과학을 위한 AI (AI for Science): 허사비스가 그리는 인류의 미래

1부 인공지능, 과학적 발견의 새로운 주체로 부상하다

1.1 2024년 노벨 화학상의 역사적 의의

2024년 10월 9일, 스웨덴 왕립과학원 노벨 위원회는 2024년 노벨 화학상의 공동 수상자로 구글 딥마인드(Google DeepMind)의 공동 창업자이자 CEO인 데미스 허사비스(Demis Hassabis), 동사의 시니어 연구 과학자 존 점퍼(John Jumper), 그리고 워싱턴 대학교의 데이비드 베이커(David Baker) 교수를 선정했다고 발표했다. 이 결정은 과학계 안팎에 거대한 충격을 안겨주었다. 이는 노벨상 역사상 최초로 인공지능(AI) 모델을 개발한 컴퓨터 과학자들에게 순수 과학 분야인 화학상이 수여된 사례였기 때문이다.

 

전통적으로 노벨 화학상은 새로운 화학 물질의 발견, 반응 메커니즘의 규명, 혹은 분자 구조 분석을 위한 물리적 도구(예: 초저온 전자현미경, NMR 등)의 개발에 주어졌다. 그러나 이번 수상은 '실험실 벤치'가 아닌 '데이터 센터의 서버'에서 이루어진 발견이 현대 생화학의 가장 난해한 문제를 해결했음을 공식적으로 인정한 사건이다. 노벨 위원회는 "이들의 발견은 인류에게 가장 큰 혜택을 부여한다"고 명시하며, AI가 더 이상 과학자의 보조적인 도구가 아니라, 과학적 난제를 해결하는 주체적인 '탐구자'로서의 지위를 획득했음을 선언했다.

1.2 50년의 난제: 단백질 접힘 문제의 해결

허사비스와 점퍼가 해결한 문제는 지난 반세기 동안 생물학계의 성배(Holy Grail)로 불려온 '단백질 접힘(Protein Folding)' 문제였다. 1972년 노벨 화학상 수상자인 크리스천 안핀센(Christian Anfinsen)은 단백질의 3차원 입체 구조가 오직 그 아미노산 서열에 의해 결정된다는 '안핀센의 도그마'를 제시했다.3 이론적으로는 서열만 알면 구조를 알 수 있어야 했으나, 현실은 달랐다. 사이러스 레빈탈(Cyrus Levinthal)이 지적한 '레빈탈의 역설(Levinthal's paradox)'에 따르면, 하나의 단백질이 가질 수 있는 가능한 구조의 수는 우주의 원자 수보다 많다. 무작위적인 탐색으로는 우주의 나이만큼 시간이 걸려도 자연 상태의 구조를 찾을 수 없음에도, 자연계의 단백질은 밀리초(ms) 단위의 짧은 시간 안에 정확하게 자신의 고유한 구조로 접힌다.

 

허사비스의 지휘 하에 개발된 AI 모델 '알파폴드(AlphaFold)'는 이 불가능해 보이는 역설을 계산적인 방법으로 돌파했다. 알파폴드 2는 실험적 오차 범위 내인 1 옹스트롬(Å, 0.1nm) 수준의 정확도로 단백질 구조를 예측해냄으로써, 사실상 이 50년 묵은 난제를 '해결'한 것으로 평가받는다. 본 내용은 데미스 허사비스라는 인물이 어떻게 이러한 혁신을 설계했는지, 그리고 알파폴드의 기술적 메커니즘과 그로 인해 촉발된 생명과학의 혁명을 포괄적으로 분석한다.

---

제2부 데미스 허사비스, 융합적 리더십과 AI 비전의 설계자

2.1 체스 신동에서 시스템 신경과학자로: 지능에 대한 끊임없는 탐구

데미스 허사비스의 커리어는 전형적인 화학자나 생물학자의 경로와는 확연히 다르다. 1976년 런던에서 태어난 그는 4세 때 체스를 시작해 13세에 마스터 등급에 오른 신동이었다. 체스는 그에게 복잡한 시스템 내에서 최적의 수를 찾아내는 전략적 사고와, 제한된 시간 내에 의사결정을 내리는 훈련을 제공했다. 이는 훗날 그가 AI 아키텍처를 설계할 때 '탐색(Search)'과 '평가(Evaluation)'라는 핵심 개념을 적용하는 밑거름이 되었다.

