LabHub

블로그

AI 생물학 & 신약개발 2026 완벽 가이드 - AlphaFold 3 · RoseTTAFold · ESM Atlas · Boltz · Chai-1 · RFdiffusion · Isomorphic Labs · Recursion · Insilico 심층 분석

2026-05-16 · 46 분 읽기 · #ai-biology#drug-discovery#alphafold#rosettafold#esm#boltz#chai#rfdiffusion#isomorphic-labs#recursion#insilico-medicine

한국어English日本語

프롤로그 — 2024년 노벨 화학상이 의미하는 것

2024년 10월 9일, 스웨덴 왕립 과학 아카데미는 화학상 수상자를 발표했다. David Baker(University of Washington), Demis Hassabis(DeepMind CEO), John Jumper(DeepMind Senior Director). 절반은 Baker의 단백질 설계(de novo protein design) 공로로, 나머지 절반은 Hassabis와 Jumper가 만든 AlphaFold 2의 단백질 구조 예측 공로로 돌아갔다.

이는 단순한 학문적 인정 이상의 의미였다. AI가 50년 묵은 생물학의 미해결 문제(protein folding problem)를 풀었다는 공식 선언이었고, 동시에 그 AI를 산업화한 기업(DeepMind, Isomorphic Labs, Generate:Biomedicines, Recursion, Insilico Medicine 등)이 신약 개발의 미래를 다시 그리고 있다는 신호였다.

"단백질 구조 예측은 죽었다. 이제 진짜 게임이 시작된다." — 어느 분자 생물학자가 노벨상 발표 직후 X에 남긴 말이다. AlphaFold 2가 정적 구조 예측을 풀었다면, 그 다음 단계는 동적인 상호작용 · 약물 결합 · 새로운 단백질 설계다. 그리고 2026년 현재, 이 모든 게 동시에 폭발하고 있다.

이 글에서 다루는 것:

  1. AI 생물학의 지도 — 2026년의 진영
  2. 단백질 구조 예측의 역사 — Anfinsen에서 AlphaFold까지
  3. AlphaFold 2 · 3 · Server — DeepMind의 흐름
  4. RoseTTAFold 시리즈 — Baker Lab의 답
  5. ESM-2, ESM-3, ESM Atlas — Meta에서 EvolutionaryScale로
  6. Boltz-1, Boltz-2 — MIT의 오픈 재현
  7. Chai-1, Protenix — 새로운 후발 주자
  8. ColabFold, OmegaFold — 접근성의 혁명
  9. RFdiffusion + ProteinMPNN — 단백질 디자인의 새 패러다임
  10. 항체 설계 — AbDesign, IgFold, Absci
  11. 저분자 + 도킹 — MolMIM, DiffDock, NeuralPLexer
  12. Isomorphic Labs — DeepMind의 신약 자회사
  13. Recursion Pharmaceuticals + Exscientia 합병
  14. Insilico Medicine — 생성 AI 신약의 선구자
  15. Schrödinger, Atomwise, BenevolentAI, Cradle
  16. 유전체학 AI — DeepVariant, Enformer, Geneformer, scGPT
  17. 세포 이미징 AI — Cell Painting, JUMP-CP, CellPose
  18. 임상시험 AI — Saama, Unlearn.ai
  19. 바이오 기초 모델 — BioGPT, GeneGPT, NACL
  20. 한국 AI 바이오 — Standigm, Deep Bio, Syntekabio
  21. 일본 AI 바이오 — Preferred Networks, Elix, MOLCURE
  22. 데이터셋과 벤치마크 — PDB, UniProt, ChEMBL, AlphaFold DB
  23. 시뮬레이션 인프라 — GROMACS, AMBER, DESMOND
  24. 윤리와 규제 — 안전 평가의 새로운 기준
  25. 참고 자료

1장 · AI 생물학의 지도 — 2026년의 진영

2026년 5월 기준, AI 생물학은 크게 다섯 진영으로 나뉜다.

