Understanding Nobel Chemistry Prize: AI and Protein Structure

AI를 통해 단백질 구조를 이해하면 질병 치료 및 예방 전략에 혁신을 가져올 수 있습니다.

### 노벨 화학의 이해: 단백질 구조 예측의 중요성
* 🔬 오늘은 AI 기술을 활용한 단백질 구조 예측의 발전으로 **최근 노벨 화학상을 수상한 연구팀**에 대해 자세히 알아보고자 합니다.
* 🏆 이 상은 이 분야의 혁신적인 업적을 인정받은 **데미스 카사비스와 구글 딥마인드의 존 점퍼 등 3명**에게 수여되었습니다.
* 👨 주목할 만한 점은 노벨상 수상자가 이 성과를 이끌어낸 연구에 중요한 역할을 한 **데이비드 베이커 교수**와 밀접한 관련이 있다는 점입니다.
* 💡 우리 몸에 필수적인 단백질은 **분자를 운반하고 생화학 반응을 촉진**하는 등 다양한 기능을 수행하기 때문에 생명 과정을 이해하는 데 매우 중요한 역할을 합니다.
* 📊 이 연구는 **단백질이 20개의 서로 다른 아미노산**으로 구성되어 있으며, 다양한 서열로 결합하여 고유한 기능을 가진 다양한 단백질을 만들 수 있다는 점을 강조합니다.
* 단백질의 3차원 구조를 이해하는 것은 **코로나19와 같은 바이러스 감염을 포함한 생물학적 과정과 질병에서 단백질의 역할**을 이해할 수 있게 해주기 때문에 매우 중요합니다.
* 💊 바이러스 단백질이 인간 단백질과 어떻게 상호작용하는지 알면 **이러한 상호작용을 차단하는 작은 단백질**을 설계하는 등 감염을 예방하기 위한 전략을 개발할 수 있습니다.
* 📈 전반적으로 이번 노벨상 수상의 의미는 생물학에 대한 이해를 혁신하고 **단백질 상호작용에 기반한 새로운 의료 치료법**을 개발할 수 있는 잠재력에 있습니다.

### AI를 이용한 단백질 구조 예측의 이해
* 🔬 최근의 발전은 단백질 구조를 변경하여 감염을 예방할 수 있다는 것을 시사하지만, 현재 실험은 **생쥐를 대상으로만 수행**되었습니다.
* 🧬 연구자들은 단백질의 선호 구조를 이해함으로써 **단백질이 원래 기능을 수행하기 전에 이 단백질과 결합할 수 있는 적절한 '미끼'**를 제공할 수 있습니다.
* COVID-19와 같은 바이러스 단백질 구조를 신속하게 규명할 수 있었던 것은 **사스, 메르스 등 유사한 바이러스에 대한 이전 연구** 덕분에 가능했습니다.
* ⏳ 일반적으로 단백질 구조를 실험적으로 결정하는 데는 수개월에서 수년이 걸리지만, 코로나19 팬데믹의 긴급성으로 인해 **이 과정이 약 6개월로 단축**되었습니다.
* 💻 AI는 단백질 구조를 예측하는 혁신적인 도구로 부상하여 **50년 이상 지속되어 왔으며 이전에는 막대한 계산 자원이 필요했던 문제**를 해결했습니다.
* 🌐 2022년 현재 알려진 2억~3억 개의 단백질 중 약 **22만~23만 개만 구조가 밝혀져** 실험 방법의 속도가 느리다는 점이 강조되고 있습니다.
* 🤖 구글 딥마인드는 관련 단백질 간의 진화 패턴을 분석하여 단백질 구조 예측의 정확도를 크게 향상시킨 모델인 **알파폴드 2**를 개발했습니다.
* 📊 AI는 단백질 서열의 패턴을 인식하는 능력을 통해 효율적인 예측이 가능하므로 **복잡한 단백질 구조의 세계를 이해하는 데 중요한 도구**가 될 수 있습니다.