 

17세에 전설적인 게임 개발자 피터 몰리뉴와 함께 시뮬레이션 게임 '테마 파크(Theme Park)'를 개발하며 수백만 건의 판매고를 올린 경험은 그에게 또 다른 통찰을 주었다. 게임 속의 경제 시스템과 가상 에이전트들의 행동을 설계하면서, 그는 '지능'을 좁은 의미의 계산이 아닌, 환경과 상호작용하며 목표를 달성하는 '적응형 시스템'으로 바라보게 되었다.

 

케임브리지 대학교에서 컴퓨터 과학을 전공한 후, 그는 다시 학계로 돌아와 유니버시티 칼리지 런던(UCL)에서 인지 신경과학(Cognitive Neuroscience) 박사 학위를 취득했다. 그의 박사 연구 주제는 '기억과 상상력'이었다. 그는 해마(Hippocampus)가 손상된 환자들이 과거를 기억하지 못할 뿐만 아니라 미래를 상상하는 데에도 어려움을 겪는다는 사실을 밝혀냈다. 이는 인간의 지능에서 '기억(Episodic Memory)'이 단순히 과거의 데이터를 저장하는 창고가 아니라, 미래의 시나리오를 시뮬레이션하고 계획을 수립하는 생성적 모델(Generative Model)의 기반임을 시사했다. 이 신경과학적 발견은 딥마인드의 초기 강화학습 알고리즘인 DQN(Deep Q-Network)의 '경험 리플레이(Experience Replay)' 기능과 알파폴드의 구조적 상상력 구현에 결정적인 영감을 불어넣었다.

2.2 딥마인드 창업과 '과학적 변혁적 리더십'

2010년 딥마인드를 창업하며 내건 "지능을 해결하고, 그것을 사용해 다른 모든 것을 해결한다(Solve intelligence, and then use it to solve everything else)"는 슬로건은 허사비스의 궁극적인 목표를 보여준다. 그는 딥마인드를 단순한 소프트웨어 기업이 아닌 '아폴로 프로젝트'와 같은 거대 과학 연구 조직으로 운영했다.

 

전문가들은 딥마인드의 조직 문화를 '과학적 변혁적 리더십(Scientific Transformational Leadership)'으로 정의한다. 이는 학계의 엄격한 동료 평가(Peer Review) 문화와 장기적인 기초 연구에 대한 존중을 유지하면서도, 실리콘밸리 스타트업 특유의 빠른 실행력(Agility)과 명확한 목표 지향성(OKR)을 결합한 하이브리드 모델이다. 허사비스는 이 조직 내에서 다음과 같은 구체적인 역할을 수행했다.

1. 전략적 목표 설정 (Strategic Targeting): 그는 알파고(AlphaGo)가 바둑을 정복한 직후, 다음의 거대 도전 과제로 '단백질 접힘'을 지목했다. 당시 내부에서도 생물학적 데이터의 복잡성 때문에 회의적인 시각이 있었으나, 그는 AI가 가장 큰 임팩트를 낼 수 있는 분야가 '기본 과학(Fundamental Science)'임을 확신하고 자원을 집중시켰다.
2. 융합 연구의 촉진 (Interdisciplinary Bridge): 그는 물리학자, 생물학자, 컴퓨터 공학자, 수학자가 한 팀에서 언어의 장벽을 넘어 소통하도록 강제했다. 존 점퍼(이론 화학)와 같은 도메인 전문가를 영입하고, 그들이 머신러닝 엔지니어와 짝을 이루어 연구하도록 설계했다.
3. 과감한 피벗(Pivot) 결정: 알파폴드 1이 2018년 CASP13에서 우승했음에도 불구하고, 허사비스는 그 기반 기술인 CNN(합성곱 신경망)이 근본적인 한계에 도달했음을 직감했다. 그는 점진적인 개선(Incremental improvement)을 거부하고, 팀에게 "처음부터 다시 시작하라"는 지시를 내렸다. 이 결정이 없었다면 트랜스포머 기반의 알파폴드 2는 탄생하지 못했을 것이다.