1) 구조 예측 진영(Structure Prediction) 주어진 단백질 서열에서 3D 구조를 예측한다. AlphaFold 2/3, RoseTTAFold, ESMFold, Boltz, Chai-1, OmegaFold, ColabFold, Protenix가 여기 속한다. 2024년 AlphaFold 3가 단백질뿐 아니라 DNA · RNA · 리간드 · 이온까지 동시에 모델링하면서 게임이 한 단계 올라갔다.

2) 단백질 디자인 진영(Protein Design) "우리가 원하는 기능을 가진 단백질을 처음부터 만들어 내자"는 흐름. RFdiffusion, ProteinMPNN, ESM3(생성 가능 버전), Chroma, Genie 등이 대표적이다. Baker Lab과 Generate:Biomedicines가 이 진영의 양대 축이다.

3) 신약 발굴 기업 진영(Drug Discovery Companies) 실제 임상 파이프라인을 운영하는 회사들. Isomorphic Labs(Alphabet), Recursion(Exscientia 합병), Insilico Medicine, Schrödinger, Atomwise, BenevolentAI, Cradle, Absci, Generate:Biomedicines가 여기 속한다.

4) 유전체 + 단일세포 진영(Genomics + Single-cell) DNA 서열, 유전자 발현, 세포 상태를 모델링한다. DeepVariant(변이 검출), Enformer(발현 예측), Geneformer · scGPT(단일세포 기초 모델), AlphaMissense(변이 영향 예측)가 대표.

5) 이미징 + 표현형 진영(Imaging + Phenotypic) 세포 이미지에서 약물 효과를 직접 읽는다. Recursion의 "Maps" 플랫폼, JUMP-CP 공개 데이터셋, CellPose · CellProfiler 같은 분석 도구가 핵심.

이 다섯 진영은 서로 겹친다. Recursion은 이미징 + 디자인 + 신약을 모두 한다. EvolutionaryScale은 ESM3로 예측 + 디자인을 동시에 한다. 그래서 어느 회사를 "어느 진영"으로 묶기보다, 각 회사가 어떤 문제를 풀려 하는지를 봐야 한다.

2장 · 단백질 구조 예측의 역사 — Anfinsen에서 AlphaFold까지

먼저 짧은 역사. 단백질 구조 예측은 50년 묵은 문제였다.

1972년: Christian Anfinsen, 노벨 화학상 수상. "단백질의 3차원 구조는 그 1차원 아미노산 서열에 의해 결정된다"는 가설(Anfinsen dogma)을 실험으로 증명. 이 가설이 맞다면 이론적으로 서열만으로 구조를 예측할 수 있어야 한다.

1994년 ~ 2020년: CASP(Critical Assessment of protein Structure Prediction)이 격년으로 열렸다. 전통적인 방법(homology modeling, threading, fragment assembly, Rosetta 등)이 점진적으로 개선됐지만, GDT-TS(구조 정확도 지표)는 60~70대 박스를 못 벗어났다.

2018년 CASP13: DeepMind의 첫 AlphaFold 1이 GDT-TS 58.9를 기록하며 2위 그룹을 6점 차로 따돌렸다. 학계가 놀랐다.

2020년 12월 CASP14: AlphaFold 2가 GDT-TS 92.4를 기록. 사실상 실험 수준(~95)에 도달. CASP14 주최자 John Moult는 "단백질 구조 예측 문제는 풀렸다(largely solved)"고 선언했다.

2021년 7월: AlphaFold 2 코드와 가중치가 오픈소스로 공개. 동시에 AlphaFold DB가 출범 — 곧 인간 단백질체 전체(약 20,000개)를 포함했고, 2022년에는 2억 개 이상의 예측 구조로 확장됐다.

2021년 7월: David Baker 팀이 RoseTTAFold 발표. AlphaFold 2와 같은 시기, 비슷한 정확도. attention 기반 3트랙(서열, 거리, 좌표) 아키텍처.

