Communications Biology 코멘트는 AlphaFold 2 이후 구조생물학의 다음 전환점으로 단백질의 전체 conformational landscape 예측과 de novo 바인더 설계를 짚음. BioEmu, BindCraft, Boltz 계열 모델과 자동화 실험 플랫폼이 연결되며 정적 구조 예측에서 동역학·설계 워크플로로 무게중심이 이동함.
요약
•
기존 구조 예측은 가장 안정한 접힘 상태를 맞히는 데 집중했지만, 실제 기능 이해에는 리간드 결합, PTM, 상호작용에 따라 바뀌는 ensemble과 자유에너지 차이 추정이 필요함.
•
Microsoft의 BioEmu는 PDB·AlphaFold 모델과 대규모 all-atom MD 데이터를 활용한 diffusion 기반 모델로, 단일 구조가 아니라 Boltzmann 분포에서 conformer를 샘플링하는 접근을 제시함.
•
저자는 BioEmu류 모델이 원자 수준 MD로는 막대한 GPU 시간이 필요한 ensemble 탐색을 분 단위로 근사할 수 있다고 보되, MSA·template 편향과 학습 데이터 memorization 가능성은 아직 충분히 검증되지 않았다고 지적함.
•
바인더 설계 쪽에서는 BindCraft가 AlphaFold 계열 구조 예측기를 fitness oracle처럼 사용해 고친화도 de novo 단백질 바인더 설계를 더 공학적인 파이프라인으로 바꾸고 있음.
•
Adaptyv Bio의 EGFR·Nipah 바인더 챌린지 사례는 제3자 wet-lab 테스트에서 nanomolar affinity 바인더가 반복적으로 나온 점을 근거로 제시됨. 다만 affinity 예측 자체는 CASP16에서도 난제로 남아 있음.
•
Tamarind Bio, NVIDIA 플랫폼, Colab/HuggingFace식 배포 방식은 비전문가도 BioEmu·BindCraft 같은 모델을 웹에서 실행하도록 만들어, 모델 성능뿐 아니라 접근성이 연구 속도를 좌우하는 요인으로 부상함.
•
AI-bio 관점에서는 구조 예측 모델, generative design, 자동화 실험, 일반 AI agent가 한 워크플로로 묶이며 바인더 설계와 동역학 기반 약물·단백질 엔지니어링의 실험 반복 주기가 짧아질 가능성이 큼.