2.3 존 점퍼와의 파트너십: 비전과 실행의 결합

노벨상을 공동 수상한 존 점퍼와의 관계는 비전가(Visionary)와 설계자(Architect)의 이상적인 결합을 보여준다. 점퍼는 시카고 대학교에서 단백질 시뮬레이션으로 박사 학위를 받은 후 딥마인드에 합류했다. 허사비스가 "우리는 단백질 구조를 풀어야 한다"는 방향성과 거시적인 전략(강화학습, 탐색 등의 AI 원칙)을 제시했다면, 점퍼는 이를 구체적인 딥러닝 아키텍처로 번역했다. 특히 점퍼는 단백질의 물리적, 기하학적 특성을 신경망의 연산 과정에 직접적으로 주입하는 '귀납적 편향(Inductive Bias)' 설계를 주도했다. 노벨 위원회는 이 두 사람의 공로를 분리할 수 없는 하나의 통합된 성취로 간주했다.

---

제3부 알파폴드 2(AlphaFold 2)의 기술적 해부와 혁신

알파폴드 1(2018)이 이미지 인식 기술을 차용한 초기적 시도였다면, 알파폴드 2(2020)는 단백질의 생화학적, 기하학적 본질을 AI 모델 내부에 구현한 완전히 새로운 시스템이다. 이 섹션에서는 알파폴드 2가 어떻게 실험적 정확도를 달성했는지, 그 내부의 '에보포머(Evoformer)'와 '구조 모듈(Structure Module)'을 중심으로 심층 분석한다.

 

반응형

3.1 데이터 처리의 혁신: 다중 서열 정렬(MSA)의 활용

알파폴드 2의 입력값은 단일 단백질 서열이지만, 시스템은 즉시 거대한 유전체 데이터베이스(Uniprot, BFD 등)를 검색하여 입력 단백질과 진화적으로 연관된 수천 개의 유사 단백질 서열을 찾아내어 **다중 서열 정렬(MSA: Multiple Sequence Alignment)**을 구축한다.

• 공진화(Co-evolution) 분석의 원리: 진화 과정에서 단백질의 구조가 유지되려면, 서로 물리적으로 접촉하고 있는 아미노산 쌍은 함께 변이해야 한다. 예를 들어, 양전하를 띤 아미노산이 음전하를 띤 아미노산으로 바뀌면, 그 파트너 아미노산도 전하 균형을 맞추기 위해 반대 전하로 바뀌어야 구조가 무너지지 않는다. 알파폴드는 MSA 내의 이러한 공진화 패턴을 분석하여, 서열상으로는 멀리 떨어져 있지만 구조적으로는 인접한 아미노산 쌍을 찾아낸다.

3.2 핵심 엔진: 에보포머(Evoformer) 아키텍처

알파폴드 2의 심장은 48개의 블록으로 구성된 에보포머(Evoformer)이다. 이는 기존의 트랜스포머(Transformer) 아키텍처를 단백질 데이터에 맞게 개량한 것이다. 에보포머는 두 가지 트랙의 정보를 동시에 처리하며 서로 교환한다.

1. MSA 표현(MSA Representation): 진화적 정보를 담고 있는 트랙. 
2. 쌍 표현(Pair Representation): 아미노산 잔기(Residue) 간의 거리 및 관계 정보를 담고 있는 트랙.

이 두 트랙은 끊임없이 정보를 주고받는다. MSA에서 추출된 공진화 정보가 쌍 표현 트랙으로 흘러들어가 "이 두 아미노산은 가까이 있을 확률이 높다"는 정보를 업데이트하고, 반대로 쌍 표현 트랙의 정보가 다시 MSA 트랙의 해석을 정교화한다.

 

주요 기술적 메커니즘:

• 축방향 어텐션(Axial Attention): 거대한 MSA 데이터를 효율적으로 처리하기 위해, 행(Row, 개별 서열)과 열(Column, 특정 아미노산 위치) 방향으로 번갈아 가며 어텐션을 수행한다.
• 삼각형 업데이트(Triangle Multiplicative Update): 이것은 알파폴드 2의 가장 천재적인 설계 중 하나다. 쌍 표현 트랙에서 예측된 아미노산 간의 거리는 3차원 유클리드 공간의 물리 법칙을 위배해서는 안 된다. 예를 들어, 점 A와 B의 거리, B와 C의 거리가 주어졌을 때, A와 C의 거리는 삼각 부등식(Triangle Inequality)을 만족해야 한다. 에보포머는 이 기하학적 제약 조건을 신경망 연산에 강제적으로 포함시켜, 물리적으로 불가능한 구조가 예측되는 것을 원천 차단한다.

