으로 200만 개가 넘는 서열·구조 쌍을 학습에 사용했다.
2. 학습할 때 입력을 일부러 흐트러뜨린다. 서열의 일부는 마스크 토큰으로 가리고, 구조에는 노이즈를 더한다. 마스크 토큰은 ‘여기는 가려진 자리’라는 표시이고, 노이즈는 원래 값을 흐트러뜨리는 잡음이다.
3. 흐트러뜨리는 강도를 달리해 하나의 모델이 여러 과제를 익히게 한다.
4. 서열은 대부분 유지되고 구조가 크게 훼손된 조건에서는 구조를 복원하는 법을 배운다.
5. 구조는 비교적 유지되고 서열이 많이 가려진 조건에서는 서열을 생성하는 법을 배운다.
6. 두 요소가 모두 부분적으로 교란된 조건에서는 서열과 구조를 함께 만드는 공동 설계를 배운다.

하나의 예시로 따라가기

앞의 단계를 하나의 사례로 이어서 따라가 보자. 다음은 이해를 돕기 위한 가상 예시다. 학습 데이터에 어떤 단백질의 서열과 구조가 짝으로 들어 있다고 하자. 1단계에서 이 짝이 학습 재료가 된다. 2단계에서 서열의 일부 자리는 마스크 토큰으로 가려지고 구조 좌표에는 잡음이 섞인다. 3단계에서 흐트러뜨리는 강도가 달라지면 서로 다른 학습 조건이 만들어진다. 서열이 거의 그대로이고 구조만 심하게 흐트러진 조건에서는 4단계처럼 모델이 구조를 되살리는 연습을 한다. 서열이 대부분 가려지고 구조가 비교적 남아 있는 조건에서는 5단계처럼 그 구조에 맞는 서열을 만들어내는 연습을 한다. 둘 다 반쯤 흐트러진 조건에서는 6단계처럼 서열과 구조를 함께 채워 넣는다. 이 세 조건이 한 모델의 학습에 모두 담기기 때문에, 학습이 끝난 모델은 서열과 구조를 함께 생성할 수 있다.

언제 쓰고 언제 쓰지 않는가

심플디자인은 서열과 3차원 구조가 짝지어진 단백질 데이터로 학습됐다. 성과를 읽을 때는 그 범위를 정확히 봐야 한다. 심플디자인은 공동 설계, 구조 생성, 서열 생성의 벤치마크에서 경쟁력 있는 결과를 보였다. 벤치마크는 여러 모델을 같은 기준으로 비교하는 평가 과제를 뜻한다. 다만 이 결과는 컴퓨터 기반 평가에 한정된다. 생성된 단백질이 실제 생물학적 시스템에서 접히고 기능하며 안전하게 작동하는지는 실험으로 검증되지 않았다. 따라서 ‘계산 평가에서 좋은 점수’와 ‘실제로 작동하는 단백질’은 아직 같은 말이 아니다.

핵심 정리와 확인문제

이 강좌에서 공동 설계는 단백질의 아미노산 서열과 3차원 구조를 한 모델에서 함께 생성하는 접근을 뜻하며, 심플디자인은 그 학습을 중간 잠재 표현 없이 한 번에 처리하려는 시도다. 다음 세 문제로 이해를 확인해 보자.

1. 단백질 공동 설계에서 함께 생성하는 두 가지는 무엇인가?
2. 심플디자인의 학습 방식은 기존 방식과 어떻게 다른가?
3. 컴퓨터 기반 평가와 실제 생물학적 검증은 이 연구에서 어떻게 다른가?

1번 정답은 아미노산 서열과 3차원 구조다. 단백질의 기능이 이 둘의 복합적인 상호작용과 관련되기 때문에 함께 다룬다.

2번 정답은 중간 잠재 표현을 만들지 않고 한 단계로 학습한다는 점이다. 기존 모델은 오토인코더를 먼저 학습한 뒤 그 잠재 표현 위에서 생성 모델을 다시 학습하는 경우가 많았지만, 심플디자인은 서열과 구조 데이터를 직접 다루는 단일 단계 종단간 학습을 쓴다.

3번 정답은 검증된 범위가 다르다는 점이다. 심플디자인은 컴퓨터 기반 벤치마크에서 경쟁력 있는 결과를 보였지만, 생성된 단백질이 실제 생물학적 시스템에서 접히고 기능하며 안전하게 작동하는지는 실험으로 확인되지 않았다.

참고자료

• 공동 설계 입문 참고자료
• 공동 설계 입문 참고자료