알파폴드3 '내부 표현 정보' 활용한 AI 기술로 신약 후보물질 예측 정확도 향상 | 뉴스 > Bio뉴스 > 동향

Bio통신원(GIST) 연구성과

알파폴드3 '내부 표현 정보' 활용한 AI 기술로 신약 후보물질 예측 정확도 향상

등록2026.08.06.
조회1864

추천 +
댓글 +

등록2026.08.06.
조회1864

- AI학과 이현주 교수팀, 알파폴드3가 제공하는 단백질-약물 3차원 구조와 AI 내부 표현 정보 활용하는 AI 모델 ‘알파 DTA’ 개발… 구조 데이터 부족한 신약 후보물질도 높은 정확도로 예측
- 신약 개발 기간·비용 절감 및 약물 재창출 활용 기대
- 국제학술지《Journal of Cheminformatics》게재

신약을 개발하려면 수많은 후보 약물 가운데 어떤 물질이 질병의 원인이 되는 단백질에 가장 잘 달라붙는지를 먼저 찾아야 한다. 하지만 이를 모두 실험으로 확인하려면 막대한 시간과 비용이 들기 때문에, 컴퓨터가 약물과 단백질의 결합 가능성을 미리 예측하는 인공지능(AI) 기술이 신약 개발의 핵심 도구로 주목받고 있다. GIST 연구팀은 이러한 예측의 정확도를 높이기 위해 세계 최고 수준의 AI 단백질 구조 예측 모델인 ‘알파폴드3(AlphaFold3)’의 내부 표현 정보를 활용하는 새로운 AI 모델을 개발했다.

GIST AI학과 이현주 교수, 정민재 석사과정생, 전기전자컴퓨터공학과 박세진 박사 [사진=GIST]

광주과학기술원(GIST·지스트, 총장 임기철)은 AI학과 이현주 교수 연구팀이 실험으로 단백질-약물 결합 구조를 확인하지 않아도 신약 후보물질의 표적 단백질 ‘결합 친화도(binding affinity)*’를 예측할 수 있는 AI 모델 ‘알파 DTA(AlphaDTA)’를 개발했다고 밝혔다. ‘알파 DTA’는 구글 딥마인드의 AI 단백질 구조 예측 모델인 알파폴드3가 예측한 단백질-약물 복합체(complex)**의 3차원 구조와 구조를 예측하는 과정에서 생성되는 내부 표현 정보(embedding)를 함께 활용해 결합 친화도를 예측한다.
* 결합 친화도(binding affinity): 약물이 목표 단백질에 얼마나 강하게, 안정적으로 달라붙는지를 나타내는 지표이다. 이 값이 높을수록 효과적인 신약 후보로 평가된다.
** 복합체(complex): 둘 이상의 분자가 서로 결합하여 이루는 구조체를 통틀어 이르는 말이다. 본 논문에서는 특히 단백질과 약물이 결합한 구조체를 가리키며, 그 입체적인 모양과 결합 방식을 알면 두 물질이 얼마나 잘 맞물리는지 파악할 수 있다.

지금까지 약물과 단백질의 결합 친화도를 예측하는 AI 기술은 크게 ‘서열 기반’과 ‘구조 기반’ 두 가지 방식으로 발전해 왔다. 단백질과 약물의 서열 정보만 이용하는 ‘서열 기반’ 방식은 활용 가능한 데이터가 많지만 실제 결합 형태를 반영하지 못해 정확도가 떨어질 수 있다. 반면 실험으로 규명된 단백질-약물 복합체의 3차원 구조를 활용하는 ‘구조 기반’ 방식은 정확도가 높지만, 실험으로 확보된 구조 데이터 가 매우 부족하다는 한계가 있었다.

