[알파폴드] 9편 : AlphaFold3의 작동 방식 - 아키텍처

 

 

AlphaFold2가 혁신적이었다면, AlphaFold3는 그 혁신을 확장과 통합이라는 키워드로 다시 한 번 재정의했어요. 

 

 

이번 글에서는 AlphaFold3가 어떻게 기존 모델을 발전시켜 다양한 생체분자를 함께 다룰 수 있게 되었는지, 그리고 내부 아키텍처가 어떻게 바뀌었는지를 알아볼게요.

MSA 중심 구조에서 벗어난 이유

AlphaFold2는 MSA, 즉 다중 서열 정렬 정보에 크게 의존했어요. 단백질 간의 진화적 관계를 통해 아미노산 간 상호작용을 예측했죠. 하지만 이 방식은 한계가 있었어요. 예를 들어 MSA가 부족하거나 진화 정보가 명확하지 않은 RNA, DNA, 소분자 리간드 등은 예측이 어려웠죠.

 

 

 

AlphaFold3는 이 한계를 극복하기 위해 MSA 사용을 줄이고, 진화 정보에 덜 의존하는 방향으로 아키텍처를 바꿨어요.
이제 MSA 정보는 가볍게 처리되고, 핵심 예측은 pairformer라는 새로운 모듈이 맡고 있어요. 이 pairformer는 각 분자 단위(아미노산, 뉴클레오타이드, 리간드 원자 등) 사이의 관계만을 다루는 구조예요.

즉, AlphaFold3는 기존의 ‘서열 중심 예측’에서 ‘구조 간 관계 중심 예측’으로 패러다임을 옮긴 거예요. 덕분에 단백질이 아니더라도 다양한 생체분자 간 상호작용을 예측할 수 있게 되었죠.

 

반응형

핵심은 'Diffusion Module'

AlphaFold2는 아미노산별로 프레임을 지정한 후 회전 각도나 사이드체인 토션을 계산했지만, AlphaFold3는 이보다 훨씬 직관적인 접근을 해요. 바로 Diffusion module이에요.

 

 

 

이 모듈은 노이즈가 섞인 원자 좌표를 입력받고, 이를 점점 더 정제하면서 최종 구조를 만들어내는 방식으로 작동해요.
이걸 “디노이징(denoising)”이라고 부르는데요, 작은 노이즈 단계에서는 국소 구조(예: 결합 각도나 길이)를 더 정확히 배우고, 큰 노이즈에서는 전체적인 구조 배치를 학습해요. 이 과정이 반복되면서 정교한 구조가 완성돼요.

덕분에 AlphaFold3는 이전처럼 복잡한 사이드체인 회전이나 프레임 계산 없이도, 다양한 분자들의 실제 3차원 구조를 원자 수준에서 바로 그릴 수 있어요. DNA 염기쌍이나 RNA 구조, 리간드의 입체 배치까지 모두 포함해서요.

 

 

 

AlphaFold3의 아키텍처는 단백질 하나만 예측하던 시절을 넘어, 이제 생체분자의 세계 전체를 모델링할 수 있는 기반을 만들었어요. 다음 글에서는 이 새로운 구조가 어떻게 실제 예측에 적용되는지, 학습 방법과 평가 지표는 어떤 식으로 발전했는지를 이어서 설명드릴게요.