왜 50년이나 걸렸나 — 단백질 구조 예측, 실패의 궤적

왜 알아야 하나

단백질은 아미노산이 사슬처럼 이어진 끈이다. 그 끈은 세포 안에서 저절로 접혀 하나의 3차원 형태가 되고, 그 형태가 곧 기능이 된다. 그러니 "서열만 보고 형태를 계산할 수 있는가"는 생물학에서 가장 값진 질문 중 하나였다.

원리는 일찍부터 있었다. 크리스천 안핀센의 열역학 가설은 반세기 동안 단백질 과학의 중심 기둥이었다. 그의 말대로 옮기면, 정상적인 생리 환경에 놓인 천연 단백질의 3차원 구조는 계 전체의 깁스 자유에너지가 가장 낮은 구조이며, 따라서 천연 구조는 원자 간 상호작용의 총체에 의해 — 결국 아미노산 서열에 의해 — 결정된다(PMID 40750093). 답이 서열 안에 들어 있다는 뜻이다. 그렇다면 꺼내면 된다.

그런데 그 계산이 반세기 가까이 되지 않았다.

이 글은 그 실패의 50년을 따라간다. 2020년에 답이 나왔다는 소식은 이미 널리 알려져 있다. 정작 흥미로운 것은 그 앞이다. 원리를 알면서 왜 못 풀었는가. 어떤 시도들이 있었고 각각 어디서 막혔는가. 그리고 그 실패들이 무엇을 남겼기에 마지막 도약이 가능했는가. 미리 말해 두면, 이 이야기에서 가장 오래 남을 발명은 어떤 알고리즘이 아니라 분야가 스스로에게 눈가리개를 씌우기로 한 결정일지도 모른다.

안핀센의 약속과 레빈탈의 벽

안핀센의 가설은 두 개의 질문을 남겼다. 왜 단백질은 접히는가, 그리고 서열은 어떻게 접힘을 지정하는가. 앞의 질문에는 그럴듯한 답이 있었다 — 열역학 가설이 그것이다. 뒤의 질문은 지금도 미해결이다(PMID 37165178).

곧바로 벽이 나타났다. 레빈탈의 역설이다. 단백질 사슬이 가능한 모든 배열을 하나씩 훑어 최저 에너지 상태를 찾으려면 수십억 년이 걸린다. 그런데 실제 단백질은 생물학적으로 합리적인 시간 안에 자기 형태를 찾아낸다(PMID 36659994). 자연은 어떻게 그 일을 해내는가.

여기서 흔한 오해 하나를 걷어낼 필요가 있다. 레빈탈의 역설은 원래 자연이 어떻게 접는가에 대한 물음이지 우리가 어떻게 계산하는가에 대한 물음이 아니다. 그리고 물리학 쪽 답은 비교적 일찍 윤곽이 잡혔다. 정작 레빈탈 자신은 이것을 역설로 여기지 않았고 곧바로 나름의 해법을 제시했다는 지적도 있다(PMID 12437370). 1990년대에 무작위 탐색이라는 낡은 그림은 폐기되고, 에너지 지형 대부분에 걸쳐 천연 상태 쪽으로 기울어진 편향이 접힘을 이끈다는 관점이 자리 잡았다(PMID 9269572). 고분자 물리의 언어로는 깔때기(funnel)다. 평평한 바닥을 굴러다니는 공이 아니라 깔때기를 따라 굴러떨어지는 공이라면, 탐색 공간이 아무리 방대해도 그 방대함은 탐색 시간과 거의 무관해진다(PMID 10386867). 오늘날 접힘 속도론은 사슬 길이에 따른 접힘 시간의 범위를 설명하고, 접힐 수 있는 단백질의 최대 크기까지 예측한다(PMID 32041303, PMID 36659994).

문제는 이 승리가 예측 알고리즘을 주지 않았다는 데 있었다. 자연이 지름길로 접는다는 것을 아는 일과, 그 지름길을 컴퓨터로 재현해 좌표를 뽑아내는 일은 전혀 다르다. 계산 쪽에서 보면 벽은 그대로였다. 가능한 배열의 수는 여전히 지수적으로 폭발했고, 분자 간 상호작용을 다루는 에너지 모형은 어디까지나 근사였다(PMID 41999908). 이 글의 나머지는 그 벽을 우회하려 한 세 번의 시도에 관한 것이다.

첫 번째 길: 베끼기

1990년의 한 리뷰가 당시 성적표를 정직하게 남겨 두었다. 나선인지 병풍인지를 맞히는 2차 구조 예측은 최고 방법이 63~65% 수준이었다. 그런데 같은 리뷰가 덧붙인다. 데이터베이스에 이미 상동 단백질이 있으면 정확도는 90%까지 오른다고. 결론은 이랬다 — 3차 구조 예측은 상동 단백질의 구조가 이미 알려져 있을 때에만 실용적이다(PMID 2126456).

