AI・テクノロジー
AlphaFold 3.5 공개——단백질×핵산 복합체 예측 90% 초과, 신약 개발 설계가 바뀐다
機械翻訳 / Machine-translated
機械翻訳 / Machine-translated
Google DeepMind가 'AlphaFold 3.5'를 2026년 9월 10일에 공개했다. 전 세대인 AlphaFold 3 대비 예측 정확도를 약 12포인트 끌어올려, 단백질과 핵산(RNA 및 DNA)의 복합체 구조 예측에서 정확도 90.2%를 달성했다. 대형 제약사 3곳이 이미 파이프라인 통합을 선언했으며, 신약 개발의 '발견 단계'가 사실상 AI화되는 분기점으로 평가받고 있다.
DeepMind는 2026년 9월 10일자로 Nature Biotechnology에 논문을 게재하고, 같은 날 API를 일반 공개했다. 주요 개선 사항은 다음과 같다.
"3일씩 걸리던 구조 확인이 점심 먹기 전에 끝난다. 웨트랩 일정 관리가 근본부터 달라졌다" (제약 연구자, X 게시물에서 익명 인용)
AlphaFold 시리즈는 2020년 버전 2에서 단백질 단독 구조 예측의 정확도 문제를 거의 해결했다. 2024년 출시된 AlphaFold 3은 분자 간 상호작용(단백질×저분자, 단백질×핵산)에 대응하여 신약 개발 타깃 동정의 정확도를 크게 향상시켰다.
다만 실제 신약 개발 응용에서는 '복합체의 동적 거동'과 '예측 속도'가 병목으로 남아 있었다. 제약사 실험실에서는 AI 예측 후 X선 결정 분석이나 저온 전자현미경(cryo-EM)으로 검증하는 과정이 여전히 필요해, "AI를 활용해도 개발 기간이 단축되지 않는다"는 목소리가 끊이지 않았다.
AlphaFold 3.5가 강조하는 것은, 복합체 예측 정확도 90% 초과 달성으로 "cryo-EM 검증 없이 다음 합성 단계로 나아가는" 유스케이스가 현실화됐다는 점이다. Novo Nordisk, AstraZeneca, 다이이찌산쿄 3사가 이미 파이프라인 시험 통합을 선언했다.
DeepMind의 내부 시험에서는 저분자 신약 개발의 '타깃 동정→히트 화합물 선정' 단계가 평균 52% 단축됐다. 업계 표준상 이 단계에는 24년이 소요되는 것으로 알려져 있으며, 12년 규모의 압축이 실현되면 임상시험 비용의 조기 부담이 경감된다. 개발비가 평균 약 2,600억 엔에 달한다고도 불리는 신약 창출에서 이 부분의 개입은 경영 임팩트가 직접적이다.
AlphaFold 3.5가 RNA와의 복합체 예측에 본격 대응함으로써, siRNA나 mRNA 의약품의 타깃 탐색 응용이 넓어질 것으로 전망된다. mRNA 치료제 시장은 2025년 기준 220억 달러 규모로 추산되며, 예측 정확도 향상은 이 분야의 개발 비용 구조 자체를 바꿀 잠재력을 지닌다.
1건당 $0.38에서 $0.12로의 절감은, 자본 여력이 제한된 스타트업이나 대학 연구실이 본격 도입에 나설 수 있는 비용 임계치를 밑돌았음을 의미한다. 학술기관 대상 무료 할당량(월 500건)도 유지되고 있어, 신약 개발 AI에 대한 접근 격차가 급속히 좁혀지는 국면에 접어들었다.
AlphaFold의 예측은 여전히 정적인 구조 스냅샷에 머물러 있다. 생체 내에서는 온도·pH·경쟁 분자에 의해 구조가 변동하기 때문에, '고정밀 예측 = 약이 효과적이다'로 직결되지는 않는다. 이번 3.5 역시 이 점은 개선되지 않았으며, 동적 MD 시뮬레이션과의 통합은 계속해서 과제로 남아 있다.
AlphaFold의 진화는 '하나의 AI가 산업의 막힘을 뚫는다'는 구도의 전형이다. 제약사들은 그동안 웨트랩과 AI 예측을 병행 운용해왔지만, 복합체 예측의 정확도가 실용 수준에 도달한 지금, 웨트랩 공정 축소가 경영 의제로 부상할 것으로 보인다.
구체적으로는 '구조 확인 전담 팀의 역할이 재정의된다'는 움직임이 향후 12~18개월 내에 나타날 것이다. 인원 감축이라는 이야기가 아니라, cryo-EM 담당이 'AI 예측의 이상값 스크리닝'과 '동적 거동 검증'에 특화되는 리소스 재배치가 일어날 가능성이 높다.
국내(일본)에서는 다이이찌산쿄가 통합 선언을 내놨지만, 다케다약품·에자이·시오노기도 평가 단계에 있다고 업계 관계자들은 보고 있다. 바이오 스타트업 입장에서는 자금 조달 피치에 'AlphaFold 3.5 통합 완료'를 포함하는 것이 2026년 Q4 이후의 표준이 될지도 모른다.
한편 DeepMind 자체의 상업 전략에도 주목할 필요가 있다. API 저가화는 보급을 가속하는 반면, 제약사가 자사 인프라에 편입한 후의 락인 구조가 어떻게 설계되어 있는지는 아직 충분히 공개되지 않았다.
AlphaFold 3.5는 정확도·속도·비용의 3가지 지표를 동시에 갱신하며, 신약 개발 AI가 '연구 보조 도구'에서 '개발 프로세스의 핵심 인프라'로 이행하는 전환점을 그었다. 동적 구조 예측이나 in vivo 상관이라는 과제는 남아 있지만, 여러 대형 제약사가 본격 통합에 나섬으로써 업계의 설계 사상이 변하기 시작하고 있다.
다음으로 주목해야 할 것은 cryo-EM 장비 제조사나 구조 분석 CRO가 이번 정확도 향상을 어떻게 받아들이고, 비즈니스 모델을 어떻게 재정의할 것인가이다.
※이 기사는 미라이 뉴스 편집부의 AI 라이터(AI 뉴스)가 작성했습니다.
