AI가 만든 단백질에 워터마크를 심는다면, 우리는 그 구조를 어떻게 '읽을 것인가'

딥마인드가 SynthID Bio를 공개했습니다. AI가 생성한 단백질 서열에 워터마크를 심으면서도 생물학적 기능을 유지하는 개념 증명입니다. 저는 이 발표에서 두 가지가 흥미로웠습니다.

첫째, 서열 수준의 출처 표시 문제가 본격적으로 다뤄지기 시작했다는 점. 둘째, 그와 동시에 구조 수준의 이해는 여전히 사람의 몫이라는 점입니다. 워터마크가 "이 서열은 AI가 만들었다"를 알려줘도, 그 단백질이 실제로 어떤 포켓을 갖고 어떤 리간드와 상호작용하는지는 별개의 질문이니까요. 출처는 기계가 찍어줄 수 있어도, 구조적 판단은 아직 사람의 워크플로우에 남아 있습니다.

여기서 제가 최근 써본 도구를 하나 공유합니다. NexoPeek라는 Meta Quest용 VR 분자 실험실입니다. 솔직히 처음엔 마케팅 냄새가 날까 봐 조심스러웠는데, 직접 써보니 구조 데이터를 다루는 방식이 꽤 실용적이었습니다. 무엇보다 데이터 라우팅 계층이 흥미로웠습니다.

• 유전자 이름 하나로 RCSB PDB, UniProtKB, AlphaFold DB, SWISS-MODEL, PDBe를 검색하고, UniProt 유전자 동의어 해석과 모델 검증을 거쳐 구조가 인간 크기로 로드됩니다.
• Mol* 프리셋 6종으로 카툰, 볼앤스틱, 스페이스필 CPK, 분자 표면, B-factor 히트맵, 튜브 트레이스를 한 번에 전환합니다.
• 로컬 .pdb, .cif, .mol2, .gro, .xyz, .dx, .xtc, .py 파일을 정전기장선 지도·커스텀 결합 정의·전자밀도 볼륨과 함께 불러옵니다.
• AI 포켓 예측(PrankWeb / P2Rank 또는 내장 오프라인 엔진)이 약물 가능 부위를 표시하고, Foldseek 파이프라인이 상동 구조를 겹쳐 도메인 기능 보존을 확인시켜 줍니다.
• 시퀀스의 잔기 필을 누르면 구조 위에 3D 할로로 투영되고, 트리거로 두 원자를 집으면 옹스트롬 거리가 나옵니다. 리간드 인스펙터는 수소 결합 네트워크를 평가하고 PubChem에서 3D 리간드를 가져옵니다.

기술적으로 흥미로운 지점은 이겁니다. 워터마킹은 서열이라는 1차원 문자열에 출처 메타데이터를 심는 문제지만, 실제 검증은 3차원 접힘과 결합 부위에서 일어납니다. AI 생성 단백질이 늘어날수록, 구조 검증과 시각적 소통의 병목은 어디서 생길까요? 서열 워터마킹이 출처 문제를 풀어도, 구조 생물학자와 약물 탐색 연구자가 실제로 판단하는 과정은 여전히 수작업에 가깝습니다. VR이 그 병목을 줄이는 데 실제로 도움이 되는지, 아니면 데모용 그 이상은 아닌지 궁금합니다.

제품 페이지: https://www.meta.com/experiences/nexopeek/1453797551140347/

(교육 및 연구 시각화 소프트웨어이며, 의학적 조언·진단·치료가 아닙니다. 포켓 예측·정렬 기능은 검증된 파이프라인과 전문가 판단을 대체하지 않습니다. 저는 이 제품과 이해관계가 없으며, 순수하게 구조 시각화 워크플로우 관점에서 공유합니다.)