알파폴드

딥마인드(DeepMind)

알파폴드(AlphaFold)는 딥마인드(DeepMind)에서 개발한 인공지능 기반의 단백질 구조 예측 프로그램이다. 이 프로그램의 주된 목표는 단백질의 아미노산 서열로부터 그 단백질의 3차원 구조를 정확하게 예측하는 것이다.

상세

알파폴드는 인공지능 기반의 단백질 구조 예측 모델이다. 딥러닝 기술을 활용하여 단백질의 아미노산 서열 정보를 바탕으로 그 3차원 구조를 예측한다. 알파폴드는 단백질 구조 예측을 위해 설계된 프로그램으로, 생물학적 데이터를 학습하여 단백질이 어떻게 접히는지를 예측할 수 있다. 단백질의 3차원 구조는 그 기능과 생물학적 역할에 직접적으로 영향을 미치기 때문에, 알파폴드는 단백질 기능을 이해하고 연구하는 데 중요한 도구가 된다. 알파폴드는 딥러닝을 활용하여 데이터를 분석하고 패턴을 학습하는 기술을 사용하는데, 이는 전통적인 실험적 방법으로는 얻기 어려운 정밀한 예측을 가능하게 한다.

기술적 기초

단백질은 생물학적 시스템에서 핵심적인 역할을 한다. 단백질은 아미노산이 긴 체인 형태로 연결되어 형성되며, 이들이 특정한 3차원 구조를 갖추어야만 기능을 제대로 수행할 수 있다. 이 3차원 구조는 단백질이 어떤 역할을 할지, 어떤 기능을 수행할지를 결정짓는 중요한 요소이다. 단백질의 구조를 이해하는 것은 생명과학 연구와 의학적 응용에서 필수적이다. 그러나 단백질의 3차원 구조를 실험적으로 규명하는 과정은 매우 복잡하고 비용이 많이 든다. 전통적인 방법인 X선 결정학, 핵자기공명(NMR) 분광법, 그리고 전자 현미경은 각기 장점이 있지만, 수많은 단백질을 실험적으로 분석하는 데는 한계가 있다. 이러한 문제를 해결하기 위해 단백질의 구조를 예측할 수 있는 컴퓨터 모델의 필요성이 대두되었다.

알파폴드는 인공지능의 딥러닝 기술을 사용하여 단백질 구조를 예측한다. 딥러닝은 신경망을 기반으로 한 기계 학습 기술로, 데이터에서 패턴을 자동으로 학습할 수 있는 능력을 갖추고 있다. 알파폴드는 특히 트랜스포머라는 딥러닝 모델 구조를 사용하여 단백질의 아미노산 서열로부터 3차원 구조를 예측한다. 알파폴드의 핵심 기술 중 하나는 머리카락 구조를 학습하는 것이다. 이는 단백질의 아미노산 서열 간의 상호작용을 파악하고, 이들 상호작용이 단백질의 최종 3차원 구조에 어떻게 영향을 미치는지를 예측하는 방식이다. 또한, 알파폴드는 구조적 코딩이라는 기술을 사용하여 단백질의 공간적 구조를 점진적으로 구체화한다. 이 과정에서 다양한 물리적, 화학적 원리를 학습하여 실제 단백질의 구조에 근접한 예측을 가능하게 한다.

발전 과정

알파폴드는 처음 개발된 이후 여러 차례의 버전 업데이트를 거쳤다. 알파폴드 1은 초기 버전으로, 기본적인 딥러닝 모델을 사용하여 단백질 구조 예측을 시도하였다. 이 모델은 학습된 데이터의 양과 질에 따라 어느 정도의 정확도를 제공할 수 있었지만, 여전히 예측의 정확성에는 한계가 있었다. 알파폴드 2는 알파폴드 1의 성과를 기반으로 한 발전된 버전이다. 알파폴드 2는 더 정교한 신경망 아키텍처와 훈련 기법을 사용하여 단백질 구조 예측의 정확도를 크게 향상시켰다. 이 모델은 다양한 데이터 소스를 통합하여 예측의 신뢰도를 높였으며, 실제 실험 결과와의 일치도를 극대화하였다. 알파폴드 2는 구조 예측의 정확도를 높이기 위해 복잡한 상호작용을 모델링하고, 단백질의 3차원 구조를 세밀하게 재현하는 데 주력했다.