이것이 첫 시대의 전부다. 베끼기. 비슷한 서열은 비슷하게 접힌다는 관찰에 기대어, 이미 구조가 풀린 단백질(주형)을 찾아 그 위에 표적 서열을 갈아 끼운다. 비교 모델링, 혹은 상동성 모델링이라 부른다. 서열이 너무 멀어 주형을 찾기 어려우면, 서열을 알려진 구조들에 하나씩 대 보고 어느 접힘에 맞는지 판정하는 접힘 인식(fold recognition)이 동원됐다(PMID 11835486).

베끼기는 강력했다. 20년 뒤인 2011년에도 비교 모델링은 여전히 "가장 정확한 계산적 구조 예측 방법"이었고, 단백질 데이터뱅크(PDB)에 쌓인 약 6만 5천 개의 실험 구조를 바탕으로 자동 파이프라인들이 약 190만 개의 모델을 찍어내고 있었다(PMID 21521153).

그러나 천장이 두 개 있었다. 하나는 정확도다. 2006년의 한 평가는 서열 동일성 30% 이상에 기반한 비교 모델링이 이미 "주형 기반의 자연적 한계"에 근접했으며, 그 너머로 가려면 모델을 천연 구조 쪽으로 끌고 갈 정련(refinement) 기법이 필요하다고 진단했다(PMID 16510277). 게다가 서열 동일성은 모델 품질을 잘 예측해 주지도 못했다. 4,753쌍의 서열·구조 정렬을 분석한 연구는 표적과 주형의 서열 동일성이 3차원 모델 정확도의 좋은 지표가 아니라는 뜻밖의 결과를 보고했다(PMID 19255646).

다른 하나는 더 근본적이다. 주형이 없으면 아무것도 못 한다. 안핀센의 약속은 "서열만 있으면 된다"였는데, 실제로 작동하는 방법은 "닮은 답안지가 있어야 한다"였다. 이 격차가 이후 30년의 숙제였다.

발명: 분야가 스스로 눈을 가리다

여기서 알고리즘이 아닌 것이 등장한다. 제도다.

구조 예측에는 고약한 문제가 있었다. 예측이 맞았는지 확인하려면 정답인 실험 구조가 필요한데, 정답을 본 뒤에 방법을 손보고 나서 "우리 방법이 잘 맞는다"고 말하는 것은 아무 의미가 없다. 그런데 논문은 대개 그렇게 쓰인다. 자기기만이 구조적으로 발생하는 조건이었다.

1994년, CASP(Critical Assessment of protein Structure Prediction)가 처음 열렸다(PMID 31116374). 규칙은 단순하고 잔인하다. 실험으로 구조가 풀렸지만 아직 공개되지 않은 단백질의 서열만 참가자에게 준다. 참가자는 눈을 가린 채 예측을 제출한다. 그 뒤 구조가 공개되고, 독립 평가자들이 채점한다. 2년마다 반복한다(PMID 34533838, PMID 37920879).

CASP는 어떤 예측도 하지 않는다. 그러나 그 뒤 30년간 무엇이 진보이고 무엇이 착시인지를 가르는 기준선이 되었다. 단일 사슬 모델링과 복합체 모델링이 수십 년에 걸쳐 작은 걸음을 쌓아 온 과정을 되짚은 리뷰는, 블라인드 예측 실험이 이 분야를 세우고 길러 낸 역할을 명시적으로 강조한다(PMID 36626764).

제도는 스스로 진화하기까지 했다. CASP에서는 사람이 개입한 예측이 자동 서버보다 나았으므로, 1999년에는 완전 자동 서버만 따로 평가하는 CAFASP가 만들어졌다 — 사람이 붙은 성적이 아니라 프로그램 자체의 성적을 사용자에게 알려 주기 위해서였다(PMID 10526371). 2년에 한 번은 개발자에게 너무 드물다는 문제의식에서, PDB에 곧 등재될 구조의 서열을 미리 받아 매주 자동 채점하는 CAMEO가 CASP를 보완했다(PMID 29178137).

그리고 CASP가 남긴 가장 값진 기록은 성공이 아니라 실패의 기록이다.

정체: 눈 가린 시험대가 기록한 10년

1999년, CASP 결과를 종합한 평가는 이렇게 요약했다. 비교 모델링에서는 서열 정렬·곁사슬 배치·루프 구축이 개선됐고, 접힘 인식에서는 서열 프로파일 방법이 큰 영향을 미쳤다. 그러나 주형 없이 밑바닥부터 짓는 ab initio 영역은 40~60 잔기짜리 단편을 대략 맞게 만드는 수준에 그쳤고, 일반적인 ab initio 문제가 풀리려면 "아직 갈 길이 멀다"(PMID 10600698).