연구팀은 이러한 한계를 해결하기 위해 알파폴드3가 단백질과 약물의 결합 구조를 예측하는 과정에서 생성하는 ‘내부 표현 정보(embedding)’에 주목했다. 내부 표현 정보는 AI가 단백질과 약물의 화학적·구조적 특징을 학습할 수 있도록 숫자로 표현한 정보로, ▴단백질과 약물 각각의 특징을 담은 ‘단일 표현 정보(single embedding)’와 ▴두 물질의 관계와 상호작용을 담은 ‘쌍 표현 정보(pair embedding)’로 구성된다. 연구팀은 이러한 단일·쌍 표현 정보를 분석하는 ‘다중 해상도 인코더(Multi-granularity Encoder)’와 단백질-약물 복합체의 3차원 구조 정보를 분석하는 ‘기하 인코더(Geometric Encoder)’를 결합한 AI 모델 ‘알파 DTA’를 개발했다.

‘알파 DTA’는 단백질 서열과 약물 정보를 입력받아 알파폴드3가 생성한 3차원 구조와 내부 표현 정보를 함께 분석해 결합 친화도를 예측한다. 학습에 사용되지 않은 새로운 단백질·약물 조합으로 예측 성능을 검증한 결과, ‘알파 DTA’는 기존 서열 기반 방식보다 높은 예측 성능을 보였으며, 실험으로 확보한 구조 데이터가 없어도 기존 구조 기반 방식과 대등한 수준의 예측 성능을 보였다. 이번 기술은 실험으로 확보된 구조 데이터가 부족한 신약 후보물질에 대해서도 높은 예측 성능을 유지할 수 있어 신약 후보물질 선별의 효율을 높이고, 신약 개발 기간과 비용을 줄이는 것은 물론, 약물 재창출(Drug Repurposing)* 연구에도 폭넓게 활용될 것으로 기대된다.
* 약물 재창출(drug repurposing): 이미 다른 질병 치료용으로 승인된 약물을, 원래 목적과 다른 새로운 질병 치료에 활용하는 전략이다.

이현주 교수는 “이번 연구는 실험으로 단백질-약물 결합 구조를 확인하지 않아도 신약 후보물질의 결합 친화도를 높은 정확도로 예측할 수 있다는 점에서 의미가 있다”며 “구조 데이터가 부족한 다양한 표적 단백질에 대해 유망한 후보물질을 효율적으로 선별하고, 신약 개발의 속도와 효율을 높이는 데 기여할 것으로 기대한다”고 말했다.

GIST AI학과 이현주 교수가 지도하고 정민재 석사과정생이 제1저자로 수행했으며 박세진 박사가 참여한 이번 연구는 과학기술정보통신부‧한국연구재단 중견연구자지원사업, 과학기술정보통신부‧정보통신기획평가원 SW컴퓨팅산업원천기술개발사업, 과학기술정보통신부 지스트-이노코어(GIST-InnoCORE) 사업의 지원을 받았다. 연구 결과는 화학정보학 분야 국제학술지 《Journal of Cheminformatics》에 2026년 7월 21일 온라인으로 게재됐다.

한편 GIST는 이번 연구 성과가 학술적 의의와 함께 산업적 응용 가능성까지 고려한 것으로, 기술이전 관련 협의는 기술사업화센터(hgmoon@gist.ac.kr)를 통해 진행할 수 있다고 밝혔다.

* 논문명: AlphaDTA: integrating AlphaFold3 embeddings and 3D complex structures for drug–target binding affinity prediction
* 저자 정보: 정민재(제1저자, AI학과 석사과정생), 박세진 박사(공동저자, 전기전자컴퓨터공학과·GIST AI-ACE InnoCORE 연구단), 이현주 교수 (교신저자, AI학과·전기전자컴퓨터공학과·GIST AI-ACE InnoCORE 연구단)

[그림 1] 알파 DTA의 작동 개략도 [그림=GIST]

단백질 서열과 약물의 화학구조를 입력하면 알파폴드3(AlphaFold3)가 복합체의 3차원 구조와 함께 내부 표현 정보(단일 표현 벡터, 쌍 표현 벡터)를 생성한다. AlphaDTA는 이 구조 정보와 표현 정보를 함께 종합해 결합 친화도를 예측한다.