알파폴드 1

알파폴드 1(AlphaFold 1)은 단백질 구조 예측의 혁신적인 모델로, 2018년 단백질 구조 예측 학술대회(CASP)에서 그 성과를 공개하였다. 이 모델은 단백질의 아미노산 서열을 입력으로 받아, 단백질의 3차원 구조를 예측하는 데 초점을 맞췄다. 알파폴드 1의 주요 목표는 단백질의 3차원 구조를 높은 정확도로 예측하여, 생물학적 연구와 신약 개발에 기여하는 것이었다. 알파폴드 1은 딥러닝 기술을 활용하여 단백질 구조를 예측하였다. 이 모델은 순환신경망(Recurrent Neural Networks, RNN)과 트랜스포머(Transformer) 아키텍처를 채택하여, 단백질 아미노산 서열 간의 복잡한 상호작용을 학습하는 데 중점을 두었다. 특히, 트랜스포머 구조는 긴 서열의 상관관계를 효과적으로 학습할 수 있는 능력을 제공하며, 이는 단백질 구조 예측에 있어 중요한 요소로 작용했다. 이러한 딥러닝 기술을 통해 알파폴드 1은 단백질의 구조를 예측하는 데 있어 이전의 모델들보다 높은 정확성을 달성할 수 있었다.

알파폴드 1의 핵심 혁신 중 하나는 진화적 정보의 활용이다. 단백질 서열의 진화적 정보를 고려하여, 유사한 단백질의 서열과 구조를 분석함으로써 예측의 정확성을 높였다. 이를 통해 모델은 단백질의 서열이 진화 과정에서 어떻게 변화했는지를 반영할 수 있었으며, 이러한 정보는 단백질 구조의 예측에 유용한 패턴을 제공하였다. 또한, 알파폴드 1은 아미노산 간의 상호작용을 모델링하여 단백질의 3차원 구조를 추정하였다. 아미노산 간의 거리와 각도 같은 물리적 화학적 특성을 학습하여, 구조적 제약 조건을 효과적으로 반영하였다.

2018년 CASP13 대회에서 알파폴드 1은 단백질 구조를 예측하는 데 있어 뛰어난 성과를 거두었다. 이 대회에서 알파폴드 1은 단백질 구조 예측의 최고 난이도 과제에서 60점이라는 높은 점수를 기록하였으며, 이는 이전 대회에서의 최고 점수보다 훨씬 높은 성과였다. 이로 인해 알파폴드 1은 단백질 구조 예측 분야에서 새로운 기준을 제시하였고, 딥러닝 기술의 가능성을 실질적으로 증명하였다. 알파폴드 1의 성공은 생명과학 연구와 신약 개발에 대한 큰 기대를 불러일으켰으며, 이후의 연구와 기술 개발에 중요한 영향을 미쳤다.

그러나 알파폴드 1에도 몇 가지 한계가 존재하였다. 특히, 단백질 복합체와 같은 복잡한 시스템에서의 구조 예측에는 한계가 있었다. 복합체의 구조는 다수의 단백질 간의 상호작용에 의해 결정되므로, 이러한 복잡한 시스템을 정확히 예측하기 위해서는 추가적인 기술 개발이 필요했다. 또한, 예측된 구조의 실험적 검증이 중요하며, 실험 데이터와의 일치 여부를 확인하는 과정이 필요했다. 이러한 한계에도 불구하고 알파폴드 1의 성과는 단백질 구조 예측 분야의 중요한 이정표가 되었으며, 후속 모델인 알파폴드 2의 발전에 기초가 되는 중요한 기여를 하였다.