3.3 구조 모듈(Structure Module)과 SE(3) 등변성

에보포머를 통과한 정보는 구조 모듈로 전달되어 실제 3차원 좌표(x, y, z)로 변환된다. 여기서 핵심은 SE(3) 등변성(Equivariance)의 구현이다.

• SE(3) 그룹: 3차원 공간에서의 회전(Rotation)과 이동(Translation)을 포함하는 변환 그룹.
• 등변성의 중요성: 단백질 분자가 공간 상에서 회전하더라도, 그 내부의 원자 간 거리나 결합 각도는 변하지 않아야 하며, 예측된 구조 역시 동일하게 회전해야 한다. 기존의 딥러닝 모델들은 이 공간적 대칭성을 학습하는 데 어려움을 겪었으나, 알파폴드 2는 불변 점 어텐션(IPA: Invariant Point Attention)이라는 새로운 메커니즘을 통해 이를 해결했다.

구조 모듈은 초기에 모든 아미노산을 원점에 모여 있는 '가스(Gas)' 상태로 가정하고, 에보포머에서 넘어온 정보를 바탕으로 각 아미노산을 회전시키고 이동시키며 3차원 퍼즐을 조립해 나간다.

3.4 재순환(Recycling)과 반복 정제

알파폴드 2는 한 번의 연산(Pass)으로 끝내지 않는다. 예측된 구조와 정보를 다시 입력단으로 되돌려 보내는 재순환(Recycling) 과정을 3-4회 반복한다. 마치 사람이 퍼즐을 맞출 때 전체적인 그림을 보고 다시 세부 조각을 맞추는 과정을 반복하듯, 모델은 반복을 통해 점진적으로 구조를 정제(Refinement)하여 최종적인 정확도를 획기적으로 높인다.

 

[표 1] 알파폴드 1(2018)과 알파폴드 2(2020)의 기술적 비교

특징	알파폴드 1 (AlphaFold 1)	알파폴드 2 (AlphaFold 2)
핵심 아키텍처	CNN (ResNet 기반)	Transformer (Attention 기반)
주요 입력 정보	MSA 통계, 잔기 접촉 윈도우	MSA 전체, 템플릿, 원시 서열
처리 방식	거리 지도(Distance Map) 이미지 예측 후 최적화	End-to-End 미분 가능한 구조 직접 예측
공간적 추론	국소적(Local) 패턴 위주	전역적(Global) 상호작용 및 3D 기하학 내재화
핵심 모듈	2D Convolution Layers	Evoformer (Axial Attention, Triangle Update)
구조 생성	경사 하강법(Gradient Descent)을 통한 에너지 최소화	구조 모듈(IPA)을 통한 3D 좌표 직접 생성
정확도 (GDT)	~60점 (대략적 형태 예측)	>90점 (실험적 오차 범위 내, 원자 수준)
한계	세부 측쇄(Side-chain) 정확도 부족	다중 복합체(Initial), 동역학(Dynamics) 부재

---

제4부 공동 수상자 데이비드 베이커와의 비교 및 상호 작용

4.1 예측(Prediction)과 설계(Design)의 이분법

2024년 노벨 화학상은 크게 두 분야로 나뉜다. 허사비스와 점퍼의 '단백질 구조 예측'과 데이비드 베이커의 '계산적 단백질 설계(Computational Protein Design)'이다.

• 허사비스 & 점퍼: "자연이 만든 수수께끼를 푼다." 즉, 주어진 서열이 자연계에서 어떤 구조로 접히는지 예측하는 해석적 접근이다.
• 데이비드 베이커: "자연에 없는 새로운 단백질을 창조한다." 원하는 기능을 수행하는 구조를 먼저 구상하고, 그 구조를 형성할 수 있는 아미노산 서열을 역으로 찾아내는 창조적 접근이다.

