AlphaFold를 사용하기 전에 알아야 할 것들

단백질 구조를 안다는 것은 무엇을 안다는 뜻일까

AlphaFold를 처음 접하면 가장 먼저 떠오르는 질문은 대개 이렇습니다. "서열만 넣으면 단백질 구조가 나온다는데, 그럼 이제 단백질을 다 이해한 것인가?"

답은 "아직은 아니다"에 가깝습니다. 하지만 "이제 훨씬 좋은 출발점이 생겼다"는 말은 분명히 할 수 있습니다.

단백질은 아미노산이라는 작은 분자들이 줄줄이 연결된 긴 사슬입니다. 이 사슬의 순서를 아미노산 1차 서열이라고 부릅니다. 예를 들어 MGLSDGEWQL... 같은 문자 줄이 바로 단백질 서열입니다. 여기서 M, G, L 같은 한 글자는 각각 특정 아미노산을 뜻합니다. 이 긴 사슬은 물속에서 아무렇게나 늘어져 있는 것이 아니라, 서로 끌어당기고 밀어내는 힘에 따라 접히고 휘어지고 말리면서 3차원 모양을 만듭니다. 그 결과 알파 나선, 베타 병풍 또는 베타 시트 같은 국소 구조가 생기고, 더 크게는 단백질 전체의 입체 구조가 만들어집니다.

왜 이 모양이 중요할까요? 단백질의 일은 대부분 "무엇과 어떻게 맞물리는가"로 결정되기 때문입니다. 효소는 특정 분자를 붙잡아 화학 반응을 빠르게 진행시키고, 항체는 항원을 알아보고 결합하며, 수용체는 신호 물질을 감지해 세포 안쪽으로 정보를 전달합니다. 이런 일들은 모두 단백질 표면의 홈, 돌기, 전하 분포, 유연한 고리, 금속 이온을 잡는 자리 같은 구조적 특징과 깊이 연결되어 있습니다. 그래서 단백질 구조를 안다는 것은 단순히 예쁜 리본 그림을 얻는 일이 아니라, 그 단백질이 어떤 방식으로 작동할지 상상할 수 있는 지도를 손에 넣는 일입니다. 단백질 구조를 이해하면 기능을 기계적으로 설명하는 데 큰 도움이 된다는 점은 AlphaFold 연구가 출발한 중요한 배경이기도 합니다¹.

다만 여기서 조심해야 할 점이 있습니다. "서열이 구조를 결정한다"는 말은 단백질 과학의 강력한 출발점이지만, 현실의 세포 안에서는 이야기가 더 복잡합니다. 같은 서열을 가진 단백질도 주변 환경에 따라 다른 상태를 취할 수 있습니다. pH, 염 농도, 온도, 막의 존재, 결합 파트너, 금속 이온, 리간드, 인산화나 당화 같은 번역 후 변형이 구조와 기능에 영향을 줍니다. 어떤 단백질은 특정 순간에는 잘 접힌 형태로 있다가, 다른 순간에는 유연하게 흔들리거나 부분적으로 풀린 상태로 작동합니다.

그러므로 AlphaFold를 사용할 때는 단백질을 정지된 조각상으로만 생각하면 안 됩니다. 더 좋은 비유는 "무대 위 배우의 대표 사진"입니다. 사진은 배우의 얼굴과 옷차림을 보여주지만, 대사, 움직임, 상대 배우와의 호흡, 조명 변화까지 모두 담지는 못합니다. AlphaFold가 주는 구조 모델도 마찬가지입니다. 매우 유용한 대표 장면이지만, 단백질의 모든 생물학적 맥락을 자동으로 설명해 주지는 않습니다.

구조생물학의 전통적인 길: 직접 보는 실험법

AlphaFold가 왜 큰 사건이었는지 이해하려면, 먼저 AlphaFold 이전에 단백질 구조를 어떻게 알아냈는지 알아야 합니다. 오랫동안 단백질 구조를 원자 수준에서 확인하는 핵심 방법은 X-ray 결정학, NMR, cryo-EM이었습니다. 이 방법들은 지금도 구조생물학의 중심에 있습니다. AlphaFold가 등장했다고 해서 사라진 것이 아니라, 오히려 AlphaFold 모델을 검증하고 보완하는 기준점으로 더 중요해졌습니다.