알파폴드 2

알파폴드 2(AlphaFold 2)는 단백질 구조 예측 모델의 두 번째 버전으로, 2020년 단백질 구조 예측 학술대회(CASP14)에서 그 혁신적인 성과를 공개하였다. 이 모델은 알파폴드 1의 발전된 버전으로, 단백질의 3차원 구조를 더 높은 정확도로 예측하는 데 중점을 두었으며, 그 결과 단백질 구조 예측 분야에 획기적인 변화를 가져왔다. 알파폴드 2는 딥러닝 기술의 최신 발전을 적용하여, 단백질 구조 예측의 정확성을 크게 향상시켰다. 이 모델은 트랜스포머(Transformer) 기반의 구조를 활용하여 단백질 서열 간의 상호작용을 더욱 효과적으로 학습하였다. 트랜스포머 아키텍처는 긴 서열의 상관관계를 이해하고 처리하는 데 뛰어난 성능을 보이는데, 알파폴드 2는 이러한 특성을 극대화하여 단백질 구조를 예측하는 데 있어서 큰 성과를 거두었다.

알파폴드 2의 가장 큰 혁신 중 하나는, 단백질 구조 예측의 정확도를 높이기 위해 도입된 새로운 딥러닝 모델의 구조와 학습 방법론이다. 알파폴드 2는 이전 버전보다 더 많은 양의 단백질 구조 데이터를 학습하였고, 이를 통해 더 정교한 예측을 가능하게 했다. 특히, 아미노산 간의 상호작용을 모델링하는 방식에서 큰 변화가 있었으며, 이 모델은 단백질의 구조를 예측하는 데 있어 보다 넓은 범위의 상호작용을 고려하여 더 정밀한 결과를 도출하였다. 또한, 알파폴드 2는 구조적 정확성을 높이기 위해 진화적 정보와 물리적 화학적 데이터를 통합하여 사용하였다. 단백질 서열의 진화적 패턴을 분석하고, 아미노산 간의 물리적 상호작용을 정밀하게 예측하는 방식으로 구조를 재구성하였다. 이러한 접근 방식은 단백질의 3차원 구조를 보다 정확하게 재현할 수 있도록 하였으며, 실험적 데이터와의 일치율을 높이는 데 기여하였다.

2020년 CASP14 대회에서 알파폴드 2는 그 뛰어난 예측 성능으로 큰 주목을 받았다. 이 대회에서 알파폴드 2는 주어진 과제의 약 3분의 2에서 인간 과학자들이 실험을 통해 밝힌 구조와 90% 이상 일치하는 결과를 보였다. 이는 단백질 구조 예측 분야에서 그간 도달하지 못했던 높은 정확도를 기록한 것으로, "알파폴드 2 쇼크"라는 표현으로 그 혁신성을 강조되었다. 알파폴드 2의 성과는 단백질 구조 예측의 새로운 기준을 설정하였으며, 많은 생물학적 문제를 해결하는 데 중요한 기여를 하였다. 알파폴드 2는 또한, 독일 막스 플랑크 협회(Max-Planck-Gesellschaft)가 수년간 연구해도 풀지 못했던 복잡한 박테리아 단백질 구조를 단 30분 만에 예측해내는 성과를 거두었다. 이 연구는 알파폴드 2의 뛰어난 정확성과 속도를 입증하는 사례로 평가되었으며, 연구자들로 하여금 단백질 구조 분석이 컴퓨터에 의해 전적으로 의존할 수 있는 시대가 도래했음을 깨닫게 하였다.