2022년 11월: Meta AI(FAIR)가 ESMFold와 ESM Atlas 공개. 6억 개 이상의 메타게놈 단백질 구조를 예측해 공개. 다중 서열 정렬(MSA) 없이 언어 모델만으로 빠르게 예측.

2024년 5월: AlphaFold 3 발표. 단백질뿐 아니라 DNA · RNA · 작은 분자(리간드) · 이온까지 동시 모델링. 단, 모델은 비공개 + AlphaFold Server라는 웹 인터페이스로만 제공.

2024년 10월: 노벨 화학상 — David Baker(절반), Demis Hassabis + John Jumper(절반).

2024년 5월 ~ 2025년: MIT의 Boltz-1, Chai Discovery의 Chai-1, ByteDance의 Protenix가 AlphaFold 3 수준의 오픈 모델을 차례로 공개.

2025년 6월: EvolutionaryScale의 ESM-3 출시. 생성 모델로 진화(ESMFold = 예측, ESM-3 = 예측 + 생성).

2026년 현재: Boltz-2 출시, AlphaFold 4 루머, RFdiffusion All-Atom의 임상 후보 화합물 도달. 그리고 구조 예측 자체는 더 이상 차별화 포인트가 아님이 분명해졌다.

3장 · AlphaFold 2 · 3 · Server — DeepMind의 흐름

AlphaFold 2(2021)의 아키텍처 핵심.

AlphaFold 2는 정적 구조 예측에 특화돼 있다. 동적 conformation, 결합 상태 변화, 작은 분자와의 상호작용은 별도 도구가 필요했다.

AlphaFold 3(2024)는 그 한계를 정면 돌파했다.

이 비공개 정책은 학계에 큰 논쟁을 일으켰다. DeepMind의 입장은 명확했다. "Isomorphic Labs(자회사)가 상업적으로 활용해야 하기 때문에 모델은 비공개". 결과적으로 MIT, Chai Discovery, ByteDance가 곧바로 오픈 재현에 들어갔고, 1년 안에 거의 동급의 모델이 공개됐다.

AlphaFold Server는 2024년 5월 출시. 누구나 구글 계정으로 로그인해 서열을 입력하면 24시간 안에 구조를 받는다. 학계 사용량은 폭발적. 다만:

2026년 현재 AlphaFold DB는 약 2억 1,400만 개의 구조를 무료로 제공한다. 인간 단백질체뿐 아니라 UniProt에 등재된 거의 모든 단백질을 예측해 둔 상태다.

4장 · RoseTTAFold 시리즈 — Baker Lab의 답

University of Washington의 David Baker 연구실(노벨상 수상)은 단백질 구조 예측과 디자인 양쪽에서 DeepMind와 라이벌 관계다. 그들의 답은 RoseTTAFold 시리즈.

RoseTTAFold(2021)

RoseTTAFold2(2023)

RoseTTAFold All-Atom(RFAA, 2023)

RFdiffusion(2023, 디자인용)

RFdiffusion All-Atom(2024)

Baker Lab의 가치 제안은 명확하다: "오픈, 디자인, 응용". 모든 모델을 공개하고, 단순 예측을 넘어 디자인 도구를 함께 제공한다.

5장 · ESM-2, ESM-3, ESM Atlas — Meta에서 EvolutionaryScale로

ESM(Evolutionary Scale Modeling) 시리즈는 Meta AI(이전 FAIR)의 단백질 언어 모델 프로젝트였다.

ESM-1, ESM-2(2019-2022)

ESMFold(2022)

ESM Atlas(2022)

2024년: Meta가 FAIR 단백질 팀을 분사. EvolutionaryScale이라는 별도 회사로 독립. Alex Rives(ESM 리드 저자)가 공동 창업.

ESM-3(2024, EvolutionaryScale)

EvolutionaryScale은 ESM-3를 활용해 형광 단백질 시뮬레이션 진화(esmGFP) 실험을 발표 — 5억 년 분량의 진화 경로를 압축해 새로운 GFP 변이체를 디자인했다.