X-ray 결정학은 단백질 결정을 만든 뒤 X선을 쏘아 회절 패턴을 분석하는 방법입니다. 잘 성공하면 매우 높은 해상도의 원자 구조를 얻을 수 있습니다. 문제는 "결정"입니다. 단백질을 충분히 많이, 충분히 순수하게 만들고, 운 좋게도 잘 정렬된 결정을 얻어야 합니다. 어떤 단백질은 결정이 잘 생기지만, 어떤 단백질은 수개월을 시도해도 결정화 조건을 찾기 어렵습니다. 특히 유연한 단백질, 막단백질, 큰 복합체는 결정화가 까다로운 경우가 많습니다.

NMR은 강한 자기장 안에서 원자핵의 신호를 측정해 단백질의 구조와 움직임을 추론하는 방법입니다. 용액 상태에서 단백질을 볼 수 있다는 장점이 있고, 구조의 동역학을 이해하는 데도 강합니다. 하지만 일반적으로 큰 단백질이나 매우 복잡한 복합체에는 적용이 어려워질 수 있고, 시료 준비와 데이터 해석에 전문성이 필요합니다.

Cryo-EM, 즉 극저온 전자현미경은 단백질이나 복합체를 빠르게 얼린 뒤 전자현미경으로 많은 입자 이미지를 찍고, 이를 계산적으로 합쳐 3차원 구조를 얻는 방법입니다. 결정화가 필요 없다는 점에서 큰 장점이 있으며, 거대한 단백질 복합체 연구에 혁명적인 변화를 가져왔습니다. 다만 고가의 장비, 시료 품질, 데이터 처리 기술, 많은 계산 자원이 필요합니다. 단백질이 너무 작거나 지나치게 유연하면 여전히 어려움이 있습니다.

정리하면, 세 방법은 모두 강력하지만 쉽게 누르면 구조가 나오는 버튼은 아닙니다.

이런 실험법으로 얻은 구조는 단백질 과학의 금본위 자료입니다. 하지만 하나의 구조를 얻기까지 수개월에서 수년이 걸릴 수 있고, 모든 단백질에 같은 방식으로 적용되지는 않습니다. 실제로 알려진 단백질 서열 수에 비해 실험적으로 구조가 밝혀진 단백질 수는 오랫동안 훨씬 적었습니다. AlphaFold 논문에서도 방대한 실험적 노력에도 불구하고 구조가 밝혀진 단백질은 알려진 서열 공간의 일부에 불과하다는 문제가 강조되었습니다¹.

바로 이 틈이 AlphaFold가 들어온 자리입니다. 실험을 대체하기 위해서가 아니라, 실험이 닿기 어려운 넓은 공간에 먼저 지도를 그려 주기 위해 등장한 것입니다.

AlphaFold 2가 바꾼 질문

AlphaFold 2는 Google DeepMind가 개발한 인공지능 기반 단백질 구조 예측 시스템입니다. 기본적인 질문은 단순합니다. "아미노산 서열이 주어졌을 때, 이 단백질은 어떤 3차원 구조를 가질 가능성이 높은가?"

그러나 이 질문은 50년 넘게 어려운 문제였습니다. 단백질 사슬은 이론적으로 엄청나게 많은 모양을 취할 수 있습니다. 가능한 모든 모양을 하나씩 시험해 보는 방식으로는 현실적인 시간 안에 답을 찾기 어렵습니다. 그래서 과학자들은 물리 법칙, 진화 정보, 이미 알려진 구조와의 유사성, 통계적 패턴을 이용해 이 문제를 풀려고 해 왔습니다.

AlphaFold 2의 핵심은 방대한 단백질 서열과 구조 데이터에서 패턴을 학습하고, 여러 생물 종에서 함께 변해 온 아미노산 위치들을 이용해 3차원 거리 관계를 추론한다는 점입니다. 쉽게 말해, 진화가 남긴 흔적을 읽는 것입니다. 두 아미노산이 단백질 안에서 가까이 붙어 있다면, 한쪽이 변했을 때 다른 쪽도 함께 변해야 구조가 유지될 가능성이 있습니다. 이런 공진화 신호는 단백질의 접힘을 추론하는 중요한 단서가 됩니다.