하지만 알파폴드 2에도 몇 가지 제한 사항이 존재한다. 이 모델은 상대적으로 작은 단백질과 도메인에서는 높은 정확성을 보이나, 실제 살아있는 유기체에서 발견되는 복잡한 단백질 배열이나 비표준 상호작용을 포함하는 경우에는 예측의 정확성이 다소 제한될 수 있다. 따라서, 실제 환경에서의 복잡한 단백질 구조를 예측하는 데 있어서는 추가적인 연구와 기술 개발이 필요하다.

알파폴드 멀티머

알파폴드 멀티머(AlphaFold Multimer)는 단백질 구조 예측 모델의 확장 버전으로, 복수의 단백질이 상호작용하여 형성되는 단백질 복합체의 3차원 구조를 예측하는 데 초점을 맞춘 모델이다. 알파폴드 멀티머는 알파폴드 2의 발전된 알고리즘을 기반으로 하며, 단백질 복합체 연구에서 중요한 역할을 할 수 있도록 설계되었다. 알파폴드 멀티머는 단백질 복합체의 구조를 예측하기 위해, 여러 단백질 서열을 동시에 입력으로 받아들이며 이들이 어떻게 상호작용하는지를 분석한다. 이 모델은 각 단백질의 개별적인 구조뿐만 아니라, 단백질 간의 상호작용과 결합 부위를 종합적으로 고려하여 복합체의 전체적인 3차원 구조를 예측하는 데 중점을 둔다. 이를 통해, 단백질 복합체가 생물학적 과정에서 어떻게 기능하는지를 이해하고, 생명과학 연구와 신약 개발에 기여할 수 있도록 설계되었다.

알파폴드 멀티머는 알파폴드 2의 딥러닝 기반 아키텍처를 확장하여, 다중 단백질 시스템의 복잡한 상호작용을 모델링할 수 있도록 개발되었다. 이 모델은 트랜스포머(Transformer) 구조를 활용하여 단백질 서열 간의 복잡한 상호작용을 효과적으로 학습하고, 이를 통해 정확한 구조 예측을 가능하게 한다. 특히, 알파폴드 멀티머는 단백질 간의 상호작용을 예측하기 위해 아미노산 간의 상호작용, 결합 부위, 그리고 복합체 전체의 구조적 배열을 학습한다. 알파폴드 멀티머는 단백질 복합체의 구조를 예측하는 데 있어 진화적 정보와 물리적 화학적 특성을 통합적으로 활용한다. 단백질 서열의 진화적 패턴을 분석하고, 단백질 간의 물리적 상호작용을 정밀하게 예측함으로써, 복합체의 구조를 보다 정확하게 재현할 수 있도록 한다. 이러한 접근은 복합체의 기능적 역할을 이해하고, 연구와 응용에 중요한 정보를 제공하는 데 기여한다.

알파폴드 멀티머는 다양한 분야에서 응용될 수 있으며, 특히 생물학적 연구와 신약 개발에서 중요한 역할을 할 수 있다. 이 모델은 단백질 복합체의 구조를 예측함으로써, 단백질-단백질 상호작용의 메커니즘을 이해하고, 이를 바탕으로 새로운 치료 방법이나 약물 타겟을 발견하는 데 도움을 줄 수 있다. 또한, 알파폴드 멀티머는 구조 생물학과 합성 생물학 등 다양한 분야에서 복합체의 구조를 예측하는 데 유용하게 활용될 수 있다. 그러나 알파폴드 멀티머에도 몇 가지 한계가 존재한다. 모델은 상대적으로 작은 단백질 복합체에서 높은 정확성을 보이나, 매우 복잡하거나 비표준 상호작용을 포함하는 대형 단백질 복합체에서는 예측의 정확성이 제한될 수 있다. 또한, 실제 생물학적 환경에서의 복합체 배열이 예측과 얼마나 일치하는지를 검증하는 것이 중요하며, 실험적 데이터와의 비교가 필요하다.

