AI 단백질 설계 — 한국 연구진까지 가세, 약 만드는 속도가 달라졌다

요즘 "AI 단백질 설계"라는 말이 자주 보입니다. 어려운 과학 얘기처럼 들리지만, 결론만 보면 단순합니다. 약을 만드는 속도가 크게 빨라지고 있다는 뜻이에요. 우리 몸의 거의 모든 일은 단백질이 하고, 약도 결국 그 단백질에 잘 맞물리는 분자를 찾는 일입니다. 그 "잘 맞물리는 분자"를 컴퓨터가 미리 디자인해 주는 시대가 열렸습니다.

한 줄 요약: 예전엔 약 후보 하나 찾는 데 몇 년이 걸렸지만, 이제는 컴퓨터가 "이런 모양의 단백질이 필요해"라고 알려주면 짧으면 며칠 안에 후보를 그려냅니다. 실제 약이 되기까지는 여전히 임상시험이 남아 있지만, 출발점이 완전히 달라졌어요.

단백질은 우리 몸 안에서 일하는 작은 부품들입니다. 소화시키는 효소도, 통증 신호를 전달하는 수용체도, 바이러스를 막는 항체도 전부 단백질이에요. 그리고 거의 모든 약은 몸 안 어떤 단백질에 달라붙어서 작용합니다.

그런데 단백질은 평면이 아니라 3차원으로 꼬여 있어요. 그 꼬임 모양이 곧 그 단백질의 일입니다. 그래서 "약을 만든다 = 그 단백질의 모양에 정확히 맞아 들어가는 또 다른 분자를 만든다" 라고 봐도 큰 무리가 없어요.

옛날에는 이 모양을 알아내는 데 몇 년이 걸렸습니다. AI가 등장하면서 그 시간이 며칠~몇 분 단위로 줄었습니다.

2024년 노벨화학상이 이 분야 연구자 세 명에게 동시에 돌아갔어요.

• 데이비드 베이커 (미국 워싱턴대) — 자연에 없던 단백질을 컴퓨터로 처음부터 그려서 실제 실험실에서 만드는 데 성공.
• 데미스 허사비스 / 존 점퍼 (구글 딥마인드) — AlphaFold(알파폴드)로 사실상 알려진 모든 단백질의 모양을 컴퓨터로 풀어냄.

학계에서는 "이미 줬어야 할 상"이라는 평가가 많았습니다. 50년 넘게 풀리지 않던 문제가 풀린 셈이거든요.

지금 가장 영향력 있는 도구는 셋입니다. 이름이 어려워 보이지만, 역할은 명확해요.

① AlphaFold 3 (알파폴드 3, 구글 딥마인드)
역할: "이 단백질이 어떻게 생겼지?"를 알려주는 도구. 2024년 5월 공개된 3세대 버전부터는 단백질뿐 아니라 DNA·RNA·약물 분자가 어떻게 서로 붙는지까지 보여줍니다. 신약 회사 입장에서는 "내 약이 표적에 잘 붙을지" 미리 시뮬레이션할 수 있게 된 것이죠.

② RFdiffusion (베이커 연구실)
역할: "이런 일을 할 새 단백질이 필요해"라고 시키면 자연에 없던 새 모양을 그려내는 도구. 이미지 생성 AI(달리·미드저니)와 비슷한 원리(확산 모델)를 단백질에 가져온 게 핵심이에요.

③ AlphaProteo (알파프로테오, 2024년 9월 공개)
역할: "이 단백질에 단단히 달라붙는 작은 단백질을 만들어 줘"에 특화. 항체 같은 치료용 단백질 후보를 찾는 속도를 크게 줄였습니다.

2026년 5월, 국내 연구진이 의미 있는 결과를 발표했습니다. 포항공대 이상민 교수팀이 노벨상 수상자인 데이비드 베이커 교수와 함께 AI로 새로운 단백질 구조체를 설계하는 데 성공했어요.

핵심은 이렇습니다.