AlphaFold 2가 세계적으로 주목받은 계기는 CASP14였습니다. CASP는 아직 공개되지 않은 실험 구조를 대상으로 예측 방법들의 성능을 겨루는 블라인드 평가입니다. 참가자들은 정답 구조를 모르는 상태에서 모델을 제출하고, 나중에 실험 구조와 비교해 정확도를 평가받습니다. AlphaFold 2는 CASP14에서 많은 표적에 대해 기존 방법들을 크게 앞섰고, 다수의 경우 실험 구조와 경쟁할 만한 정확도를 보였습니다². DeepMind도 AlphaFold가 CASP14에서 원자 수준에 가까운 정확도로 구조를 예측하며 단백질 구조 예측 문제의 오랜 한계를 크게 넘어섰다고 설명합니다³.

이 사건의 의미는 단지 "AI가 대회에서 이겼다"가 아닙니다. 더 중요한 변화는 질문의 순서가 바뀌었다는 데 있습니다. 예전에는 어떤 단백질을 연구하려면 먼저 구조를 얻을 수 있을지부터 고민해야 했습니다. 이제는 많은 경우 "일단 예측 구조를 보고 가설을 세운 뒤, 중요한 부분을 실험으로 검증하자"는 접근이 가능해졌습니다.

예를 들어 기능을 모르는 단백질이 있다고 합시다. 서열만 보면 막막합니다. 그런데 AlphaFold 모델을 보니 표면에 깊은 주머니가 있고, 주변에 보존된 양전하 잔기들이 모여 있습니다. 그러면 연구자는 "이 단백질이 음전하를 띤 핵산이나 작은 분자와 결합할지도 모른다"는 가설을 세울 수 있습니다. 또는 특정 돌연변이가 질병과 관련되어 있는데, 그 위치가 단백질 중심부의 소수성 코어인지, 표면의 결합 부위인지, 유연한 말단인지 확인할 수 있습니다. 이것만으로 결론이 나는 것은 아니지만, 어디를 먼저 실험할지 정하는 데 큰 도움이 됩니다.

AlphaFold는 답안지가 아니라 좋은 현미경을 빌려주는 도구에 가깝습니다. 실제 현미경처럼 빛을 쏘아 본 것은 아니지만, 과학자의 눈앞에 이전보다 훨씬 구체적인 모양을 제시합니다.

AlphaFold DB: 구조 예측이 '자료실'이 된 순간

AlphaFold의 영향력을 폭발적으로 키운 것은 AlphaFold Protein Structure Database, 흔히 AlphaFold DB라고 부르는 공개 데이터베이스였습니다. Google DeepMind와 EMBL-EBI는 AlphaFold 예측 구조를 연구자들이 자유롭게 검색하고 내려받을 수 있도록 공개했습니다. 이 데이터베이스는 2억 개가 넘는 단백질 구조 예측을 제공하며, UniProt에 수록된 단백질 서열 공간의 넓은 부분을 덮고 있습니다⁴.

이 변화는 생각보다 큽니다. 과거에는 단백질 구조를 찾기 위해 Protein Data Bank에서 실험 구조가 있는지 확인하고, 없다면 직접 구조를 풀거나 모델링을 시도해야 했습니다. 이제는 많은 단백질에 대해 AlphaFold DB에서 먼저 예측 구조를 확인할 수 있습니다. 연구자는 구조가 없는 단백질을 완전히 어둠 속에서 시작하지 않아도 됩니다.

하지만 여기에도 중요한 조건이 붙습니다. AlphaFold DB의 구조는 "실험적으로 결정된 구조"가 아니라 "계산으로 예측된 구조"입니다. 그러므로 모델을 볼 때는 반드시 신뢰도 지표를 함께 읽어야 합니다. 대표적인 지표가 pLDDT와 PAE입니다.

pLDDT는 각 아미노산 잔기 주변의 국소 구조를 AlphaFold가 얼마나 자신 있게 예측했는지 나타내는 값입니다. 보통 0에서 100 사이의 숫자로 표현되며, 높을수록 그 부분의 위치와 국소 구조를 더 신뢰할 수 있다는 뜻입니다. AlphaFold 모델에서는 이 값이 색으로 표시되는 경우가 많습니다. 진한 파란색 영역은 대체로 높은 신뢰도를 뜻하고, 노란색이나 주황색, 붉은색 영역은 낮은 신뢰도를 뜻합니다.