알파폴드 3

알파폴드 3(AlphaFold 3)은 단백질 구조 예측 모델의 최신 버전으로, 알파폴드 2의 기술적 진보를 바탕으로 단백질 구조 예측의 정확성을 더욱 향상시키기 위해 설계되었다. 이 모델은 단백질의 3차원 구조를 예측하는 데 있어, 기존의 모델들보다 더 정교하고 효과적인 방법을 도입하여 단백질 구조 생물학의 새로운 장을 열었다. 알파폴드 3는 알파폴드 2의 딥러닝 기반 아키텍처를 확장하여, 단백질 구조 예측에서 더욱 높은 정확도와 효율성을 제공한다. 이 모델은 트랜스포머(Transformer) 아키텍처를 개선하고, 새로운 신경망 기술을 도입하여 단백질 아미노산 간의 복잡한 상호작용을 보다 정밀하게 모델링한다. 알파폴드 3는 단백질의 3차원 구조를 예측하기 위해 고도화된 딥러닝 기법과 대량의 단백질 구조 데이터를 활용하여, 이전 모델들보다 훨씬 더 높은 정확도로 구조를 재구성할 수 있다.

이 모델의 핵심 혁신 중 하나는 단백질 서열의 진화적 정보와 물리적 화학적 특성을 통합하여, 단백질의 3차원 구조를 예측하는 데 있어 더 높은 정밀도를 제공한다는 점이다. 알파폴드 3는 단백질 아미노산 간의 상호작용을 모델링할 때, 더 많은 컨텍스트와 정밀한 상호작용 정보를 고려하여 예측의 신뢰성을 높인다. 이러한 접근 방식은 단백질 구조의 세밀한 변화를 포착하고, 구조적 제약을 보다 정확하게 반영하는 데 기여한다. 알파폴드 3는 단백질 구조 예측에서 높은 정확도를 달성하며, 특히 다양한 생물학적 시스템에서의 적용 가능성을 확대하고 있다. 이 모델은 단백질 단독 구조 뿐만 아니라, 단백질 복합체와 같은 복잡한 시스템의 예측에도 탁월한 성능을 보인다. 이는 단백질이 어떻게 기능하는지를 이해하고, 생명과학 연구 및 신약 개발에서의 응용 가능성을 크게 향상시킨다. 또한, 다양한 생물학적 샘플에 대한 예측을 지원하며, 단백질 구조의 예측 뿐만 아니라, 단백질 상호작용 네트워크의 분석 및 모델링에도 유용하게 활용될 수 있다. 이 모델은 다중 단백질 시스템의 구조적 복잡성을 정확하게 파악하고, 이를 바탕으로 단백질-단백질 상호작용의 메커니즘을 이해하는 데 중요한 기여를 할 수 있다.

그러나 알파폴드 3에도 몇 가지 도전과제가 있다. 모델의 높은 정확성을 유지하기 위해서는 대량의 계산 자원과 정교한 알고리즘이 필요하며, 매우 복잡하거나 비표준 상호작용을 포함하는 시스템에서는 여전히 한계가 있을 수 있다. 또한, 실험적 검증과 데이터의 지속적인 업데이트가 중요하며, 모델의 예측 결과를 실제 생물학적 데이터와 비교하는 과정이 필요하다.

주요 기능

알파폴드는 단백질의 3차원 구조를 예측하기 위해 여러 가지 고급 기술과 방법론을 적용한다. 이를 통해 알파폴드는 단백질 구조 예측 분야에서 혁신적인 도구로 자리 잡았다.

단백질 구조 예측

알파폴드의 주된 기능은 단백질의 아미노산 서열로부터 그 3차원 구조를 예측하는 것이다. 단백질은 아미노산이 일렬로 연결된 폴리펩타이드 체인으로 구성되며, 이들이 특정한 방식으로 접히면서 3차원 구조를 형성한다. 이 3차원 구조는 단백질의 기능을 결정짓는 중요한 요소이다. 알파폴드는 다음과 같은 절차로 단백질 구조를 예측한다.