[그림 2] 알파 DTA와 기존 최고 성능 모델(GEMS)의 예측 정확도 비교 [그림=GIST]

실험으로 확인된 구조 없이 알파폴드3가 예측한 구조만으로 성능을 비교했다. (a) 결합 친화도 예측 정확도(PCC, 높을수록 좋음)와 오차(RMSE, 낮을수록 좋음)를 비교한 결과, AlphaDTA(파란색)가 GEMS(주황색)보다 더 높은 정확도와 더 낮은 오차를 보였다. (b) 서로 다른 단백질 계열(cluster) 44종 각각에 대해 두 모델의 예측 정확도를 비교한 결과, 44개 중 32개 계열에서 AlphaDTA(점이 대각선 위쪽)가 GEMS보다 더 우수한 성능을 보여, 특정 사례에 국한되지 않고 폭넓은 단백질 종류에서 일관되게 앞서는 것으로 나타났다.

연구 결과 개요

○ 작성자: 정민재, AI학과 석사과정생

○ 연구 배경
신약 개발 과정에서 후보 약물이 목표 단백질에 얼마나 잘 결합하는지 예측하는 일은 매우 중요하지만, 이를 정확히 예측하려면 단백질과 약물이 결합한 3차원 구조 정보가 필요합니다. 그런데 이러한 구조는 실험으로 밝혀내기가 매우 어렵고 비용도 많이 들어, 지금까지 확보된 데이터가 많지 않았습니다. 최근 등장한 인공지능 단백질 구조 예측 모델 알파폴드3는 이러한 구조를 실험 없이도 예측해낼 수 있어 큰 주목을 받았는데, 저희는 여기서 한 걸음 더 나아가 "알파폴드3가 구조를 계산하는 과정에서 만들어내는 다른 정보들도 활용할 수 있지 않을까?"라는 질문에서 이번 연구를 시작하게 되었습니다.

○ 연구 과정
가장 어려웠던 점은 알파폴드3가 만들어내는 내부 정보(표현 벡터)의 용량이 매우 커서, 이 안에 담긴 정보를 효율적이면서도 손실 없이 뽑아내는 방법을 찾는 것이었습니다. 무작정 정보를 다 집어넣으면 계산량이 감당하기 어려울 정도로 커지고, 반대로 너무 단순화하면 정작 중요한 정보를 놓치는 문제가 있었습니다. 이 균형점을 찾기 위해 지도교수님과 연구실 구성원들과 여러 차례 아이디어를 나누며 다양한 방식을 시도했고, 그 과정에서 자연스럽게 서로 다른 시각들을 조합하게 되면서 지금의 모델 구조를 고안해낼 수 있었습니다.

○ 성과의 차별점
기존 연구들은 알파폴드3가 최종적으로 내놓는 3차원 구조만을 결합력 예측에 활용해 왔습니다. 반면 이번 연구는 알파폴드3가 구조를 계산하는 과정에서 함께 만들어내는 내부 정보까지 함께 활용했다는 점이 가장 큰 차별점입니다. 그 결과, 학습에 사용하지 않은 새로운 단백질·약물 조합에 대해서도 안정적인 예측이 가능하다는 것을 확인했습니다.

○ 산업화 가능성
이번 연구성과가 실용화된다면, 신약 개발 초기 단계에서 수많은 후보물질 가운데 유망한 후보를 훨씬 빠르고 저렴하게 추려낼 수 있게 됩니다. 특히 이번 연구에서 보여준 것처럼, 이미 다른 질병 치료용으로 승인되어 안전성이 검증된 약물들 가운데 새로운 치료 용도를 찾아내는 ‘약물 재창출’에도 유용하게 쓰일 수 있어, 신약 개발에 드는 시간과 비용을 줄이고 궁극적으로는 환자들이 새로운 치료제를 더 빠르게 접할 수 있는 데 기여할 것으로 기대합니다.

○ 향후 연구계획
현재 모델은 단백질-약물의 결합 친화도를 예측하는 데 초점을 맞추고 있는데, 앞으로는 복합체의 3차원 구조를 예측하는 과정과 결합 친화도를 예측하는 과정을 하나의 모델 안에서 동시에 수행하는 구조를 개발해 보고자 합니다. 두 가지를 함께 학습하면 서로의 예측 정확도를 높이는 데 도움이 될 것으로 기대하고 있습니다.