6장 · Boltz-1, Boltz-2 — MIT의 오픈 재현

AlphaFold 3가 비공개되자, MIT의 Regina Barzilay 그룹과 협력자들은 2024년 5월 Boltz-1을 발표했다.

Boltz-1(2024)

Boltz-2(2025)

Boltz의 의의는 단순하다: "AlphaFold 3는 못 써도 Boltz-2는 쓸 수 있다." 제약 회사 내부 R&D, 학술 연구, 상업 응용 모두에 무료로 활용 가능하다.

다음은 Boltz-2를 명령줄에서 호출하는 예시.

# Boltz-2 설치 (PyPI)
pip install boltz

# 입력 FASTA 준비
cat > target.fasta <<EOF
>protein|name=kinase
MKTLLLTLVVVTIVCLDLGYTEEEEYNEELEKKMEEILSKLEKK
EOF

# 단일 단백질 구조 예측
boltz predict target.fasta --use_msa_server --out_dir results/

# 결과 — results/predictions/target/ 안에 PDB와 mmCIF 출력

YAML 입력으로 단백질-리간드 복합체도 지원한다.

version: 1
sequences:
  - protein:
      id: A
      sequence: MKTLLLTLVVVTIVCLDLGYTEEEEYNEELEKKMEEILSKLEKK
  - ligand:
      id: B
      smiles: "CC(=O)OC1=CC=CC=C1C(=O)O"  # 아스피린
properties:
  - affinity:
      binder: B

GPU 한 장(A100 80GB)으로 중간 크기 단백질을 1-5분 안에 처리한다.

7장 · Chai-1, Protenix — 새로운 후발 주자

Chai Discovery는 2024년 가을 등장한 신생 스타트업으로, AlphaFold 3 수준 모델을 자체 개발했다.

Chai-1(2024)

Chai-1r(2025)

Protenix(ByteDance, 2024)

이 세 모델(Boltz, Chai, Protenix) 덕분에 2025년 봄에는 사실상 AlphaFold 3 수준의 오픈 모델이 세 개나 존재하게 됐다. DeepMind의 비공개 정책이 역설적으로 오픈 생태계를 가속한 셈이다.

8장 · ColabFold, OmegaFold — 접근성의 혁명

AlphaFold 2가 공개됐지만 실행에는 비싼 GPU와 거대한 MSA 데이터베이스(BFD, Uniref30 등 수 TB)가 필요했다. 이걸 누구나 쓸 수 있게 만든 것이 ColabFold다.

ColabFold(2022)

OmegaFold(2022)

ColabFold의 의의는 민주화다. 노벨상 수준의 기술을 노트북에서 실행할 수 있게 한 것. 2025년 현재 ColabFold는 AlphaFold 3, Boltz-2, Chai-1까지 점진적으로 통합 중이다.

9장 · RFdiffusion + ProteinMPNN — 단백질 디자인의 새 패러다임

지금까지는 예측(prediction) 이야기였다. 이제 디자인(design)으로 넘어가자.

전통적인 단백질 디자인은 Rosetta 같은 물리 기반 시뮬레이션으로 시도했다. 가능한 측쇄 조합을 평가해 에너지가 낮은 구조를 찾는 방식. 느렸고, 새로운 단백질 폴드를 만들기 어려웠다.

RFdiffusion(Baker Lab, 2023)이 게임을 바꿨다.

ProteinMPNN(Baker Lab, 2022)

RFdiffusion + ProteinMPNN 파이프라인의 실제 워크플로:

  1. 표적 단백질의 결합 위치를 선택
  2. RFdiffusion으로 그 위치에 결합할 수 있는 백본을 1만 개 생성
  3. ProteinMPNN으로 각 백본에 서열을 부여 (백본당 8개씩)
  4. AlphaFold 2로 그 서열들을 다시 폴딩해 백본과 일치하는지 검증
  5. 상위 100개를 실험실에서 발현해 결합 친화도 측정

이 파이프라인으로 2024년 한 해에만 10개 이상의 새로운 결합 단백질이 임상/전임상 단계에 진입했다.

