놀면서 공부하기

이전 포스트에 이어서 살펴보자. 우선 insulin에 대해서부터 먼저 알아보자. insulin은 glucagon, somatostatin과 함께 대표적인 peptide hormone에 해당하며, β cell에서 처음에 preproinsulin의 형태로 합성되었다가, 이후 maturation되는 과정에서 insulin이 형성되게 됨. 이렇게 형성된 insulin은 β cell의 secretory vesicle에 저장되어 있다가, 신호가 오면 비로소 분비가 촉진되게 됨. 위 그림은 insulin의 합성 및 성숙과정을 보여주고 있음. 하나하나 살펴보자. 처음에는 vesicle로 집어넣는 데 있어 중요한 signal sequence가 포함된 preproinsulin이 만들어짐. 그런데 이 녀석은 ER로..

AlphaFold3는 다양한 생체분자 구조를 예측할 수 있는 강력한 도구로, 실험에 드는 시간과 비용을 줄이고, 실험으로는 확인하기 어려운 상호작용까지 예측할 수 있다는 점에서 큰 주목을 받고 있어요. 그렇다면 실제로 어떤 분야에서 AlphaFold3가 활용되고 있을까요? 1. 신약 개발 : 약물-단백질 결합 예측의 게임 체인저 신약 개발 과정에서 가장 중요한 단계 중 하나는 후보 약물(리간드)이 표적 단백질과 어떻게 결합하는지를 확인하는 거예요. 이때 AlphaFold3는 후보 물질과 단백질 간의 결합 위치와 형태, 상호작용 지점을 매우 정밀하게 예측해줘요. 덕분에 어떤 물질이 효과적인지를 사전에 선별할 수 있고, 약물 설계 속도는 빨라지고 실패 확률은 줄어드는 효과를 얻을 수 있어요. 특히 신..

AlphaFold3가 다양한 생체분자의 구조와 상호작용을 예측할 수 있게 된 건 단지 모델 구조 덕분만은 아니에요. 모델을 어떻게 훈련시켰고, 예측 결과를 어떻게 평가했느냐도 엄청나게 중요한 요소였어요.이번 글에서는 AlphaFold3의 학습 방식과 함께, 예측된 구조가 얼마나 신뢰할 수 있는지를 판단하는 내부 시스템을 소개할게요. 학습 데이터는 어떻게 구성돼 있었을까요?AlphaFold3는 단백질뿐만 아니라 DNA, RNA, 리간드, 금속 이온 등 다양한 분자의 구조와 상호작용을 다룰 수 있어야 했어요. 그래서 훈련에 사용된 데이터도 기존보다 훨씬 다양하고 복합적인 구조들로 구성됐어요. 예를 들어, 단백질-리간드 결합체, 단백질-RNA 복합체, 리보좀처럼 다중 단위체로 이루어진 거대한 복합체도 ..

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 이유AlphaFold2는 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 의존하..

AlphaFold3는 단순한 업그레이드가 아니에요. 완전히 새로운 방식으로 다양한 생체분자의 구조와 상호작용을 예측하는 AI 모델이에요. 특히 ‘단백질 구조만 예측하는 AlphaFold2’에서 ‘생명의 거의 모든 분자를 예측하는 AlphaFold3’로 도약한 만큼, 그 안에 들어간 기술도 완전히 새로워졌어요. 이번 글에서는 AlphaFold3가 어떤 방식으로 작동하는지, 그리고 어떤 점이 AlphaFold2와 달라졌는지를 자세히 설명드릴게요. 단백질만이 아니라 모든 생체분자를 다룰 수 있어요AlphaFold2는 아미노산 서열을 기반으로 단백질의 3차원 구조를 예측했어요. 핵심은 MSA(다중 서열 정렬)를 이용한 진화 정보 기반 예측이었죠. 하지만 DNA, RNA, 리간드, 금속 이온 등은 그런 방..

