AI 모델 및 플랫폼
딥마인드, 생물학을 혁신하는 단백질 접기 문제 해결
Unite.AI를 Google의 선호 소스에 추가
구글의 AI 부문인 딥마인드는 최근 생물학에서 가장 오래된 도전 중 하나인 아미노산 서열에서 단백질의 모양을 계산하는 문제를 해결하는 데重大한 진전을 이루었다. 네이처에 따르면, 이 혁신은 생물학과 화학 분야를 변革할 수 있으며, 과학자들이 현재 수수께끼로 남아 있는 많은 단백질의 기능을 결정할 수 있게 할 것이다.
단백질의 모양은 그 기능을 정의하며, 대부분의 생물학적 기능은 단백질에 의존한다. “단백질 접기”는 아미노산 사슬을 단백질이 기능을 수행하는 데 필요한 3차원 구조로 변환하는 과정이다. 과학자들이 아미노산 서열과 생성된 단백질의 모양 사이의 관계를 결정할 수 있다면, 과학자들은 다양한 생물학적 과정에 영향을 미치는 단백질을 결정할 수 있을 것이다.
과학자들은 인간 프로테옴에 최소 80,000개의 단백질이 존재한다고 가정하지만, 이 중 단백질의 구조가 알려진 것은 극소수이다. 단백질의 모양을 결정하는 전통적인 방법은 실험실 실험을 몇 년 동안 수행해야 하며, 컴퓨터 과학 알고리즘과 모델의 힘을借用하더라도 그렇다. 딥마인드의 업무는 단백질 구조를 발견하는 과정을 크게 가속화할 수 있다. 연구자들은 단백질 구조를 결정하기 위해 더 적은 양의 고품질 실험 데이터가 필요할 수 있으며, 이미大量의 유전체 데이터에 접근할 수 있으며, 이를 AlphaFold의 솔루션을 사용하여 구조로 변환할 수 있다.
딥마인드의 연구자들은 약 170,000개의 단백질 서열과 해당 서열의 모양이 포함된 데이터베이스에서 알고리즘을 훈련시켰다. 연구자들이 개발한 알고리즘은 100~200개의 GPU에서 훈련되었으며, 훈련 과정은 몇 주가 걸렸다. 연구자들이 개발한 모델은 “AlphaFold”로 명명되었다.
AlphaFold는 “장력 알고리즘”을 통해 작동하며, 작은 단백질 조각을 연결하여 시작한 다음 더 큰 섹션을 연결한다. 처음에는 작은 아미노산 클러스터가 연결되었으며, 알고리즘은 이러한 클러스터를 연결하는 방법을 찾았다.
AlphaFold 연구자들은 처음에 전통적인 深層 학습 알고리즘을 유전적 및 구조적 데이터에 적용하여 아미노산과 단백질 사이의 관계를 예측하려고 했다. AlphaFold는 단백질의 스타일에 대한 일致성 모델을 생성했다. 이 기술이 너무 많은 제한을 가졌을 때, 연구자들은 새로운 전략을 시도했다. AlphaFold 연구 팀은 더 많은 기능에 대한 모델을 훈련시켰으며, 이때 모델은 단백질 서열의 최종 구조에 대한 예측을 반환했다.
엔지니어링 팀은 AlphaFold를 CASP(Critical Assessment of Protein Structure Prediction)라는 경쟁에 참가시킴으로써 테스트했다. 이 경쟁에서 컴퓨터 알고리즘은 아미노산 서열에서 단백질의 구조를 평가하기 위해 경쟁한다. 참가자들은 100개의 아미노산 서열을 받으며, 모델은 단백질의 구조를 계산해야 한다. AlphaFold는 다른 컴퓨터 모델보다 정확도에서 우수했을 뿐만 아니라, 전통적인 실험실 기반 모델링 기술과도 비교할 수 있는 성능을 보였다. AlphaFold의 최종 중위 수는 약 92점이었다. 실험실 기반 실험 방법은 90점을 받았다. 가장 어려운 단백질에서는 AlphaFold의 중위 수는 87%로 떨어졌다.
딥마인드의 최고 경영자이자 공동 창립자인 데미스 하사비스(Demis Hassabis)에 따르면, 회사는 이미 연구자들에게 AlphaFold에 접근할 수 있는 계획을 세우고 있으며, 맥스 플랑크 발달 생물학 연구소의 과학자들은 이미 10년 이상 작업해 온 단백질 구조를 발견하기 위해 모델을 사용하고 있다.
유럽 생물 정보학 연구소의 명예 이사인 자넷 손턴(Janet Thornton)은 과학 잡지에 따르면, 딥마인드의 업적은 “구조 생물학과 단백질 연구의 미래를 바꿀 것”이라고 말했다. 한편, 메릴랜드 대학교의 생물학자인 존 مول트(John Moult)는 이 문제가 이 생애에 해결될 것이라고는 생각하지 않았다.
AlphaFold는 전통적인 실험적 방법으로 단백질 구조를 발견하는 것을 완전히 대체하지는 않을 것이다. 그러나 단백질 구조를 발견하는 속도를 크게 증가시킬 수 있다. 연구자들은 단백질 구조를 결정하기 위해 더 적은 양의 고품질 실험 데이터가 필요할 수 있으며, 이미大量의 유전체 데이터에 접근할 수 있으며, 이를 AlphaFold의 솔루션을 사용하여 구조로 변환할 수 있다.