### 단백질 구조 예측 및 설계: AI와 진화론적 정보의 역할
* 🔬 단백질 구조를 이해하는 것은 매우 중요하며, **약 20만 개의 알려진 구조**가 AI 학습의 기초가 됩니다.
* 💡 AI는 개별 구조를 암기하는 대신 **단백질 진화의 패턴을 식별하는 방법**을 학습하여 단백질이 어떻게 상호 작용하고 함께 변화할 수 있는지 예측할 수 있습니다.
* 🔗 구글의 딥마인드는 **AI와 단백질 구조를 모두 이해하는 존 점퍼와 같은 전문가**를 고용하여 **단백질 구조 예측에 상당한 발전**을 이루었습니다.
* 🏆 제14회 CASP 대회에서 딥마인드의 알파폴드는 **2위 팀의 두 배 이상의 점수**를 기록하며 다른 팀들을 압도하며 이 분야에서 AI의 효과를 입증했습니다.
* 📊 단백질 구조 예측의 정확도는 **거의 90%**에 달하며, 예측된 구조는 **실험적으로 결정된 구조와 거의 일치**합니다.
* 데이비드 베이커의 연구는 단백질 구조를 예측하는 것에서 **새로운 단백질을 설계하는 것**으로 전환하여 기존 단백질을 단순히 변형하는 것이 아니라 근본적인 원리를 이해하는 것이 중요하다는 점을 강조하고 있습니다.
* 🎮 베이커의 팀은 **약물 전달 시스템과 바이오센서를 포함한 다양한 응용 분야**를 탐구하여 실제 문제를 해결하는 데 있어 설계된 단백질의 다양성을 입증했습니다.
* 🤖 AI의 발전으로 특정 기능을 가진 단백질을 설계할 수 있는 잠재력이 커지면서 **의학 및 생명공학 분야의 혁신적인 솔루션**으로 이어지고 있습니다.

### AI 기반 단백질 설계 및 신약 개발의 발전
* 🤖 AI에서 확산 모델을 사용하면 **미학적으로 만족스러운 이미지를 생성**하는 데 유망한 결과를 보여 주었으며, 연구자들은 이를 **단백질 구조 생성에 적용**하는 방법을 모색하고 있습니다.
* 🔬 과학자들은 이러한 모델을 학습시켜 **특정 청색 단백질과 같은 원하는 단백질 구조**를 만들고 해당 구조를 수용하는 3D 모양을 생성할 수 있습니다.
* 3D 구조가 확립되면 AI는 **해당 아미노산 서열을 예측**하여 기존의 단백질 구조 예측 프로세스를 효과적으로 역전시킬 수 있습니다.
* 💵 실험 비용을 최소화하기 위해 연구자들은 테스트할 가장 유망한 디자인만을 선택하고, **AlphaFold와 같은 도구**를 사용하여 디자인을 추가로 검증하여 예측된 서열이 의도한 구조와 일치하는지 확인합니다.
* 📊 단백질 설계의 성공률이 크게 증가하여 이제 AI를 통해 수만 개의 후보 중에서 **약 100개의 후보**를 선택할 수 있어 이전 방식에 비해 성공 가능성이 높아졌습니다.
* ⚠ 그러나 자연적으로 생성되지 않는 단백질은 이물질로 인식되어 잠재적으로 해로울 수 있기 때문에 **이러한 단백질이 인체에 도입될 때 발생할 수 있는 부작용**을 예측하는 데 어려움이 남아 있습니다.
* ⏳ 이 기술은 혁신적이지만, 신약 개발 과정에는 광범위한 임상시험과 안전성 평가로 인해 일반적으로 **약 15년이라는 상당한 시간**이 소요됩니다.
* 🏆 특히 **알파폴드와 같은 모델을 통한 단백질 구조 예측 및 설계의 혁신**은 이 분야를 변화시킬 잠재력을 가지고 있으며, 과학 연구에 중대한 영향을 미친 공로를 인정받아 **노벨상과 같은 상을 수상할 자격**이 있습니다.

구글 AI가 만든 노벨화학상 대체 뭐길래 (서울대학교 생명과학부 백민경 교수)

📣 사람을 찾습니다
🙋 언더스탠딩과 함께 일할 분을 찾습니다!

직무: 영상제작PD, 기자, 인사담당자, 마케팅담당자 
지원 접수: 이메일 접수 to.understanding.official@gmail.com
제출 서류: 이력서, 포트폴리오
접수 기간: 상시채용


라이브는 삼프로TV에서, 클립영상은 언더스탠딩에서!

매일 저녁 7시~9시

문의 : to.understanding.official@gmail.com


언더스탠딩 : 세상의 모든 지식

노벨 화학상 수상 및 강연 소개

세상의 모든 지식을 다루는 언더스탠딩에서 노벨 화학상에 대한 심도있는 강연을 시작한다.

노벨 문학상, 경제학상 수상자에 대한 설명은 이미 진행되었고, 노벨 화학상에 대한 설명이 부족함을 언급한다.

노벨 화학상 수상 내용에 대한 시청자들의 이해도를 질문한다.

AI를 활용한 단백질 구조 예측에 대한 노벨 화학상 수상 소식을 언급한다.

노벨 화학상 수상자의 제자이자 서울대학교 백민경 교수를 초청하여 강연을 진행한다는 것을 소개한다.

노벨 화학상 수상 연구 내용 설명

노벨 화학상은 총 세 명이 수상했으며, 그중 데이비드 베이커 교수의 수제자인 백민경 교수가 연구 내용을 설명한다.

데미스 하사비스, 존 점퍼 등 구글 딥마인드 소속 수상자들의 이례적인 조합을 언급한다.