RFdiffusion All-Atom(2024)는 백본뿐 아니라 측쇄와 리간드까지 한 번에 디자인한다. 예를 들어 약물 분자 주변에 정확히 맞는 효소를 디자인할 수 있다.

10장 · 항체 설계 — AbDesign, IgFold, Absci

항체(antibody)는 가장 중요한 바이오 의약품 카테고리(2024년 매출 약 2,000억 달러)다. 그래서 항체 디자인 AI는 별도의 큰 시장을 형성한다.

IgFold(Johns Hopkins, 2022)

ABodyBuilder(Oxford OPIG, 2024)

AbDesign / RFdiffusion-Ab(Baker Lab, 2024)

Absci(나스닥 상장, 2021)

Generate:Biomedicines(2022 분사, 2024 시리즈 C 2.7억 달러)

항체 디자인의 핵심 KPI는 affinity(결합 친화도, Kd 값)와 developability(개발 가능성 — 응집, 점도, 면역원성). AI는 이 두 축을 동시에 최적화하는 게 도전이다.

11장 · 저분자 + 도킹 — MolMIM, DiffDock, NeuralPLexer

단백질이 아닌 작은 분자(small molecule) 측면도 AI가 빠르게 들어왔다.

SMILES와 SELFIES

Mol-BERT, ChemBERTa, MoLFormer(2020-2022)

MolMIM(NVIDIA, 2024)

DiffDock(MIT, 2023)

NeuralPLexer(2024, Caltech)

AlphaFold 3 + Boltz-2 + Chai-1도 결국 작은 분자 결합을 예측하기 때문에, 도킹 분야와 구조 예측 분야가 사실상 합쳐지는 중이다.

12장 · Isomorphic Labs — DeepMind의 신약 자회사

Isomorphic Labs는 2021년 11월 Alphabet이 분사한 신약 개발 자회사. Demis Hassabis가 CEO를 겸직한다.

미션: "Re-imagining drug discovery through AI." AlphaFold를 신약 발굴의 기본 도구로 쓴다.

전략:

기술 스택:

비공개 정책: Isomorphic의 존재가 AlphaFold 3 비공개의 이유다. 만약 AF3가 오픈이었다면 모든 빅파마가 자체적으로 사용했을 것이고, Isomorphic의 비즈니스 모델이 약해졌을 것이다.

2025년 현황: 첫 IND-enabling 후보 물질 도달이 임박. 2026년 안에 첫 임상 1상 진입이 목표.

13장 · Recursion Pharmaceuticals + Exscientia 합병

Recursion(나스닥 RXRX)은 솔트레이크시티의 AI 신약 회사. 2021년 IPO.

핵심 기술:

2024년 1월: Exscientia 인수 발표 (약 7억 달러). Exscientia는 영국의 AI 신약 회사로, 자체 분자 디자인 플랫폼이 강점. 합병으로 이미징 + 분자 디자인을 한 회사에 통합.

파이프라인:

비전:

14장 · Insilico Medicine — 생성 AI 신약의 선구자

Insilico Medicine은 홍콩-뉴욕-상하이에 본사를 둔 AI 신약 회사. 2014년 설립. 2025년 IPO 진행 중(홍콩 거래소).

핵심 기술:

히트작:

파이프라인: 30개 이상의 프로그램, 7개 이상의 임상 자산.

2025년 동향:

Insilico의 가치 제안은 명확하다: "AI가 발굴해서 AI가 디자인하고 사람이 검증한다." 시간과 비용을 절반으로 줄인다는 것.

15장 · Schrödinger, Atomwise, BenevolentAI, Cradle

Schrödinger(나스닥 SDGR)

Atomwise

BenevolentAI(런던 증시 BAI)

Cradle

EvolutionaryScale (이미 5장 참고)

16장 · 유전체학 AI — DeepVariant, Enformer, Geneformer, scGPT

단백질뿐 아니라 DNA · RNA · 유전자 발현도 AI의 큰 영역이다.