4.2 로제타(Rosetta)에서 로제타폴드(RoseTTAFold)로

베이커 교수는 1990년대부터 '로제타(Rosetta)'라는 소프트웨어를 개발하여 이 분야를 이끌어왔다. 초기 로제타는 물리화학적 에너지 함수와 통계적 데이터를 결합한 방식이었다. 알파폴드 2가 등장하여 충격을 주었을 때, 베이커 교수는 경쟁심보다는 학문적 개방성을 발휘하여 딥러닝 기술을 적극 수용했다. 그는 알파폴드 2의 아키텍처를 분석하고 자체적으로 개량하여 '로제타폴드(RoseTTAFold)'라는 AI 모델을 개발했다.

 

베이커 교수의 연구팀은 AI의 '환각(Hallucination)' 기법을 단백질 설계에 도입했다. 이는 이미지 생성 AI가 텍스트 프롬프트로부터 새로운 이미지를 만들어내듯, AI가 노이즈로부터 시작하여 안정적인 구조를 갖는 새로운 단백질 백본(Backbone)을 생성해내는 기술이다. 이 기술은 자연계 진화가 수십억 년 동안 만들어내지 못한 대칭적인 단백질이나 새로운 효소를 단 며칠 만에 설계할 수 있게 해주었다. 노벨 위원회는 AI를 이용한 '해석(허사비스)'과 '창조(베이커)'라는 두 날개를 모두 인정한 것이다.

---

제5부 알파폴드가 촉발한 생명과학의 혁명적 변화 (Case Studies)

허사비스의 비전대로 알파폴드는 "과학을 위한 AI"의 가장 강력한 증거가 되었다. 2021년 공개된 알파폴드 단백질 구조 데이터베이스(AlphaFold Protein Structure Database)는 인류가 가진 단백질 지식을 2억 개 이상으로 확장시켰다. 다음은 알파폴드가 실제 연구 현장에서 만들어낸 구체적인 혁신 사례들이다.

5.1 사례 연구 1: 소외 열대 질환(NTDs)과 샤가스병 치료제 개발

소외된 열대 질환 치료제 개발 기구(DNDi)는 라틴 아메리카의 풍토병인 샤가스병(Chagas disease) 치료제 개발에 알파폴드를 활용했다.23

• 문제: 샤가스병을 일으키는 기생충 Trypanosoma cruzi의 핵심 효소들의 구조가 밝혀지지 않아, 약물이 결합할 타겟을 정확히 특정하기 어려웠다. 기존 약물인 벤즈니다졸은 부작용이 심하고 치료 기간이 길었다.
• 알파폴드의 기여: 연구진은 알파폴드를 이용해 T. cruzi의 전체 단백질체 구조를 예측했다. 이를 통해 수천 개의 잠재적 약물 타겟 구조를 확보했고, 대규모 가상 스크리닝(Virtual Screening)을 수행했다.
• 결과: 30,000개 이상의 화합물을 시뮬레이션한 결과, 피메크로리무스(Pimecrolimus)와 레디파스비르(Ledipasvir)가 유망한 약물 재창출(Drug Repurposing) 후보임을 밝혀냈다. 이는 수년이 걸릴 초기 탐색 단계를 몇 달로 단축시킨 성과다.

5.2 사례 연구 2: 차세대 말라리아 백신 설계

옥스퍼드 대학교의 매트 히긴스(Matt Higgins) 교수 팀은 말라리아 기생충의 침투 메커니즘을 차단하는 백신을 연구 중이었다.

• 문제: 말라리아 원충이 적혈구에 침투할 때 사용하는 핵심 단백질인 RH5와, 기생충의 유성 생식 단계에서 중요한 Pfs48/45 단백질의 구조를 파악해야 했다. 특히 Pfs48/45는 구조가 매우 불안정하여 실험적으로 규명하기 어려웠다.
• 알파폴드의 기여: 알파폴드는 Pfs48/45의 정확한 3차원 모델을 제공했다. 연구팀은 이 예측 모델을 바탕으로, 전파 차단 항체가 단백질의 어느 부위(Epitope)에 결합하는지를 분자 수준에서 시각화할 수 있었다.
• 결과: 또한 RH5 단백질을 타겟으로 하는 연구에서, 알파폴드 모델을 기반으로 설계된 면역원(Immunogen)은 쥐 실험에서 기존 백신보다 1,000배 낮은 농도에서도 기생충 성장을 억제하는 강력한 항체를 유도해냈다. 이는 "구조 기반 백신 설계(Structure-based Vaccine Design)"의 정수를 보여준다.