PAE는 Predicted Aligned Error의 약자로, 단백질의 한 부분을 기준으로 맞추었을 때 다른 부분의 상대적 위치가 얼마나 불확실한지 보여줍니다. pLDDT가 "이 잔기 주변 모양이 믿을 만한가?"에 가깝다면, PAE는 "이 도메인과 저 도메인의 상대적 배치가 믿을 만한가?"에 가깝습니다. 두 도메인 각각은 잘 예측되었지만 서로의 방향은 불확실한 경우가 있습니다. 이런 경우 전체 리본 그림은 그럴듯해 보여도, 도메인 사이 각도나 거리 해석은 조심해야 합니다.

이 차이는 실제 사용에서 매우 중요합니다. 단백질의 한 도메인이 pLDDT 95로 매우 잘 예측되었더라도, 길고 유연한 연결부로 이어진 다른 도메인과의 배치는 PAE가 높을 수 있습니다. 이때 "두 도메인이 반드시 이렇게 붙어 있다"고 결론 내리면 위험합니다. 반대로 낮은 pLDDT 영역은 단순한 실패가 아니라 실제로 무질서하거나 유연한 영역일 수 있습니다. AlphaFold 2의 pLDDT는 본질적으로 무질서한 영역을 식별하는 데도 유용하게 쓰일 수 있지만, 그런 영역의 고정된 원자 좌표를 믿어서는 안 됩니다⁵.

즉 AlphaFold DB는 엄청난 구조 지도책입니다. 그러나 지도책의 모든 선이 같은 정확도로 그려진 것은 아닙니다. 고속도로는 선명하지만 산길은 흐릿할 수 있고, 어떤 지역은 계절에 따라 길이 바뀔 수도 있습니다. 좋은 사용자는 그림을 보는 데서 멈추지 않고, 신뢰도 색과 PAE 지도를 함께 읽습니다.

AlphaFold 3: 단백질 하나를 넘어 복합체로

AlphaFold 2가 주로 단백질 서열에서 단백질 구조를 예측하는 데 큰 변화를 가져왔다면, AlphaFold 3는 질문의 범위를 넓혔습니다. 생명현상은 단백질 하나만으로 일어나지 않습니다. 단백질은 DNA, RNA, 작은 리간드, 금속 이온, 다른 단백질, 화학적으로 변형된 잔기들과 함께 작동합니다. 효소는 기질을 붙잡아 반응시키고, 전사인자는 DNA에 결합하며, 리보핵단백질 복합체는 RNA와 단백질이 함께 모여 기능합니다.

AlphaFold 3와 AlphaFold Server는 이런 생체분자 복합체 모델링으로 사용 범위를 확장했습니다. AlphaFold Server에서는 단백질뿐 아니라 DNA, RNA, 리간드, 이온, 일부 화학적 변형을 입력 구성 요소로 다룰 수 있으며, 복합체 구조와 상호작용을 예측하는 기능을 제공합니다⁶. DeepMind도 AlphaFold 3와 AlphaFold Server가 단백질을 넘어 생명 분자들의 상호작용을 예측하도록 설계되었다고 소개합니다³.

이것은 매우 흥미로운 확장입니다. 예를 들어 단백질-DNA 결합 모델을 보고 어떤 아미노산이 염기나 인산 골격 근처에 놓이는지 살펴볼 수 있습니다. 단백질-리간드 모델을 통해 작은 분자가 어느 주머니에 들어갈 가능성이 있는지 탐색할 수도 있습니다. 변형 잔기를 포함한 모델을 만들면, 인산화나 당화가 주변 구조에 어떤 영향을 줄지 가설을 세우는 데 도움이 될 수 있습니다.

하지만 여기서도 과도한 기대는 금물입니다. AlphaFold 3가 복합체의 구조를 예측한다고 해서 결합 친화도, 반응 속도, 촉매 메커니즘, 세포 안에서의 농도 의존성, 시간에 따른 구조 변화까지 자동으로 알려 주는 것은 아닙니다. 어떤 리간드가 그럴듯한 위치에 놓였다고 해서 실제로 강하게 결합한다는 뜻은 아닙니다. 단백질과 DNA가 가까이 배치되었다고 해서 그 결합이 세포 안에서 안정적으로 일어난다는 보장도 없습니다.