DeepVariant(Google, 2018)

Enformer(DeepMind + Calico, 2021)

AlphaMissense(DeepMind, 2023)

Geneformer(MIT Broad, 2023)

scGPT(University of Toronto + Wang Lab, 2023)

Universal Cell Embeddings (UCE)(스탠퍼드, 2023)

이 모델들은 GTEx, Tabula Sapiens, Human Cell Atlas 같은 공개 데이터셋으로 학습한다.

17장 · 세포 이미징 AI — Cell Painting, JUMP-CP, CellPose

Cell Painting은 형광 염색 + 자동화 현미경 기반 phenotypic profiling 기법. 한 화합물을 세포에 처리한 뒤 5개 채널의 형광 이미지를 자동 촬영해 약 1,500개의 형태학적 feature를 추출한다.

JUMP-CP(2023, Broad + 빅파마 컨소시엄)

CellPose(Janelia, 2021)

CellProfiler(Broad)

Recursion Maps

이 분야의 핵심은 "표현형 우선" 접근. 타겟을 모르더라도 세포 표현형이 정상화되는 화합물을 먼저 찾는다.

18장 · 임상시험 AI — Saama, Unlearn.ai

신약은 발굴 못지않게 임상시험이 비용이 크다(평균 임상 비용 약 19억 달러). 이 단계에서도 AI가 들어온다.

Saama Technologies

Unlearn.ai

TriNetX

Owkin(파리)

임상시험 AI의 핵심 가치는 시간 단축. 임상 1단계당 1년 단축이면 1억 달러 이상 절감 가능.

19장 · 바이오 기초 모델 — BioGPT, GeneGPT, NACL

자연어 측면의 바이오 기초 모델도 활발하다.

BioGPT(Microsoft, 2022)

GeneGPT(NCBI, 2023)

NACL biomedical Llamas(NIH NACL, 2024)

Med-PaLM(Google, 2022-2024)

Med-Gemini(Google, 2024)

이 모델들의 공통 과제는 환각(hallucination) 제어. 의학적 정확성이 생명과 직결되기 때문에 강력한 RAG와 인간 검증이 필수다.

20장 · 한국 AI 바이오 — Standigm, Deep Bio, Syntekabio

한국의 AI 바이오 생태계는 빠르게 성장 중이다.

Standigm(스탠다임)

Deep Bio(딥바이오)

Syntekabio(신테카바이오, 코스닥 상장)

JLK Inspection(제이엘케이)

Macrogen(마크로젠)

Lunit(루닛)

투자 동향: 2024년 한국 AI 바이오 분야 투자는 약 5,000억 원. 글로벌 대비 작지만 정부 지원(보건복지부 데이터 사업)이 활발.

21장 · 일본 AI 바이오 — Preferred Networks, Elix, MOLCURE

일본도 AI 바이오에 적극적이다.

Preferred Networks(プリファード・ネットワークス)

Elix Inc(エリックス)

MOLCURE(モルキュア)

Healios(ヘリオス)

Spiber(スパイバー)

일본의 강점: 화학 + 정밀공학 + 대학 연구가 강하지만 IPO 시장은 미국 대비 약하다. PFN과 Elix 같은 회사가 글로벌화의 가능성을 보여준다.

22장 · 데이터셋과 벤치마크 — PDB, UniProt, ChEMBL, AlphaFold DB

AI 생물학을 지탱하는 핵심 데이터셋들.

PDB(Protein Data Bank, 1971-)

UniProt

ChEMBL(EMBL-EBI)

AlphaFold DB

ESM Atlas

The Human Cell Atlas

JUMP-CP(앞 17장 참고)

Open Targets(GSK + Sanofi + Bristol Myers Squibb + ...)

