최근 생성형 AI 기술의 발전은 단백질 3차원 구조 예측에 머무르지 않고, 자연계에 없는 신규 단백질을 처음부터 설계하는 데 노보(De novo) 디자인 분야를 실용적인 기술로 발전시키고 있습니다.
본 글에서는 국제 학술지 FEBS Letters(2026년 9월)에 발표된 총설 논문 “Prospecting the protein design landscape”(Riccabona et al., 2026)를 바탕으로, 현재 확립된 생성형 AI 단백질 디자인 파이프라인, 정적 평가 지표의 한계, 그리고 단백질 동역학과 용매 효과 반영을 위한 최신 연구 흐름을 정리합니다.
1. 현대 단백질 디자인 파이프라인의 주요 접근법
현재 표적 결합 단백질을 설계하는 주류 방법론은 크게 모듈형 단계별 파이프라인과 역전환 최적화 방식으로 구분됩니다.
-
모듈형 단계별 파이프라인 (Modular Multi-stage Pipeline):
먼저 RFdiffusion이나 RFantibody와 같은 확산 모델을 사용하여 표적 에피토프에 맞춘 단백질 백본 골격을 생성합니다. 생성된 골격에는 ProteinMPNN 또는 리간드와 금속 이온까지 고려하는 LigandMPNN을 적용하여 적합한 아미노산 서열을 설계합니다. 이후 AlphaFold, ESMFold, Protenix 등의 구조 예측 모델을 통해 서열이 의도한 구조로 올바르게 접히는지 리폴딩 검증을 거칩니다.
-
구조 예측 모델 역전환 최적화 (Inverted Oracle Optimization):
BindCraft나 BoltzDesign처럼 구조 예측 모델의 네트워크를 역방향으로 활용하는 방식입니다. 표적과 바인더를 동시에 접어가며 연속 서열 공간에서 기울기 기반 최적화를 수행해 결합 형태를 직접 유도합니다. 이후 결합 부위 외 영역은 MPNN을 통해 발현율과 안정성을 높이도록 추가 정제합니다.
-
All-Atom 통합 모델:
최근에는 구조와 서열을 분리하지 않고 단일 과정에서 모든 원자 좌표를 동시에 설계하는 RFdiffusion3, BoltzGen, Latent-X, Chai-2 등의 통합 생성 모델 개발도 활발히 이루어지고 있습니다.
2. 정적 지표(Static Metrics)의 한계와 평가상의 문제점
설계된 단백질을 선별할 때 pLDDT, pTM, ipTM, pAE, ipAE 등 다양한 수치적 신뢰도 점수가 사용됩니다. 그러나 논문에서는 기존 지표들이 지닌 한계를 지적합니다.
-
정적 복합체 구조 편향:
현재 평가지표들은 고정된 단백질 계면에 맞춰져 있습니다. 실제 생체 내 결합은 엔탈피와 엔트로피의 균형, 유도 적합(Induced fit), 유연한 구조 변화가 큰 영향을 미치지만, 정적 점수만으로는 이러한 동적 특성을 충분히 반영하기 어렵습니다.
-
유연한 표적에서의 신뢰도 저하:
항체의 CDR 루프, 유연한 바이러스 표면 루프, 막단백질처럼 기존 데이터베이스에 구조 정보가 부족하거나 형태 변화가 심한 표적의 경우, 기존 평가 점수의 신뢰성이 크게 떨어질 수 있습니다.
3. 기능성 단백질 디자인으로의 확장
단순히 한 상태에 결합하는 바인더를 넘어, 외부 조건에 따라 기능하는 단백질 설계가 확대되고 있습니다.
-
폴드 스위칭 단백질:
SwitchCraft 등의 도구를 통해 단일 서열이 pH, 산화환원 상태, 리간드 결합 등에 반응하여 두 가지 서로 다른 구조를 형성하도록 설계함으로써 특정 질병 환경에서만 작용하는 구조를 구현합니다.
-
인공 효소 설계:
RFdiffusion2를 통한 활성 부위 골격 형성, LigandMPNN을 이용한 결합 주머니 설계, 진화 알고리즘 기반의 dEVA 등을 활용하여 자연계 효소에 근접한 활성을 지닌 금속 효소를 제로샷으로 설계한 성과가 보고되었습니다.
-
분자 접착제(Molecular Glues):
두 단백질 사이의 복합체 형성을 유도하여 분해나 신호 전달을 조절하는 고리형 펩타이드 기반 분자 접착제 연구가 활발해지고 있습니다.
4. 단백질 앙상블과 계면 물 분자 모델링의 필요성
논문은 향후 단백질 디자인 기술이 한 단계 더 발전하기 위해 반드시 해결해야 할 과제로 단백질 동역학과 용매 환경 처리를 꼽습니다.
-
앙상블 예측 기법 도입:
단일 구조 예측의 한계를 극복하기 위해 다중서열정렬(MSA) 서브샘플링, 서열 클러스터링(AFcluster), 분자동역학 데이터를 학습한 모델(AlphaFlow, BioEMU) 등을 통해 구조적 다양성을 포착하려는 시도가 이어지고 있습니다.
-
계면 가교 물 분자(Bridging Water) 반영의 부재:
실제 단백질 간 상호작용에서는 계면 사이에 위치한 물 분자망과 물 분자의 치환이 결합에 중요한 역할을 합니다. 그러나 기존 결정 구조 데이터 내 물 분자 좌표의 해상도가 균일하지 않아 고신뢰도 데이터셋이 부족하며, 현재 대다수 AI 파이프라인은 계면 물 분자를 직접적으로 다루지 못합니다.
-
분자동역학(MD) 시뮬레이션과의 연계:
이러한 공백을 메우기 위해 생성형 AI 도구와 MD 시뮬레이션을 결합하여 실제 접근 가능한 형태 앙상블을 확보하고, 계면 물 분자의 상호작용을 보완하는 하이브리드 접근이 중요하다고 강조합니다.
참고 문헌 (References)
-
Riccabona, J. R., Stonig, K. T., Meiler, J., Schoeder, C. T., & Fernández-Quintero, M. L. (2026). Prospecting the protein design landscape. FEBS Letters. https://doi.org/10.1002/1873-3468.70459
-
Watson, J. L., et al. (2023). De novo design of protein structure and function with RFdiffusion. Nature, 620(7976), 1089–1100. https://doi.org/10.1038/s41586-023-06415-8
-
Dauparas, J., et al. (2022). Robust deep learning-based protein sequence design using ProteinMPNN. Science, 378(6615), 49–56. https://doi.org/10.1126/science.add2187
-
Pacesa, M., et al. (2025). One-shot design of functional protein binders with BindCraft. Nature, 646, 483–492. https://doi.org/10.1038/s41586-024-08435-y