국산 신약 개발 AI 'K-Fold' 공개…일부 성능 '알파폴드3' 앞섰다

과기정통부의 '인공지능(AI) 특화 파운데이션 모델 프로젝트'의 일환으로 구성된 '팀 KAIST'가 신약 후보 설계를 돕는 바이오 AI 모델을 독자 개발했다. AI 생성이미지. 게티이미지뱅크 제공

단백질 구조뿐 아니라 단백질과 약물의 결합 구조까지 예측해 신약 후보 설계를 돕는 국산 바이오 인공지능(AI) 모델이 개발됐다. 일부 신약 표적 예측에서 구글 딥마인드의 단백질 구조 예측 AI '알파폴드3'보다 성능이 좋고 구조 예측 속도가 최대 25배 이상이다. 

KAIST는 '팀 KAIST'가 차세대 바이오 AI 모델 'K-Fold(케이폴드)'를 국내 독자 기술로 개발했다고 27일 밝혔다. 연구결과는 지난 6월 23일 개최된 '2026 한국생체분자과학연합학술대회'에서 김우연 교수가 기조강연을 통해 공개했다.

신약을 개발하려면 질병과 관련된 단백질의 3차원 구조를 파악하고 후보 물질이 단백질의 어느 위치에 어떤 형태로 결합하는지 예측하는 과정이 중요하다. 과학기술정보통신부(과기정통부)는 단백질 구조 예측의 해외 기술 의존도를 낮추고 국내 독자 기술 기반의 '소버린 바이오 AI' 구축을 목표로 'AI 특화 파운데이션 모델 프로젝트'의 주관기관으로 KAIST를 선정했다.

팀 KAIST는 김우연 화학과 교수와 황성주·안성수 김재철AI대학원 교수, 오병하·김호민·이규리 생명과학과 교수로 이뤄졌다. 김우연 교수가 연구를 총괄하며 황성주·안성수 교수가 AI 모델 개발, 오병하·김호민·이규리 교수가 단백질 데이터 구축과 검증을 담당한다.

케이폴드는 단백질을 비롯한 다양한 생체분자 간 상호작용과 결합 구조를 예측하는 바이오 AI 모델이다. 단백질 하나의 최종 구조뿐 아니라 단백질과 단백질, 단백질과 약물 후보 물질, 항원·항체, DNA·RNA  등 여러 생체분자가 결합해 만드는 복합체 구조를 예측한다.

팀 KAIST는 케이폴드가 단백질이 다른 물질과 결합하기 전 상태에서 결합한 뒤 구조가 바뀌는 과정 자체를 예측하도록 설계했다. 알파폴드3와 알파폴드3를 재현한 기존 구조 예측 모델들은 방대한 서열 데이터베이스를 매번 검색해 통계적으로 구조를 추정하는 '다중서열정렬' 기법을 활용한다. 팀 KAIST는 대규모 사전학습을 통해 서열과 구조에 대한 이해를 모델 스스로 내재화하도록 설계해 별도의 사전 계산 작업을 줄였다.

지난 3월 단계평가에서 케이폴드의 분자 복합체 구조 예측 정확도는 알파폴드3에 근접한 수준으로 평가됐다. 팀 KAIST가 이달 자체 수행한 성능평가에서는 관련 학습 데이터가 상대적으로 적은 '표적단백질분해(TPD)' 약물의 '삼중 복합체 구조 예측' 정확도가 25.1%로 알파폴드3의 18.9%보다 높았다.

암 등 여러 질환의 주요 신약 표적인 'G-단백질 연결 수용체(GPCR)'와 '인산화효소'에 대한 표적 활성도 변화 예측 성능과 세부 구조 변화 예측 정확도가 알파폴드3보다 각각 11%, 13% 높았다. 알파폴드3 대비 평균 추론 시간은 최대 25배 이상 단축됐다.

팀 KAIST는 연구자가 별도의 고성능 컴퓨터 구축이나 복잡한 AI 프로그램 없이 케이폴드를 사용할 수 있도록 케이폴드를 KAIST 교원창업기업 '히츠'의 AI 연구 플랫폼 '하이퍼랩'에 탑재했다. 연구자가 "이 단백질에 잘 결합하는 항체를 설계해줘"처럼 자연어로 요청하면 구조 예측부터 후보 설계와 계산·평가까지 단계적으로 지원된다.

김우연 KAIST 화학과 교수는 "케이폴드는 기존 모델을 따라가는 것이 아니라 새로운 AI 구조를 적용해 기존 방식의 한계를 뛰어넘기 위해 개발했다"며 "세계 최고 수준의 바이오 AI를 연구자 누구나 활용할 수 있는 과학 AI 플랫폼으로 발전시키겠다"고 말했다.

팀 KAIST 컨소시엄은 케이폴드를 무료 배포할 예정이며 하이퍼랩은 국내외 연구자를 대상으로 베타 서비스를 제공한 뒤 올해 안에 상용 서비스를 확대할 계획이다.

[문혜원 기자 moony@donga.com]