그 뒤 10년의 CASP 요약문을 차례로 읽으면, 한 분야가 자기 정체를 공개적으로 기록하는 드문 장면이 나온다. CASP7 요약은 진전을 보고한다 — 단일 최적 주형에서 얻을 수 있는 것보다 나은 정확도, 자동 서버의 사람 팀 추격, 모델 품질을 스스로 예측하는 방법의 등장(PMID 17918729). 그런데 다음 라운드인 CASP8 요약은 정련의 첫 블라인드 평가라는 성과를 적은 바로 다음 문장에서 못을 박는다. 기존 CASP 척도로 보면 주형 기반이든 주형 없는 예측이든 CASP7 대비 모델 품질의 진보가 검출되지 않는다(PMID 19774620). CASP9 요약은 방법이 계속 나아지고는 있으나 "초기 CASP들에 비해 더 완만한 속도"라고 적었다(PMID 21997831).

CASP10 요약은 열 번의 CASP가 거의 20년을 덮었다는 회고와 함께 결정적인 한 문장을 남긴다. 새로운 접촉(contact) 예측 방법들은 상당한 가능성을 품고 있지만 아직 CASP 평가에서 영향을 미치지 못했다(PMID 24344053).

여기서 CASP 자신의 정직함을 한 번 더 짚을 만하다. 같은 요약문은 표적의 성격 자체가 변하고 있다고 덧붙인다 — 불규칙한 구조, 다중 도메인·다중 소단위 표적이 늘고, 알려진 접힘의 전형적 사례는 줄었다는 것이다. 그 변화를 감안하면 모델 정확도는 꾸준히 나아지고 있다고도 적었다(PMID 24344053). 즉 "정체"라는 읽기 자체가 단순하지 않았다. 시험이 동시에 어려워지고 있었기 때문이다. 그럼에도 결론은 바뀌지 않는다. 주형이 없는 절반은 여전히 열리지 않았다.

두 번째 길: 물리로 밑바닥부터

베끼기가 막힌 자리에서 두 번째 시도가 나왔다. 주형을 쓰지 않고, 물리적·통계적 에너지 함수를 세운 뒤 그 최솟값을 찾는 것이다. 안핀센의 가설을 문자 그대로 알고리즘으로 옮기는 접근이다.

대표 주자가 로제타(Rosetta)였다. 로제타는 순수한 물리 시뮬레이션이 아니었다. 이미 구조가 알려진 단백질에서 서열이 비슷한 짧은 조각들을 가져와 조립한 뒤, 소수성 매몰이나 가닥 짝짓기 같은 항을 담은 에너지 함수를 최소화했다(PMID 11200525). 자연의 지름길을 흉내 내려는 영리한 타협이었다.

성적은 어땠나. 2006년의 한 벤치마크가 숫자를 남겼다. 38개 시험 단백질에 대해 SimFold라는 에너지 함수는 12개를 6.5 Å 이내로 맞혔고, 이는 당시 공개된 로제타 ab initio 버전과 같은 성적이었다. 두 방법의 결과를 합치는 합의 예측을 도입하자 16개로 늘었다(PMID 16294329). 셋 중 하나를 맞히는 수준이었고, 6.5 Å라는 기준선 자체가 원자 수준과는 거리가 멀었다.

왜 막혔나. 힘장(force field) 기반 접근이 왜 실패했는지를 정면으로 다룬 최근의 논의가 있다(PMID 37165178). 원인은 두 겹이다. 하나는 탐색이다. 배열의 조합적 폭발은 여전히 감당 밖이었다(PMID 41999908). 다른 하나는 채점이다. 에너지 함수가 근사인 이상, 운 좋게 올바른 구조를 만들어 냈더라도 그것이 수많은 후보 중 최고점을 받는다는 보장이 없었다. 만들어 내는 문제와 골라내는 문제가 동시에 걸린 셈이다.

레빈탈의 역설이 여기서 되돌아온다. 자연은 깔때기를 따라 내려가므로 방대한 공간을 다 뒤질 필요가 없다. 그러나 우리 컴퓨터에는 그 깔때기의 정확한 모양이 주어져 있지 않았다. 물리로 밑바닥부터 가는 길은 결국 "우리가 에너지 지형을 충분히 정확하게 알지 못한다"는 벽에 부딪혔다.

세 번째 길: 공진화라는 단서

세 번째 길은 전혀 다른 곳에서 왔다. 물리도 베끼기도 아닌 진화의 기록이다.

발상은 이렇다. 단백질 안에서 서로 맞닿은 두 잔기를 생각해 보자. 한쪽이 돌연변이로 커지면 접촉이 깨져 단백질이 망가진다. 그러나 반대쪽이 그만큼 작아지는 보상 돌연변이가 함께 일어나면 구조는 유지된다. 그러면 진화의 시간을 거치는 동안, 공간적으로 닿아 있는 잔기 쌍은 같이 변한 흔적을 남긴다. 같은 패밀리의 서열을 잔뜩 모아 나란히 정렬해 놓고 어느 위치들이 함께 변했는지 보면, 3차원 구조를 보지 않고도 접촉 지도를 복원할 수 있다는 것이다.