데이비드 베이커 교수는 컴퓨터를 활용한 단백질 설계 연구로, 구글 딥마인드 수상자들은 AI를 활용한 단백질 구조 예측 연구로 수상했다.

백민경 교수는 데이비드 베이커 교수의 논문 중 가장 많이 인용된 논문의 저자임을 밝힌다.

단백질의 개념을 설명하고, 우리 몸을 구성하는 주요 성분이자 중요한 기능을 수행하는 물질임을 강조한다.

세포를 확대하여 보여주면서 단백질이 세포 내 다양한 역할을 수행함을 시각적으로 보여준다.

단백질의 기능으로 물질 수송, 신호 전달 등 다양한 역할을 수행한다는 것을 설명한다.

단백질은 아미노산이라는 작은 분자가 연결되어 구성된 생체 고분자임을 설명한다.

단백질 구조 예측의 어려움과 AI의 역할

아미노산 서열만으로 단백질의 3차원 구조를 예측하는 것이 어려운 이유를 설명한다.  에너지적으로 가장 안정적인 구조를 찾는 것이 매우 복잡한 문제임을 강조한다.

게놈 프로젝트 이후 DNA 시퀀싱 기술 발전으로 아미노산 서열은 쉽게 알 수 있지만, 3차원 구조는 어렵다는 점을 언급한다.

단백질이 잘못 접히면 질병을 유발하며, 우리 몸은 이를 방지하고 제거하는 시스템을 가지고 있음을 설명한다.

50년 넘게 풀리지 않던 단백질 구조 예측 문제를 AI가 해결했다는 점을 강조한다.

AI가 등장하기 전에는 컴퓨터를 이용하여 다양한 구조를 만들고 에너지를 계산하여 가장 안정적인 구조를 찾는 방식을 사용했지만, 계산의 복잡성 때문에 한계가 있었다고 설명한다.

단백질 구조 예측의 새로운 접근 방식: 진화 정보 활용

미오글로빈을 예시로 들어, 서로 다른 종의 단백질에서 아미노산 서열은 다르지만 구조는 유사한 경우가 많다는 점을 설명한다.

진화 과정에서 기능을 유지하는 돌연변이만 살아남았다는 점에 착안하여, 친척 단백질들의 서열을 분석하여 구조에 대한 패턴을 찾는 접근 방식을 설명한다.

AI는 친척 단백질들의 서열 정보를 바탕으로 구조 패턴을 학습하고, 새로운 단백질의 구조를 예측할 수 있다는 점을 설명한다.

AI 모델 학습에는 정답 구조가 필요하지만, 충분한 학습 후에는 정답 구조를 몰라도 예측이 가능해진다고 설명한다.

알파폴드 2와 단백질 구조 예측의 혁신

구글 딥마인드의 알파폴드 2가 단백질 구조 예측 문제를 거의 해결했다는 점을 강조한다.

알파폴드 2는 20만 개의 단백질 구조 데이터를 학습하여, 단백질의 진화 정보를 바탕으로 구조에 대한 패턴을 학습하고 예측한다.

알파폴드 2는 단백질 서열을 입력받아, 아미노산 간의 상호 작용 패턴을 분석하여 3차원 구조를 예측한다.

알파폴드 2의 성공은 AI 전문가와 단백질 구조 전문가의 협력이 중요한 역할을 했다는 점을 강조한다.

단백질 설계 및 신약 개발의 발전

데이비드 베이커 교수의 단백질 설계 연구를 소개하며, 원하는 기능을 하는 단백질을 설계하는 방법을 설명한다.

단백질 설계를 통해 약물 전달, 항암제 개발, 바이오센서 개발 등 다양한 응용이 가능함을 보여준다.

알파폴드의 등장으로 단백질 설계 과정에 AI가 활용되면서 성공률이 높아졌고, 단백질 구조 예측과 설계를 모두 AI가 수행할 수 있게 되었다.

단백질 디자인의 성공률이 높아졌지만, 신약 개발에는 여전히 임상 시험 등 많은 단계가 남아있음을 강조한다.

알파폴드를 통해 2억~3억 개의 단백질 구조 예측이 가능해졌고, 기초 과학 연구에 큰 영향을 미칠 것이라고 전망한다.

구글 딥마인드는 단백질 구조 예측 기술을 신약 개발에 활용하고 있으며, 알파폴드 3를 통해 단백질과 다른 분자의 결합까지 예측할 수 있게 되었다.

구글 딥마인드 외에도 다양한 기업들이 단백질 구조 예측 및 설계 기술 개발에 뛰어들고 있다.

단백질 설계 기술은 발전하고 있지만, 여전히 해결해야 할 문제들이 남아있으며, 신약 개발 과정의 모든 단계를 AI가 대체할 수는 없음을 강조한다.

단백질 구조 예측 및 설계 기술의 발전은 질병 이해 및 치료제 개발에 큰 도움이 될 것이라고 전망한다.