1. 서열 입력: 단백질의 아미노산 서열을 입력으로 받는다. 이 서열은 단백질을 구성하는 기본적인 정보이다.
2. 모델 예측: 입력된 아미노산 서열을 기반으로 딥러닝 모델이 예측을 수행한다. 이 과정에서 단백질의 3차원 구조를 구성하는 아미노산 간의 상대적 위치와 상호작용을 예측한다.
3. 구조 재구성: 예측된 구조 정보를 바탕으로 단백질의 3차원 모형을 재구성한다. 이 과정에서 단백질이 실제로 어떻게 접히고 배열되는지를 시각화할 수 있다.

딥러닝 모델

알파폴드는 최신 딥러닝 기술을 활용하여 단백질 구조를 예측한다. 이 기술은 1) 트랜스포머 아키텍처 2) 컨볼루션 신경망 3) 이중 네트워크 등의 특징을 갖는다. 알파폴드는 '트랜스포머'라는 신경망 아키텍처를 사용한다. 트랜스포머는 자연어 처리 분야에서 발전된 모델로, 입력 데이터의 패턴을 효과적으로 학습할 수 있다. 이 아키텍처는 단백질의 아미노산 서열 간의 복잡한 상호작용을 분석하는 데 적합하다. 알파폴드는 초기 단계에서 CNN을 사용하여 단백질 서열의 지역적 특성을 학습하고, 이후 트랜스포머 모델이 전체 구조를 예측한다. CNN은 지역적인 특성 및 패턴을 인식하는 데 강점을 가진다. 또한 알파폴드는 구조적 정보와 서열 정보를 동시에 처리하는 이중 네트워크 구조를 사용한다. 하나는 아미노산 서열의 정보를, 다른 하나는 구조적 정보를 처리하여 최종 예측을 수행한다.

정확도 향상 기술

알파폴드는 구조 예측의 정확도를 높이기 위해 다양한 기술을 적용한다. 첫 번째는 피처 엔지니어링이다. 아미노산 서열의 진화적 정보, 물리적 화학적 특성, 그리고 구조적 제약 조건을 피쳐로 활용한다. 이를 통해 단백질의 잠재적 구조적 특성을 더 정교하게 예측할 수 있다. 두 번째는 잠재적 상호작용 모델링이다. 아미노산 간의 상호작용을 예측하여 단백질 구조의 안정성을 모델링한다. 이는 단백질이 실제로 어떻게 접히는지를 이해하는 데 중요한 정보를 제공한다. 마지막으로 다중 시퀀스 정렬이다. 단백질의 진화적 정보를 포함한 다중 시퀀스 정렬을 사용하여 아미노산 서열 간의 유사성과 상호작용을 분석한다. 이는 단백질의 기능적 요소와 구조적 패턴을 이해하는 데 도움을 준다.

구조 재구성 및 후처리

알파폴드는 예측된 구조 정보를 후처리하여 최종 3차원 구조를 더욱 정확하게 재구성한다.

1. 후처리 단계: 예측된 구조를 세밀하게 조정하여 물리적으로 가능한 구조를 최적화한다. 이 과정에서 에너지 최소화 알고리즘을 사용하여 구조의 안정성을 높인다.
2. 구조 검증: 예측된 구조가 실제 단백질 구조와 일치하는지를 검증하는 단계가 포함된다. 이를 통해 구조의 신뢰도를 높이고, 예측의 정확성을 보장한다.
3. 가시화: 최종적으로 재구성된 3차원 구조를 시각적으로 가시화하여 연구자들이 쉽게 분석하고 이해할 수 있도록 한다.