• 자연계 바이러스가 자기 껍데기를 스스로 조립하는 원리를 흉내 냈습니다.
• 똑같은 단백질 한 종류가 위치에 따라 5각형·6각형으로 다르게 끼워지면서, 70~220나노미터(머리카락 굵기의 약 1000분의 1) 크기의 다양한 구조를 만들어냅니다.
• 이전까지는 "완벽한 대칭"이 있어야만 큰 구조를 만들 수 있다는 한계가 있었는데, 이 한계를 넘었습니다.

이런 구조체는 약을 안에 담아 몸속 원하는 곳에 정확히 전달하는 그릇, 또는 백신을 만들 때 면역세포에게 항원을 보여주는 무대로 쓸 수 있습니다. 한국 연구가 글로벌 흐름 한가운데에서 같이 움직이고 있다는 점에서 큰 의미가 있어요.

• 신약 — 표적 단백질에 잘 붙는 약 후보를 빠르게 찾아냅니다. 딥마인드 자매사 Isomorphic Labs는 노바티스·일라이릴리 같은 대형 제약사와 공동개발 계약을 맺었어요.
• 치료용 항체 — 암·자가면역 질환에서 핵심인 항체 만들기가 훨씬 빨라졌습니다.
• 효소 — 친환경 화학·진단 키트·산업용 효소까지 응용 범위가 넓습니다.
• 백신 — 항원 단백질의 모양을 더 안정적으로 다듬어 면역 효과를 끌어올립니다.

• 임상 진입 사례가 누적 — AI로 찾아낸 후보 물질이 사람 대상 임상 1상에 들어가는 사례가 빠르게 늘고 있습니다. "이론상 가능"에서 "규제 트랙 진입"으로 한 단계 넘어선 거예요.
• 오픈소스 확산 — RFdiffusion, OpenFold 같은 도구가 학교·작은 바이오 회사에서도 쉽게 쓸 수 있게 풀려 있습니다. 더 이상 빅테크 전유물이 아닙니다.
• 자동 실험실 결합 — AI가 설계 → 로봇이 합성 → 자동으로 측정 → 다시 AI가 학습, 이렇게 사람이 거의 손대지 않는 실험 환경이 늘고 있어요.
• 안전성도 AI로 미리 평가 — 독성·면역원성을 사전에 예측해서 후보 탈락률을 낮춥니다.

"AI가 약을 만든다"는 표현은 너무 줄여 말한 거예요. 다음 두 가지는 꼭 구분합시다.

1. 약 후보를 빨리 찾는 것 — 이건 이미 현실. 큰 변화가 일어나고 있는 단계.
2. 그게 곧 시판되는 약은 아니에요 — 후보를 찾은 뒤에도 임상 1·2·3상, 안전성·유효성 검증이 남아 있고, 보통 몇 년이 걸립니다. 실패율도 여전히 높습니다.

• AI 단백질 설계 = "단백질 모양 예측"과 "새 단백질 디자인" 두 갈래.
• 2024 노벨화학상이 이 분야의 학문적 성숙을 공식 인정.
• 2025~2026 흐름: 임상 진입 사례 누적, 자동 실험실 결합, 한국 연구진(포항공대×베이커)도 톱 그룹과 직접 협업.
• 일반인 입장에선 "신약 후보 찾는 속도가 빨라진다"까지가 사실, "이미 검증된 치료제"라는 마케팅 문구는 신중히 보기.

• 국내 연구진, AI로 바이러스 조립 원리 재현한 단백질 구조체 설계 성공 (다음 뉴스, 2026-05-21)· 다음뉴스
• AlphaFold 공개 데이터베이스· EMBL-EBI / DeepMind
• 2024 노벨화학상 — 단백질 설계와 구조 예측· The Royal Swedish Academy of Sciences
• AlphaFold 3 발표 — Nature 논문 (Abramson et al. 2024)· Google DeepMind
• AlphaProteo 발표· Google DeepMind