AlphaFold2가 단백질 구조 예측에 혁신을 일으킨 건 모두가 인정하는 사실이에요. 하지만 실제 생명체 내에서 일어나는 분자 작용은 단백질 하나만으로 설명되지 않아요. 유전자 정보를 담고 있는 DNA, 정보를 중계하는 RNA, 작용 부위에 결합하는 리간드, 그리고 금속 이온이나 기타 생체분자들까지. 이 모든 것들이 상호작용하면서 생명 현상이 일어나죠. 바로 이 지점을 더 깊이 탐구하고자 등장한 것이 AlphaFold3예요. 이전 모델이 단백질의 3차원 구조 자체에 집중했다면, AlphaFold3는 여러 종류의 생체분자 간의 상호작용까지 예측할 수 있도록 진화한 모델이에요. 그야말로 생명과학의 스펙트럼을 단백질에서 생명 전체로 확장한 거죠.AlphaFold2와 무엇이 달라졌을까요?AlphaFold..

AlphaFold는 아미노산 서열만 가지고 단백질의 3차원 구조를 예측할 수 있는 혁신적인 도구예요. 특히 AlphaFold2는 구조 생물학의 판도를 바꿨다고 해도 과언이 아니죠. 하지만 그만큼, 이 기술을 정확하게 이해하고 한계를 잘 파악해두는 것도 중요해요. 이번 글에서는 AlphaFold2가 잘하지 못하는 부분들을 소개하고, 다음 글에서 다룰 AlphaFold3와의 연결 고리도 함께 짚어볼게요.1. 진화 정보가 적은 단백질에는 예측이 약해요AlphaFold2는 MSA(다중 서열 정렬)를 기반으로 진화적 패턴을 학습해서 구조를 예측해요. 그런데 비슷한 서열이 거의 없는 ‘orphan protein’이나, 실험적으로 확인된 구조가 없는 단백질의 경우에는 예측 정확도가 확 떨어져요. 예를 들어, 신뢰..

AlphaFold로 단백질 예측을 완료하면, 결과가 복잡한 숫자나 코드가 아니라 직접 눈으로 볼 수 있는 구조 이미지로 제공돼요. 그리고 그 구조가 얼마나 신뢰할 수 있는지 보여주는 다양한 지표들도 함께 제공되죠. 이번 글에서는 예측된 단백질 구조를 어떻게 해석하고 활용할 수 있는지 하나씩 소개할게요. 예측된 3D 구조, 어떻게 보면 좋을까요?ColabFold에서는 예측이 끝난 뒤, 가장 높은 신뢰도를 가진 구조 모델부터 순서대로 최대 5개의 구조를 보여줘요. 기본적으로는 가장 신뢰도가 높은 모델(rank 1)이 시각화돼요. 이 구조는 회전하거나 확대해서 관찰할 수 있어서, 단백질의 전반적인 형태나 도메인 구성을 파악하기에 좋아요.여기서 색깔은 아주 중요한 의미를 갖고 있어요. 기본 설정인 lDDT ..

이제 AlphaFold의 원리를 어느 정도 이해하셨다면, 직접 한 번 사용해보고 싶어지지 않으셨나요? 실험실에 슈퍼컴퓨터가 없어도 괜찮아요. Google Colab이라는 플랫폼을 이용하면 누구나 웹 브라우저에서 AlphaFold2를 실행해볼 수 있어요. 이건 ‘ColabFold’라는 이름으로 제공되고 있는데요, 실습용으로 아주 잘 만들어진 도구랍니다. AlphaFold2.ipynb - Colab Google Colab NotebookRun, share, and edit Python notebookscolab.research.google.com 이 링크를 통해 누구나 자유롭게 접속이 가능해요! 이번 글에서는 ColabFold를 이용해 단백질 구조 예측을 실행하기 위한 기본 설정과 입력 방법을 알려..

AlphaFold의 핵심 두 번째 과정은 바로 단백질의 구조를 실제로 그려내는 단계예요. 앞서 2편에서는 ‘Evoformer’라는 블록이 어떻게 진화 정보를 모아 아미노산 간의 관계를 계산했는지 알아봤죠. 이번에는 그 정보를 바탕으로 어떻게 3D 단백질 구조가 만들어지는지를 살펴볼 거예요.이 과정은 ‘Structural Stage’라고 불리며, AlphaFold가 예측한 아미노산 간의 거리와 각도를 토대로 입체 구조를 생성하는 아주 중요한 단계예요.단백질을 회전시키고 이동시키는 프레임 단위 표현AlphaFold는 단백질을 구성하는 각 아미노산을 하나의 단위로 보고, 각 단위가 어떻게 위치하고 회전해야 하는지를 계산해요. 이걸 Residue Frame이라고 불러요. 쉽게 말해, 각각의 아미노산이 어디에..