성과 및 CASP 대회

알파폴드의 가장 중요한 성과 중 하나는 2020년 CASP(Critical Assessment of Structure Prediction) 대회에서 거둔 성과이다. CASP 대회는 단백질 구조 예측 분야에서 가장 권위 있는 평가 대회로, 참가자들은 주어진 단백질 서열의 구조를 예측하는 과제를 맡는다. 알파폴드는 이 대회에서 매우 높은 정확도를 기록하여, 단백질 구조 예측의 새로운 기준을 세웠다. 알파폴드의 예측 결과는 실제 실험적 결과와 매우 근접했으며, 이는 알파폴드의 모델이 단백질 구조 예측에서 매우 높은 신뢰성을 갖춘다는 것을 의미한다. 이로 인해 알파폴드는 단백질 구조 예측 분야에서의 선도적인 위치를 확립하게 되었다. 이러한 성과는 알파폴드의 기술적 우수성을 인정받은 중요한 이정표로 평가된다.

응용 및 영향

알파폴드의 개발은 생명과학과 의학 분야에 큰 영향을 미쳤다. 단백질 구조 예측의 정확도가 높아짐에 따라, 연구자들은 특정 단백질의 기능을 더 잘 이해할 수 있게 되었으며, 이는 새로운 약물 개발과 질병의 원인 규명에 기여할 수 있다. 예를 들어, 특정 질병의 단백질 구조를 예측함으로써, 그 단백질이 어떻게 비정상적으로 기능하는지를 이해하고, 이를 기반으로 하는 치료 전략을 개발할 수 있다. 알파폴드는 또한 단백질-단백질 상호작용, 단백질-리간드 상호작용 등 복잡한 생물학적 과정의 연구에도 활용될 수 있다. 이러한 연구는 약물 디자인, 백신 개발, 그리고 다양한 질병의 기초 연구에 중요한 기초 자료를 제공한다. 알파폴드의 기술은 생물학적 데이터를 분석하고 해석하는 데 있어서 새로운 가능성을 열어주며, 연구자들에게 더 많은 기회를 제공하고 있다.

참고자료

• 〈막스 플랑크 협회〉, 《위키백과》
• 김성준, 〈AlphaFold: 딥러닝으로 단백질 구조 예측하기〉, 《미디엄》, 2020-10-24
• 박성은 기자, 〈딥마인드 알파폴드2 쇼크 이후 학계 비판 쇄도... “과잉 보도다”〉, 《AI타임스》, 2020-12-04
• 다이어리, 〈알파폴드 2 AlphaFold2 신경망 구조 (인공지능 AI / 트랜스포머 셀프어텐션 / 단백질 접힘 3D / 아미노산 염기서열 / MSA / 그래프 GNN / 구글 딥마인드)〉, 《네이버 블로그》, 2021-07-12
• 이우상 기자, 〈(이달의 논문 리뷰) 알파폴드2와 단백질 구조는 생물학과 생명공학에 어떤 영향을 줄까〉, 《한국경제》, 2021-10-27
• 강범창, 〈(과학기술뉴스 제6호) 알파폴드, 인공지능이 일으킨 생명과학 혁명: 그 뒤에 보이지 않는 과학사회의 피, 땀, 눈물(강범창)〉, 《ESC코리아》, 2022-02
• Claudia 선임연구원, 〈알파폴드2: 3차원 단백질 구조 예측을 위한 어텐션 메커니즘〉, 《파이특허법률사무소》, 2022-07-29
• 관리자, 〈“구글의 인공지능(AI) 알파폴드, 지구상 모든 단백질 3차원(3D) 구조 예측” : 지구상 100만 종 생명체의 2억 개 단백질 구조 예측 완료〉, 《한국화합물은행》, 2022-07-29
• 김수진 기자, 〈단백질 구조 예측 AI가 뭐길래, 빅테크 기업들 너도나도 개발〉, 《바이오타임즈》, 2023-07-20
• 배성한 AI 연구원, 〈Google Deepmind AlphaFold 1과 2의 차이점은 무엇일까?〉, 《하이퍼랩》, 2024-01-31
• 박찬 기자, 〈구글 딥마인드, '알파폴드 3' 공개..."단백질 생성 넘어 생체 분자 예측으로 확장"〉, 《AI타임스》, 2024-05-09
• 이병철 기자, 〈단백질과 모든 생체분자 상호작용 예측하는 AI 나왔다… “신약 개발 활로 열어”〉, 《조선비즈》, 2024-05-09
• 김달훈 기자, 〈딥마인드, BIO AI ‘알파폴드 3’ 발표··· "정확도 50% 이상 향상, 신약 개발 가속화"〉, 《씨아이오코리아》, 2024-05-10