구조는 중요한 단서지만, 생물학적 기능은 구조 이상의 문제입니다. 결합하려면 분자들이 실제로 만나야 하고, 충분한 농도로 존재해야 하며, 적절한 세포 구획에 있어야 하고, 경쟁 분자나 조절 단백질의 영향을 받아야 합니다. 또한 많은 단백질은 하나의 구조가 아니라 여러 구조 상태 사이를 오갑니다. AlphaFold가 보여주는 모델은 이 복잡한 영화의 한 장면일 수 있습니다.

따라서 AlphaFold 3를 사용할 때의 좋은 태도는 "이 모델이 맞다"가 아니라 "이 모델이 제안하는 검증 가능한 가설은 무엇인가?"라고 묻는 것입니다.

AlphaFold가 잘하는 일

AlphaFold를 제대로 쓰려면 먼저 잘하는 일을 분명히 알아야 합니다. 도구의 강점을 알면 시간을 크게 줄일 수 있고, 결과를 더 생산적으로 해석할 수 있습니다.

AlphaFold 2는 특히 단일 단백질 사슬의 접힌 도메인을 예측하는 데 강합니다. 안정적으로 접히는 구형 단백질, 잘 보존된 도메인, 충분한 진화 정보가 있는 단백질에서는 매우 유용한 모델을 제공합니다. 실험 구조가 없는 단백질이라도, 관련 서열이 풍부하고 구조적으로 일관된 신호가 있다면 훌륭한 출발 모델을 얻을 수 있습니다.

또한 AlphaFold 모델은 기능 추론의 출발점으로 강력합니다. 구조 유사성 검색을 통해 알려진 단백질과 닮은 접힘을 찾을 수 있고, 표면의 보존된 잔기를 살펴 기능 부위를 추정할 수 있습니다. 돌연변이 위치가 구조적으로 중요한 자리인지 확인하는 데도 도움이 됩니다. 구조생물학 실험에서는 cryo-EM 밀도 지도에 AlphaFold 모델을 끼워 넣거나, X-ray 결정학의 분자 치환 모델로 활용하는 경우도 많습니다.

AlphaFold의 또 다른 장점은 접근성입니다. AlphaFold DB에서 이미 계산된 구조를 가져올 수 있고, ColabFold나 AlphaFold Server 같은 도구를 통해 비교적 쉽게 새 예측을 실행할 수 있습니다. 로컬 설치는 여전히 계산 자원과 기술이 필요하지만, 모든 사용자가 처음부터 대형 서버를 갖춰야만 AlphaFold를 쓸 수 있는 시대는 아닙니다.

이 책의 뒤쪽 챕터에서는 목적에 따라 AlphaFold DB, ColabFold, AlphaFold Server, 로컬 실행을 어떻게 고를지 자세히 다룰 것입니다. 지금 기억할 핵심은 단순합니다. AlphaFold는 "단백질 구조를 전혀 모르는 상태"를 "검토 가능한 구조 가설이 있는 상태"로 바꿔 줍니다. 이 차이가 연구의 속도와 방향을 크게 바꿉니다.

AlphaFold가 못하거나 조심해야 하는 일

좋은 도구일수록 한계를 알아야 합니다. 망치를 잘 쓰는 사람은 모든 것을 못으로 보지 않습니다. AlphaFold도 마찬가지입니다.

가장 먼저 기억할 것은 AlphaFold가 주로 정적 구조 모델을 만든다는 점입니다. 실제 단백질은 흔들리고, 열리고, 닫히고, 부분적으로 접혔다 풀리고, 결합 파트너에 따라 모양을 바꿉니다. AlphaFold 2는 기본적으로 이런 여러 상태의 전체 앙상블을 자동으로 보여 주도록 설계된 도구가 아닙니다. 따라서 효소의 열린 상태와 닫힌 상태, 수용체의 활성형과 비활성형, 리간드 결합 전후의 차이를 해석할 때는 주의가 필요합니다. EMBL-EBI의 AlphaFold 교육 자료도 AlphaFold 2가 기본적으로 구조적 스냅샷을 예측하며, 여러 결합 분자나 변형을 명시적으로 다루지 못하는 경우가 있음을 설명합니다⁵.