아이디어는 오래됐지만 오래 작동하지 않았다. 걸림돌은 간접 상관이었다. A가 B와 닿고 B가 C와 닿으면, A와 C도 함께 변하는 것처럼 보인다. 실제로는 닿아 있지 않은데도 그렇다. 이 직접 상관과 간접 상관을 분리해 낸 것이 직접 결합 분석(direct-coupling analysis, DCA)이다. 2011년, DCA의 효율적 구현으로 다수의 단백질 도메인을 평가한 연구는 순수하게 서열 정보만으로 상당수의 접촉을 옳게 예측했고, 대부분의 도메인에서 접촉 지도의 전역적 구조를 재현했다. 같은 논문은 이 방법이 충분히 많은 상동 서열의 존재를 전제로 하며, 유전체 서열 해독의 발전 덕에 그런 데이터가 빠르게 확보되고 있다고 명시했다(PMID 22106262).

이 마지막 문장에 시대의 핵심이 있다. 공진화 신호를 읽으려면 통계가 필요하고, 통계에는 서열이 필요하다. 방법이 늦게 작동한 것은 아이디어가 없어서가 아니라 데이터가 아직 쌓이지 않아서였다.

조건은 곧 정량화됐다. 2013년의 한 평가는 서열 중복도를 90%로 줄인 뒤 정렬된 서열 수가 단백질 길이의 다섯 배를 넘을 때 접촉 예측이 정확할 가능성이 높다고 보고했다. 그리고 당시 Pfam 데이터베이스에서 이 조건을 만족하는 패밀리는 422개였다(PMID 24009338). 신호는 진짜였지만 쓸 수 있는 곳이 좁았다.

그럼에도 눈 가린 시험대에서 증명이 나오기 시작했다. CASP11에서 공진화로 유도한 접촉 정보를 로제타의 탐색·정련에 구속조건으로 넣자 모델 정확도가 전반적으로 개선됐고, 특히 패밀리 서열 수가 단백질 길이의 세 배를 넘을 때 효과가 뚜렷했다. 하이라이트는 알려진 상동 구조가 전혀 없는 크고 복잡한 표적 T0806이었다. 223개 잔기에 걸쳐 결정 구조와 3.0 Å 미만의 편차라는 전례 없는 정확도가 나왔다(PMID 26677056). CASP11 공식 요약도 새 접촉 예측 덕에 몇몇 "눈부신" 주형 없는 모델이 나왔다고 적었다 — 다만 같은 대목에서, 여전히 상동 구조 기반 모델이 가장 정확하다는 사실도 함께 적었다(PMID 27171127).

정직하게 짚을 한계도 있었다. 함께 변하는 잔기 쌍이 반드시 가까이 있는 것은 아니다. 4,000개 패밀리를 분석한 연구는 직접 공진화하는 쌍의 25%가 구조상 5 Å보다 멀고 3%는 15 Å보다 멀다는 것을 보였다(PMID 28784799). 더 아픈 지적도 있다. 접촉 예측은 기하학적으로 제약이 강한, 그래서 구조 결정에 정보량이 가장 큰 접촉일수록 어렵다는 분석이다(PMID 29953468). 그리고 이 계열 모형은 표본이 부족하면 상호작용을 균등하게 대표하지 못한다 — 3차 접촉은 곧잘 맞히면서도 기능적으로 함께 진화하는 더 큰 잔기 네트워크는 잘 드러내지 못하는 이유가 여기에 있다(PMID 36693377).

증폭기: 딥러닝이 신호를 키우다

2010년대 중반, 두 흐름이 만난다. 공진화가 만들어 낸 잡음 섞인 접촉 신호와, 잡음 속 패턴을 뽑아내는 데 능한 심층 신경망이다.

신경망이 갑자기 등장한 것은 아니다. 한 CASP13 참가팀의 회고에 따르면 딥러닝은 2012년 CASP10에서 데뷔했고, 잔기 간 거리 관계 예측은 2014년 CASP11 이후 이 분야를 밀고 나간 핵심 방향이 되었다(PMID 30985027).

숫자가 궤적을 보여 준다. 한 접촉 예측기의 벤치마크에서 주형 없는 표적의 상위 L/5 장거리 접촉 평균 정밀도는 CASP10 데이터셋 35%, CASP11 50%, CASP12 53.4%로 올라갔다(PMID 29228185). CASP12에 참가한 다른 팀의 분석은 그 상승의 출처를 분해해 보여 준다. 전통적 특징(서열 프로파일·2차 구조·용매 접근성)만 쓴 기준선이 평균 정밀도 28.4%였는데, 공진화 기반 특징을 넣자 41.6%로, 여기에 기계학습으로 모든 특징을 통합하자 56.3%로 올랐다. 그리고 접촉 예측 정밀도는 정렬에 포함된 유효 서열 수의 로그값과 0.66의 상관을 보였다(PMID 29047157). 데이터가 곧 성능이라는 관계가 숫자로 확인된 것이다. 같은 CASP12에서 접촉 예측을 이미지의 픽셀 단위 라벨링 문제로 재정식화한 심층 잔차 신경망은, 유효 서열 수 중앙값이 약 58개에 불과한 어려운 표적들에서도 상위 L/5 장거리·중거리 정확도 47%·44%를 기록했다(PMID 28845538).