ClinicalTrials.gov + clinicaltrialsregister.eu

데이터 다양성과 품질이 AI 모델의 한계를 결정한다. 2026년 현재 가장 큰 병목은 wet lab 검증 데이터의 부족이다.

23장 · 시뮬레이션 인프라 — GROMACS, AMBER, DESMOND

AI는 정적 구조를 잘 예측하지만, 동적 거동(dynamics)은 여전히 분자 동역학(molecular dynamics, MD)이 강하다.

GROMACS(스웨덴 KTH 등)

AMBER(UCSF + Rutgers 등)

NAMD(University of Illinois)

DESMOND(Schrödinger 상용)

OpenMM(스탠퍼드)

ML potential의 부상:

GPU 인프라 측면에서는 NVIDIA H100 / B100, AMD MI300, Google TPU가 모두 사용된다. Recursion의 BioHive-2는 H100 약 600개로 구성.

24장 · 윤리와 규제 — 안전 평가의 새로운 기준

AI 생물학의 발전은 동시에 악용 우려도 키운다.

Dual-use 우려:

규제 동향:

오픈 vs 클로즈:

바이오 보안 평가:

2026년 현재, 이 분야의 규제 프레임워크는 아직 형성 중이다. AI 안전 커뮤니티(MIRI, ARC, METR)와 바이오 안전 커뮤니티(NTI, Johns Hopkins CHS)의 협력이 늘고 있다.

25장 · 마무리 — 2026년부터 2030년까지

2024년 노벨상은 AI 생물학에 대한 학계의 인정이었다. 2026년 현재, 그 후속 효과가 산업으로 퍼지는 중이다.

예상되는 흐름 (2026-2030):

  1. AI 발굴 + AI 디자인 약물의 첫 FDA 승인 — 2027-2029 사이 가능. Insilico INS018_055가 가장 빠른 후보 중 하나
  2. 단백질 디자인 도구의 클라우드 SaaS 보편화 — 의약화학자들이 RFdiffusion을 Excel처럼 쓰는 시대
  3. 단일세포 + 표현형 + 구조의 통합 기초 모델 — Recursion Maps, ESM3, Geneformer가 합쳐지는 흐름
  4. 개인 맞춤형 항체 — 환자별 항원에 맞춤 디자인된 치료제
  5. 빅파마와 AI 회사의 통합 — Recursion-Exscientia 같은 합병이 더 일어날 가능성
  6. dual-use 규제 강화 — 위험 디자인 검출 필터가 의무화될 가능성

노벨상 발표 직후 Demis Hassabis는 X에 짧게 적었다. "This is just the beginning." 단백질 폴딩 문제는 풀렸지만, 생물학 전체에서 보면 AI는 아직 1퍼센트도 채 못 가졌다. 동적 거동, 세포 수준 시뮬레이션, 조직 모델, 인체 모델까지 — 갈 길이 멀고, 그 길이 곧 다음 10년의 가장 큰 과학 + 비즈니스 기회다.

26장 · 참고 자료

핵심 논문:

데이터베이스와 서비스:

회사 + 공식 사이트:

노벨상 관련 자료:

기초 도구:

닫는 말. AI는 단백질 폴딩 문제를 풀었지만, 생물학은 폴딩 그 너머다. 동적 상호작용, 세포 수준, 조직 수준, 인체 수준 — 진짜 어려운 문제는 모두 그 너머에 있다. 그래서 이 분야는 앞으로 10년이 가장 흥미진진할 것이다. 컴퓨터 과학자에게는 영광스러운 시기이고, 생물학자에게는 도구가 처음으로 충분히 강해진 시기다. 두 분야 모두에 행운을.

원문 보기: https://www.youngju.dev/blog/culture/2026-05-16-ai-biology-drug-discovery-2026-alphafold-3-rosettafold-esm-atlas-boltz-chai-rfdiffusion-isomorphic-recursion-deep-dive

댓글

아직 댓글이 없습니다.

로그인하면 댓글을 쓸 수 있습니다