두 번째로, 낮은 신뢰도 영역은 좌표를 그대로 믿기 어렵습니다. 특히 긴 말단, 유연한 루프, 본질적 무질서 영역은 pLDDT가 낮게 나올 수 있습니다. 이런 영역을 PyMOL이나 ChimeraX에서 보면 마치 실제로 특정 위치에 놓인 사슬처럼 보이지만, 그 좌표는 거의 장식에 가까울 수 있습니다. 낮은 신뢰도 영역의 원자 간 거리, 수소 결합, 소수성 접촉을 정밀하게 해석하는 것은 피해야 합니다.

세 번째로, 복합체 계면은 단일 단백질보다 더 조심해야 합니다. 단백질-단백질, 단백질-DNA, 단백질-리간드 모델에서 계면이 그럴듯해 보여도 실제 결합을 보장하지 않습니다. 복합체 예측에서는 ipTM, PAE, 반복 실행 결과의 일관성, 알려진 생화학 데이터, 돌연변이 실험, 교차결합 질량분석, cryo-EM 밀도 같은 독립 근거를 함께 봐야 합니다.

네 번째로, 리간드 포즈와 변이 효과 해석은 특히 조심해야 합니다. 작은 분자가 예측 구조의 주머니 안에 놓였다고 해서 결합 에너지가 높다는 뜻은 아닙니다. 특정 돌연변이를 넣었을 때 AlphaFold 구조가 거의 변하지 않는다고 해서 그 변이가 기능에 영향이 없다는 뜻도 아닙니다. 변이는 안정성, 발현량, 접힘 경로, 단백질 분해, 상호작용, 조절 신호를 바꿀 수 있습니다. pLDDT는 예측 신뢰도이지 단백질 안정성 점수가 아닙니다.

다섯 번째로, 세포 환경은 모델 바깥에 있습니다. 막단백질의 경우 막의 방향과 지질 환경이 중요하고, 분비 단백질은 당화와 이황화 결합이 중요할 수 있으며, 핵 단백질은 DNA·RNA와의 경쟁적 결합이 중요할 수 있습니다. AlphaFold 모델만 보고 "이 단백질은 반드시 이렇게 작동한다"고 결론 내리기보다, 모델이 빠뜨린 생물학적 조건을 따져야 합니다.

이러한 한계는 AlphaFold의 가치를 깎아내리는 것이 아닙니다. 오히려 반대입니다. 한계를 알수록 AlphaFold를 더 강력하게 쓸 수 있습니다. 낮은 신뢰도 영역을 보고 "여기는 실패했네"라고 끝내는 대신 "여기는 유연하거나 무질서할 가능성이 있겠군"이라고 해석할 수 있습니다. 복합체 모델이 불확실하면 "계면 돌연변이를 만들어 검증하자"는 실험 계획으로 이어질 수 있습니다. 좋은 과학은 확신이 아니라 검증 가능한 의심에서 시작됩니다.

AlphaFold 결과를 대하는 올바른 태도

AlphaFold의 결과물은 실험 구조의 완전한 대체물이 아닙니다. 더 정확히 말하면, AlphaFold 모델은 검증 가능한 구조 가설입니다.

이 말은 매우 중요합니다. 가설은 무가치한 추측이 아닙니다. 좋은 가설은 다음 실험을 설계하게 해 줍니다. AlphaFold 모델은 "이 도메인은 이렇게 접힐 가능성이 높다", "이 표면이 결합면일 수 있다", "이 돌연변이는 단백질 중심부를 불안정하게 만들 수 있다", "이 낮은 신뢰도 영역은 유연한 링커일 수 있다" 같은 구체적인 질문을 만들어 줍니다. 그리고 이런 질문은 실험과 추가 계산으로 확인할 수 있습니다.

실제로 AlphaFold 모델을 사용할 때는 다음과 같은 순서로 생각하면 안전합니다.

1. 먼저 내가 보고 있는 구조가 실험 구조인지 예측 구조인지 확인합니다.

2. pLDDT와 PAE를 보고 어느 부분을 신뢰할 수 있고 어느 부분을 조심해야 하는지 나눕니다.