CASP 요약문이 이 변화를 인증했다. 2016년 CASP12에서는 새로운 접촉 예측 방법으로 접촉 정확도가 두 배가 됐고, 그 결과 주형이 없는 단백질의 모델 정확도가 극적으로 향상됐다(PMID 29082672). 2년 뒤 2018년 CASP13은 더 나아간다 — 잔기 간 거리 예측에 딥러닝을 적용한 결과 3차원 구조 정확도가 극적으로 개선됐고, 패밀리 서열 수가 충분하다는 단서를 달면 새 방법들이 단량체 단백질의 접힘 위상을 예측하는 오랜 문제를 사실상 해결했다. 게다가 필요한 서열 수 자체도 상당히 줄었다(PMID 31589781).

이 시점을 정확히 볼 필요가 있다. 2018년에 이미, 딥러닝으로 증폭된 공진화 신호가 접힘 위상 문제를 사실상 풀었다는 평가가 CASP 자신의 공식 요약에 적혔다. 답의 재료는 모여 있었다.

그리고 2020

CASP13에는 새 참가자가 있었다. 산업계 연구소로는 처음으로 딥마인드가 들어왔고, 그들이 낸 AlphaFold가 새로운 접힘을 예측하는 능력을 평가하는 자유 모델링(FM) 부문에서 1위를 했다(주형 기반 부문 1위는 장(Zhang) 그룹이었다). 당시를 정리한 논평은 이 성취의 계보를 분명히 밝힌다. 딥마인드의 접근은 지난 10년간 학계가 발전시킨 두 아이디어 위에 세워졌다 — 서열의 공변이를 구조상의 물리적 접촉으로 옮기는 공진화 분석, 그리고 그 패턴을 딥러닝으로 읽어 접촉 지도로 바꾸는 것이다(PMID 31116374).

2020년 CASP14에서는 완전히 새로 설계된 AlphaFold가 등장했다. 평가자들의 z 점수 합산에서 244.0점으로 차점 그룹의 90.8점을 크게 앞섰고, 도메인 GDT_TS 중앙값 92.4는 CASP 역사상 처음 도달한 평균 정확도였다(PMID 34599769). CASP14 공식 요약은 한 연구 그룹의 딥러닝 방법이 실험 구조에 필적하는 정확도를 일관되게 내놓았으며 이는 적어도 단일 단백질에 관해서는 고전적 접힘 문제의 해결을 뜻한다고 적었다(PMID 34533838). 독립 평가단의 판단으로도 고정확도 범주가 사실상 모든 표적으로 확장됐다(PMID 34218458).

이듬해 그 방법은 논문으로 정리돼 나왔다. 실험으로 구조가 밝혀진 단백질은 약 10만 종에 그치는데 알려진 서열은 수십억 개이고, 그 격차는 구조 하나를 규명하는 데 수개월에서 수년이 걸린다는 병목에서 온다 — 논문은 자기가 메우려는 간극을 그렇게 규정했다(PMID 34265844). 그 한 편이 어떤 구조로 그 일을 해냈는지 — 어떤 신경망 블록이 무엇을 계산하고, 자기 예측의 신뢰도를 어떻게 스스로 추정하며, 무엇을 못 하는지 — 는 그 논문을 처음부터 끝까지 읽는 별도의 글에서 다뤘다. 이 글의 관심은 거기까지 오는 데 왜 50년이 걸렸는가이므로, 여기서는 한 가지만 덧붙인다. 같은 CASP14 평가에서 2등 방법이 CASP13의 1등 방법을 능가했다는 사실이다(PMID 34218458). 도약은 한 팀의 것이었지만 상승은 커뮤니티 전체의 것이었고, 그 사실을 측정할 수 있었던 것은 30년 전에 눈가리개를 씌우기로 한 결정 덕분이었다.

그 뒤에 남은 것

"단백질 접힘 문제가 풀렸다"는 표현은 편리하지만 부정확하다. CASP 자신의 기록을 계속 읽으면 무엇이 남았는지가 보인다.

단일 사슬을 벗어나면 이야기가 다르다. 2022년 CASP15의 가장 큰 진전은 계산된 단백질 복합체의 정확도가 크게 오른 것이었지만, 그마저도 단일 단백질 수준에는 미치지 못했다(PMID 37920879). 가장 최근 라운드인 CASP16의 올리고머 평가는 더 냉정하다 — 복합체 구조 예측은 여전히 미해결 과제이며, 선두 그룹조차 표적의 절반을 조금 넘는 수준만 고정확도로 예측했다(PMID 41170922).