같이 보기

• 딥마인드
• 인공지능
• 단백질
• 아미노산

이 알파폴드 문서는 인공지능 기술에 관한 글로서 검토가 필요합니다. 위키 문서는 누구든지 자유롭게 편집할 수 있습니다. [편집]을 눌러 문서 내용을 검토·수정해 주세요.

인공지능 : 인공지능 서비스, 인공지능 로봇, 인공지능 기술 □■⊕, 인공지능 기업, 인공지능 인물 인공지능 기술 AI 워싱 • 로봇공학 • 로봇기술 • 인지과학 • 자동추론 • 자연어 처리 • 지식표현 • 컴퓨터 비전 • 튜링 테스트 인공지능 알고리즘 AGI • ANI • ASI • RAG • XAI • 관계형 네트워크(RN) • 다층퍼셉트론 • 데이터마이닝 • 딥러닝 • 딥큐러닝 • 머신러닝(기계학습) • 방사신경망 • 분산 샌드박스 • 비지도학습 • 사전학습 • 생성대립신경망(GAN) • 생성형 AI • 수퍼얼라인먼트 • 순전파 • 순환신경망(RNN) • 시그모이드 함수 • 신경망 구조 • 심층신경망(DNN) • 심층신뢰신경망(DBN) • 양방향 비고정값 암호 체계(TSID) • 역전파 • 인공신경망(ANN) • 인공지능(AI) • 제한 볼츠만 머신(RBM) • 전방전달신경망 • 지도학습 • 코헨 자기조직 신경망 • 텍스트마이닝 • 트랜스포머 • 파이 • 퍼셉트론 • 합성곱 신경망(CNN) 인공지능 프로그램 BCI • GPT • 딥블루 • 딥페이크 • 멀티모달 AI • 모달 • 모달리티 • 모달창 • 알렉스넷 • 어니 • 알파고 • 알파고제로 • 알파폴드 • 왓슨 • 카페 • 컨트롤넷 • 텐서플로 • 텔레파시 • 토치 • 한돌 강화학습 ADP • CoLLM • DALL-E • DDPG • DQN • LMM • SARSA • SLM • 거대언어모델(LLM) • 결정이론적 메타추론 • 계통적 강화학습 • 동적 계획법 • 모델 기반 강화학습 • 모델 프리 강화학습 • 반영식 아키텍처 • 수시 알고리즘 • 심층믿음망 • 어니 • 에이전트 • 확률적 경사하강법 문자인식 ICR • OCR • OMR • STT • TTS • 문자인식 인공지능 데이터 데이터라벨러 • 데이터라벨링 • 데이터셋 • 크라우드워커 • 토큰 • 토큰화 계산 복잡도 NP • NP-완전 • 공간복잡도 • 시간복잡도 • 여 NP • 여 NP-완전 인공지능 특징 결정이론 • 계산상의 합리성 • 논리학 • 논리주의자 • 분산성 • 불확실성 • 삼단논법 • 선호도 • 예측곤란성 • 완벽한 합리성 • 유계 합리성 • 이유 불충분의 원리 • 자율성 • 최대기대효용 • 할루시네이션 • 효용이론 인공지능 법적 지위 권리주체성 • 소버린 AI • 전자대리인 • 전자적 인간 • 책임법 위키 : 자동차, 교통, 지역, 지도, 산업, 기업, 단체, 업무, 생활, 쇼핑, 블록체인, 암호화폐, 인공지능, 개발, 인물, 행사, 일반