5.3 사례 연구 3: 플라스틱 분해 효소(PETase)의 진화 가속화

포츠머스 대학교의 존 맥기한(John McGeehan) 교수 팀은 플라스틱(PET)을 분해하는 박테리아 Ideonella sakaiensis에서 발견된 효소 PETase를 개량하는 연구를 진행했다.

• 알파폴드의 기여: 알파폴드는 PETase와 그 파트너 효소인 MHETase의 복합체 구조를 예측했다. 연구진은 AI가 예측한 구조를 바탕으로 효소의 활성 부위(Active Site)를 정밀하게 조작했다.
• 결과: AI의 예측을 통해 설계된 돌연변이 효소는 자연 상태의 효소보다 플라스틱 분해 속도가 6배 이상 빨랐으며, 산업적 활용에 필수적인 열 안정성(Thermostability)도 크게 향상되었다. 이는 환경 문제 해결에 AI가 직접적으로 기여할 수 있음을 보여준 사례다.

5.4 사례 연구 4: 핵공 복합체(Nuclear Pore Complex)의 조립 원리 규명

세포핵과 세포질 사이의 물질 이동을 통제하는 거대 관문인 핵공 복합체(NPC)는 약 1,000개의 단백질(Nup)로 이루어진, 생물학에서 가장 큰 퍼즐 중 하나였다. 독일 막스 플랑크 연구소 등의 연구진은 알파폴드 2를 사용하여 개별 Nup 단백질들이 서로 어떻게 결합하여 거대한 고리 구조를 형성하는지를 모델링하는 데 성공했다. 이는 실험적 방법만으로는 수십 년이 걸릴 작업을 단숨에 가속화한 것으로, 세포 생물학의 교과서를 다시 쓰는 발견이었다.

---

제6부 알파폴드 3(AlphaFold 3)와 아이소모픽 랩스: 미래를 향한 도약

허사비스는 알파폴드 2의 성공에 안주하지 않았다. 2024년 5월 발표된 알파폴드 3는 기존 모델의 한계를 뛰어넘어 '생물학적 상호작용의 모든 것'을 예측하는 범용 모델로 진화했다.

6.1 알파폴드 3의 기술적 진보: 확산 모델(Diffusion Model)의 도입

알파폴드 3의 가장 큰 특징은 구조 생성 모듈에 확산 모델(Diffusion Model)을 도입한 것이다.

• 확산 모델의 원리: 이미지 생성 AI인 DALL-E나 Midjourney가 노이즈에서 이미지를 생성하듯, 알파폴드 3는 원자들의 구름(Cloud) 상태에서 시작하여 노이즈를 제거해가며 정밀한 분자 구조를 생성한다. 이 방식은 기존 구조 모듈보다 훨씬 복잡하고 다양한 분자 형태를 유연하게 모델링할 수 있다.
• 범용성 확장: 알파폴드 2가 주로 단백질-단백질 상호작용에 집중했다면, 알파폴드 3는 DNA, RNA, 리간드(Ligand, 저분자 화합물), 이온(Ion) 및 수식화된 잔기(Modified Residue)까지 포함한 모든 생체 분자 간의 복합체 구조를 예측할 수 있다.
• 페어포머(Pairformer): 에보포머의 복잡한 MSA 처리 과정을 단순화하고, 쌍 표현(Pair Representation) 처리에 집중하는 페어포머 모듈로 업그레이드하여 계산 효율성과 정확도를 동시에 높였다.

6.2 아이소모픽 랩스(Isomorphic Labs): 디지털 생물학의 상업화

허사비스는 2021년, 알파폴드 기술을 실제 신약 개발에 적용하기 위해 알파벳(Alphabet) 산하의 새로운 자회사인 아이소모픽 랩스(Isomorphic Labs)를 설립하고 CEO를 겸임하고 있다.