기본 설정으로는 부족하다. CASP15 요약은 표준 AlphaFold2 프로토콜을 기본 파라미터로 돌리면 약 3분의 2의 표적에서만 최고 품질 결과가 나오고 나머지는 훨씬 광범위한 샘플링이 필요하다고 적었다(PMID 37920879). 실제로 CASP15의 성공적인 그룹들은 모두 AF2를 바탕으로 자기 나름의 도구를 덧붙였다(PMID 39576578).

정확도의 결이 균일하지 않다. 최근 리뷰는 AlphaFold가 구조생물학을 변모시켰음을 인정하면서도, 본질적으로 무질서한 영역, 단백질-리간드 및 보조인자 상호작용, 아주 크거나 일시적인 조립체에서는 여전히 취약하며 커뮤니티 벤치마크상 잔기의 약 3분의 1이 원자 수준 정밀도를 결여할 수 있다고 지적한다(PMID 41326937).

하나의 서열이 하나의 형태를 갖는다는 전제 자체가 흔들린다. 대안적 접힘을 갖는 단백질들을 검토한 리뷰는 세 가지 맹점을 짚는다. 훈련 집합의 상동체와 다른 형태를 취하는 단백질은 잘못 예측될 수 있고, 대안 형태 예측이 훈련 집합에 과도하게 의존하며, 쌍 표현의 축퇴 탓에 실험과 어긋나는 예측이 높은 신뢰도로 나올 수 있다는 것이다(PMID 39756261). 안핀센의 열역학 가설 자체도, 하나의 서열이 여러 다형체로 접히는 아밀로이드 섬유 앞에서 계속 재검토되고 있다(PMID 40750093).

데이터 의존은 사라지지 않았다. 공진화 기반 모형의 표본 부족 문제는 여전하고(PMID 36693377), 상동 서열이 적을 때의 어려움은 딥러닝 시대에도 반복적으로 지적됐다(PMID 30985027).

더 깊이 가려면

이 50년에서 가장 오래 남을 교훈은 알고리즘이 아니라 태도 쪽에 있다.

첫째, 답의 재료는 오랫동안 흩어져 있었다. 안핀센의 원리, 레빈탈의 벽, 베끼기의 한계, 물리 기반 탐색의 좌절, 공진화라는 통계적 단서, 유전체 해독으로 폭증한 서열 데이터, 그리고 이미지 인식에서 자란 딥러닝. 2020년의 도약은 이 모두가 한자리에 모였을 때 일어났다. 그 계보를 당시의 논평이 정확히 지적했다는 사실은 기억할 만하다(PMID 31116374).

둘째, 분야가 자기기만을 막는 제도를 만들었기에 진보를 알아볼 수 있었다. CASP가 없었다면 CASP8의 정체도(PMID 19774620), CASP12의 두 배 개선도(PMID 29082672), 2020년의 도약도(PMID 34533838) 그저 각자의 주장으로 남았을 것이다. 2년마다 공개적으로 채점하기로 한 결정이, 50년 문제의 종착점을 판정할 자격을 만들어 냈다.

셋째, 예측은 이해가 아니다. 안핀센이 남긴 두 질문 중 "왜 접히는가"에는 답이 있었고, 이제 "어떤 형태가 되는가"에도 상당한 답이 생겼다. 그러나 "서열이 어떻게 접힘을 지정하는가"는 여전히 미해결이다(PMID 37165178). 우리는 답을 매우 잘 맞히는 기계를 갖게 됐지만, 그 답이 왜 그 답인지를 원리로 설명하는 일은 다른 문제다.

더 파고들고 싶다면, 접힘 속도론이 레빈탈의 역설에 어떻게 답했는지를 정리한 리뷰가 좋은 출발점이다(PMID 36659994, PMID 32041303). 예측 방법론 전체의 지형을 훑고 싶다면 주형 기반·주형 없는 전통 방법에서 딥러닝까지를 정리한 리뷰가 있다(PMID 38398585). 지금 무엇이 남았는지를 가장 냉정하게 보고 싶다면 가장 최근 CASP 라운드의 복합체 평가를 읽어 보라(PMID 41170922). 50년 문제의 첫 장이 닫혔을 뿐, 시험은 여전히 2년마다 열린다.