3. 문헌, 도메인 정보, 보존성, 돌연변이 데이터, 결합 실험, 구조 실험 자료와 비교합니다.

4. 중요한 결론은 가능하면 독립적인 방법으로 검증합니다.

여기서 "검증"은 반드시 거대한 장비를 써야 한다는 뜻만은 아닙니다. 목적에 따라 점 돌연변이, 결합 실험, 활성 측정, 세포 내 위치 확인, 제한적 단백질분해, 교차결합 실험, 분자동역학, 도킹, 기존 PDB 구조와의 비교 등 다양한 방법이 검증이 될 수 있습니다. 핵심은 AlphaFold 모델 하나에 모든 결론을 맡기지 않는 것입니다.

특히 다음과 같은 상황에서는 한 번 더 멈춰야 합니다. 낮은 pLDDT 영역의 원자 위치를 근거로 기능을 설명하려 할 때, PAE가 높은 도메인 배치를 고정된 구조처럼 해석하려 할 때, 복합체 계면을 결합 증거로 사용하려 할 때, 리간드 포즈만 보고 약물 후보의 우열을 판단하려 할 때, 단일 변이 모델로 질병 원인을 단정하려 할 때입니다. 이런 경우 AlphaFold는 출발점이지 결승선이 아닙니다.

이 책에서 배우게 될 사용자의 관점

이 책은 AlphaFold의 내부 알고리즘을 수학적으로 해부하는 책이 아닙니다. 목표는 실제 사용자가 자신의 연구 질문에 맞게 AlphaFold를 고르고, 입력을 준비하고, 결과를 읽고, 한계를 이해하며, 재현 가능한 방식으로 보고할 수 있게 만드는 것입니다.

앞으로 우리는 먼저 단백질 구조 예측에 필요한 최소한의 생물학을 정리할 것입니다. 그다음 AlphaFold DB, ColabFold, AlphaFold Server, 로컬 AlphaFold 실행 중 무엇을 선택해야 하는지 살펴봅니다. 서열을 어디서 가져오고 FASTA 입력을 어떻게 준비하는지, 이미 계산된 구조를 어떻게 활용하는지, ColabFold로 첫 예측을 실행하는 법도 다룹니다. 이후에는 pLDDT, PAE, pTM, ipTM 같은 신뢰도 지표를 읽는 방법을 자세히 익히고, 복합체 예측과 AlphaFold 3 입력 형식, 로컬·HPC·클라우드 실행, 어려운 예측을 개선하는 방법까지 나아갈 것입니다.

그러나 모든 기술적 절차 위에 놓이는 기본 태도는 이 챕터의 한 문장으로 요약할 수 있습니다.

AlphaFold는 구조를 '증명'하는 기계가 아니라, 좋은 구조 가설을 빠르게 만들어 주는 도구다.

이 관점을 잊지 않으면 AlphaFold는 매우 강력한 동료가 됩니다. 서열만 있던 단백질에 입체감을 부여하고, 막연한 기능 추정을 구체적인 실험 질문으로 바꾸며, 구조생물학과 생명과학 연구의 시작점을 앞당깁니다. 반대로 이 관점을 잊고 예측 모델을 곧바로 사실처럼 다루면, 그럴듯한 그림이 잘못된 결론으로 이어질 수 있습니다.

이제 우리는 AlphaFold가 무엇을 약속하고 무엇을 약속하지 않는지 알았습니다. 다음 단계는 단백질 구조를 읽기 위한 최소한의 생물학적 언어를 익히는 것입니다. 구조 그림 속 나선과 베타 시트, 도메인과 잔기, 결합 부위와 무질서 영역이 무엇을 뜻하는지 알게 되면, AlphaFold 결과는 단순한 3D 이미지가 아니라 연구 질문을 던지는 살아 있는 지도가 될 것입니다.

참고

¹Highly accurate protein structure prediction with AlphaFold

²Assessment of prediction methods in the 14th round of the Critical Assessment of Protein Structure Prediction (CASP14)

³AlphaFold — Google DeepMind

⁴AlphaFold Protein Structure Database, EMBL-EBI

⁵Strengths and limitations of AlphaFold 2

⁶AlphaFold Server guide