딥마인드가 '과학적 원리 발견'에 집중한다면, 아이소모픽 랩스는 이를 '상업적 가치'로 전환하는 역할을 맡는다. 알파폴드 3는 특히 약물 분자(리간드)와 단백질의 결합을 예측하는 데 탁월한 성능을 보여주며, 이는 제약 회사들의 신약 발굴 파이프라인에 직접적으로 통합되고 있다. 일라이 릴리(Eli Lilly), 노바티스(Novartis) 등 글로벌 제약사들과의 대규모 계약은 AI 기반 신약 개발(AI-driven Drug Discovery)이 더 이상 실험적인 시도가 아니라 산업의 표준이 되고 있음을 시사한다.

 

[표 2] 알파폴드 2와 알파폴드 3의 비교

특징	알파폴드 2 (2020)	알파폴드 3 (2024)
적용 대상	주로 단백질 (Protein only), 일부 복합체	단백질, DNA, RNA, 리간드, 이온 등 범용
생성 모델	구조 모듈 (IPA, 기하학적 회전/이동)	확산 모델 (Diffusion Model)
핵심 블록	Evoformer (MSA 중심)	Pairformer (Pair 정보 중심, 단순화)
약물 결합 예측	제한적 (별도 도구 필요)	매우 강력 (리간드 도킹 직접 예측)
접근성	오픈 소스, 전체 코드 공개	웹 서버(AlphaFold Server) 중심, 코드 제한적 공개
주요 목표	단백질 접힘 문제 해결	생물학적 상호작용 전체의 모델링

---

제7부 비판적 고찰과 결론

7.1 한계와 논쟁: "블랙박스"와 정적(Static) 모델

알파폴드의 눈부신 성과에도 불구하고 학계의 비판적 시각은 존재한다.

1. 물리적 원리의 부재: 알파폴드는 데이터 기반의 패턴 인식을 통해 구조를 예측할 뿐, 단백질이 접히는 열역학적 경로(Folding Pathway)나 물리적 원리를 설명해주지는 않는다. "어떻게(How)" 접히는지는 모르고 "무엇(What)"이 되는지만 맞춘다는 것이다.
2. 동역학(Dynamics)의 한계: 단백질은 고정된 조각상이 아니라 끊임없이 움직이는 기계다. 알파폴드는 주로 하나의 고정된 구조(결정 구조)만을 예측하므로, 단백질의 기능에 중요한 구조적 변화(Conformational Change)나 무질서 영역(IDR)을 다루는 데에는 한계가 있다.
3. 데이터 접근성 논란: 알파폴드 2가 완전한 오픈 소스로 공개되어 생태계를 폭발시킨 반면, 알파폴드 3는 초기에는 코드를 공개하지 않고 웹 서버 접근만 허용하여 "오픈 사이언스 정신의 후퇴"라는 비판을 받았다.21 (이는 아이소모픽 랩스의 상업적 이해관계와 연결된다.)

7.2 결론: 허사비스가 연 새로운 르네상스

데미스 허사비스의 2024년 노벨 화학상 수상은 단순히 하나의 도구 개발에 대한 보상이 아니다. 그것은 인공지능이 인간의 인지 능력을 확장하여, 기존의 방법으로는 도달할 수 없었던 자연의 심층적 질서에 접근할 수 있게 해준다는 가능성의 증명이다.

허사비스의 "과학을 위한 AI (AI for Science)" 비전은 단백질을 넘어 재료 과학(GNoME), 핵융합 제어, 기상 예측(GraphCast) 등 다양한 분야로 확장되고 있다. 그는 생물학을 '실험하고 관찰하는 학문'에서 '예측하고 설계하는 디지털 학문'으로 변모시켰다. 알파폴드가 제공한 2억 개의 단백질 지도는 미래의 과학자들이 미지의 질병을 정복하고, 새로운 소재를 개발하며, 생명의 기원을 탐구하는 데 사용하는 필수적인 나침반이 될 것이다. 체스판 위에서 수를 읽던 소년은 이제 인류 전체를 위해 생명의 가장 복잡한 퍼즐을 풀어냈으며, 이는 과학사에서 갈릴레오의 망원경이나 뢰벤후크의 현미경에 비견될 만한 도약으로 기록될 것이다.