---

근거 논문

• Critical assessment of methods of protein structure prediction (CASP)-Round XIV — PMID 34533838 — 블라인드 시험과 독립 평가라는 CASP의 핵심 구성, CASP14에서 한 그룹의 딥러닝 방법이 실험 구조에 필적, "적어도 단일 단백질에 관해서는 고전적 접힘 문제의 해결".
• Highly accurate protein structure prediction with AlphaFold — PMID 34265844 — 실험으로 구조가 밝혀진 단백질 약 10만 종 대 알려진 서열 수십억 개, 구조 하나에 수개월~수년이라는 병목.
• Applying and improving AlphaFold at CASP14 — PMID 34599769 — z 점수 합산 244.0 대 차점 90.8, 도메인 GDT_TS 중앙값 92.4.
• High-accuracy protein structure prediction in CASP14 — PMID 34218458 — 고정확도 범주가 모든 표적으로 확장, CASP14 2등이 CASP13 1등을 능가.
• AlphaFold at CASP13 — PMID 31116374 — 첫 CASP는 1994년, CASP13에서 딥마인드의 FM 부문 1위(TBM 1위는 Zhang 그룹), 공진화 분석과 딥러닝 접촉 지도라는 학계의 두 아이디어 위에 세워짐.
• Critical assessment of methods of protein structure prediction (CASP)-Round XIII — PMID 31589781 — 잔기 간 거리 예측에 딥러닝 적용, 단량체 접힘 위상 문제 사실상 해결, 필요 서열 수 감소.
• Critical assessment of methods of protein structure prediction (CASP)-Round XII — PMID 29082672 — 새 접촉 예측 방법으로 접촉 정확도 2배, 주형 없는 표적의 모델 정확도 극적 향상.
• Critical assessment of methods of protein structure prediction: Progress and new directions in round XI — PMID 27171127 — 접촉 예측으로 몇몇 눈부신 주형 없는 모델, 그러나 상동 기반 모델이 여전히 최고 정확도.
• Critical assessment of methods of protein structure prediction (CASP)--round x — PMID 24344053 — 10회 CASP가 거의 20년, 정련의 첫 지속적 개선, 접촉 예측은 아직 CASP에서 영향 없음, 표적 성격 변화를 감안하면 꾸준한 진보.
• Critical assessment of methods of protein structure prediction (CASP)--round IX — PMID 21997831 — 초기 CASP보다 완만한 진보 속도.
• Critical assessment of methods of protein structure prediction - Round VIII — PMID 19774620 — 정련의 첫 블라인드 평가, 그러나 CASP7 대비 모델 품질 진보 미검출.
• Critical assessment of methods of protein structure prediction-Round VII — PMID 17918729 — 단일 주형 이상의 정확도, 자동 서버의 사람 팀 추격, 모델 품질 예측 방법의 등장.
• Critical assessment of methods of protein structure prediction (CASP)-Round XV — PMID 37920879 — 2년 주기, 2022년 CASP15에서 복합체 정확도 급상승하나 단일 단백질에 못 미침, 기본 파라미터는 약 2/3 표적에서만 최고 품질.
• Assessment of Protein Complex Predictions in CASP16: Are We Making Progress? — PMID 41170922 — 복합체 예측은 여전히 미해결, 선두 그룹도 표적의 절반 남짓만 고정확도.
• Critical Assessment of Methods for Predicting the 3D Structure of Proteins and Protein Complexes — PMID 36626764 — 수십 년의 점진적 진보, 블라인드 예측 실험이 분야를 세우고 기른 역할.
• CAFASP-1: critical assessment of fully automated structure prediction methods — PMID 10526371 — 1999년, 완전 자동 서버만 따로 평가, "사람+기계"가 자동보다 우월.
• Continuous Automated Model EvaluatiOn (CAMEO) — PMID 29178137 — PDB 사전 공개 서열 기반 주간 자동 채점, CASP 보완.
• Predicting protein three-dimensional structure — PMID 10600698 — 1999년 CASP 기반 평가, ab initio는 40~60 잔기 단편 수준, "갈 길이 멀다".
• Protein structure prediction — PMID 2126456 — 1990년, 2차 구조 예측 63~65%, 상동체 존재 시 약 90%, 3차 구조는 상동체 구조가 알려져 있을 때만 실용적.
• Sequence-structure homology recognition by iterative alignment refinement and comparative modeling — PMID 11835486 — CASP4의 접힘 인식 접근, 환경 특이적 치환표 기반 모델링.
• Comparative modeling: the state of the art and protein drug target structure prediction — PMID 21521153 — 비교 모델링이 가장 정확한 계산 방법, PDB 약 6만 5천 구조, 자동 파이프라인 약 190만 모델.
• Comparative modeling for protein structure prediction — PMID 16510277 — 서열 동일성 30% 이상 비교 모델링은 주형 기반의 자연적 한계에 근접, 정련 기법 필요.
• New tips for structure prediction by comparative modeling — PMID 19255646 — 4,753쌍 분석, 서열 동일성은 모델 정확도의 좋은 지표가 아님.
• De novo protein structure determination using sparse NMR data — PMID 11200525 — 로제타의 단편 조립 방식과 소수성 매몰·가닥 짝짓기 기반 에너지 최소화.
• SimFold energy function for de novo protein structure prediction: consensus with Rosetta — PMID 16294329 — 38개 중 12개를 6.5 Å 이내(로제타 ab initio와 동률), 합의 예측으로 16개.
• Rethinking the protein folding problem from a new perspective — PMID 37165178 — 안핀센의 두 질문, "서열이 어떻게 접힘을 지정하는가"는 미해결, 힘장 기반 접근의 실패 분석.
• Exploring quantum frontiers in protein structure prediction — PMID 41999908 — 배열 탐색 공간의 지수적 복잡성과 상호작용 모형의 근사라는 고전적 한계.
• Protein folding problem: enigma, paradox, solution — PMID 36659994 — 레빈탈의 역설(전수 탐색은 수십억 년), 에너지 지형과 깔때기, 접힘 시간 범위와 접힐 수 있는 최대 크기.
• Solution of Levinthal's Paradox and a Physical Theory of Protein Folding Times — PMID 32041303 — 50년 넘게 이어진 질문, 접힘 속도론과 접힘 시간 예측의 현재.
• The Levinthal paradox: yesterday and today — PMID 9269572 — 무작위 탐색 패러다임의 폐기, 천연 상태 쪽으로 기울어진 편향.
• What is paradoxical about Levinthal paradox? — PMID 12437370 — 레빈탈은 자기 문제를 스스로 풀었다는 지적.
• Polymer principles and protein folding — PMID 10386867 — 깔때기 관점, 탐색 공간의 방대함이 탐색 시간과 거의 무관해지는 이유.
• Direct-coupling analysis of residue coevolution captures native contacts across many protein families — PMID 22106262 — 직접·간접 상관의 분리, 서열만으로 접촉 지도의 전역 구조 복원, 다수 상동 서열이라는 전제와 유전체 해독의 기여.
• Assessing the utility of coevolution-based residue-residue contact predictions in a sequence- and structure-rich era — PMID 24009338 — 정렬 서열 수가 길이의 5배 초과라는 조건, 당시 Pfam 422개 패밀리.
• Improved de novo structure prediction in CASP11 by incorporating coevolution information into Rosetta — PMID 26677056 — 공진화 접촉을 로제타 구속조건으로, 서열 수가 길이의 3배 초과일 때 효과, T0806에서 223 잔기 3.0 Å 미만.
• Origins of coevolution between residues distant in protein 3D structures — PMID 28784799 — 4,000개 패밀리에서 직접 공진화 쌍의 25%가 5 Å 초과, 3%가 15 Å 초과.
• Contact prediction is hardest for the most informative contacts — PMID 29953468 — 기하학적으로 제약이 강한(정보량 큰) 접촉일수록 예측이 어려움.
• Undersampling and the inference of coevolution in proteins — PMID 36693377 — 표본 부족이 에피스타시스를 불균등하게 대표, 3차 접촉은 맞히나 기능적 네트워크는 놓침.
• DNCON2: improved protein contact prediction using two-level deep convolutional neural networks — PMID 29228185 — 주형 없는 표적 상위 L/5 장거리 평균 정밀도 CASP10 35%, CASP11 50%, CASP12 53.4%.
• Protein contact prediction by integrating deep multiple sequence alignments, coevolution and machine learning — PMID 29047157 — 28.4% → 41.6%(공진화) → 56.3%(통합), 유효 서열 수 로그값과 0.66 상관.
• Analysis of deep learning methods for blind protein contact prediction in CASP12 — PMID 28845538 — 접촉 예측을 픽셀 라벨링 문제로 재정식화, 유효 서열 중앙값 약 58인 38개 주형 없는 표적에서 47%·44%.
• Protein tertiary structure modeling driven by deep learning and contact distance prediction in CASP13 — PMID 30985027 — 딥러닝의 CASP10(2012) 데뷔, CASP11(2014) 이후 거리 예측이 핵심 방향, 상동 서열 부족 시 난점.
• Beyond AlphaFold2: The Impact of AI for the Further Improvement of Protein Structure Prediction — PMID 39576578 — CASP15 상위 그룹이 모두 AF2 기반 자체 도구를 개발.
• Advantages and Limitations of AlphaFold in Structural Biology — PMID 41326937 — 무질서 영역·리간드/보조인자·거대하거나 일시적인 조립체의 취약성, 잔기의 약 1/3이 원자 수준 정밀도 결여 가능.
• Proteins with alternative folds reveal blind spots in AlphaFold-based protein structure prediction — PMID 39756261 — 대안 접힘이 드러내는 세 가지 맹점.
• To What Extent is Anfinsen's Thermodynamic Hypothesis Consistent With the Formation and Polymorphism of Amyloid Fibrils? — PMID 40750093 — 안핀센 열역학 가설의 원문 진술과 반세기의 위상, 아밀로이드 다형체가 제기하는 재검토.
• Recent Progress of Protein Tertiary Structure Prediction — PMID 38398585 — 주형 기반·주형 없는 전통 방법에서 접촉/거리 기반·엔드투엔드·언어모델 기반까지의 지형과 CASP.