Protenix-v1: Toward High-Accuracy Open-Source Biomolecular Structure Prediction

이 논문은 AlphaFold3 보다 우수한 성능을 달성한 최초의 완전 오픈소스 구조 예측 모델인 Protenix-v1 을 소개하고, 추론 시간 확장성, 템플릿 및 RNA 지원, 더 큰 데이터셋으로 학습된 변형 모델 출시, 그리고 개선된 벤치마킹 도구를 통해 생체분자 구조 예측 분야의 새로운 기준을 제시합니다.

핵심

프로테닉스-v1: 생명의 설계도를 그리는 '오픈소스 천재'의 등장

이 논문은 **Protenix-v1(프로테닉스-v1)**이라는 새로운 인공지능 모델을 소개합니다. 이 모델은 생물학의 가장 어려운 문제 중 하나인 "단백질과 같은 거대 분자가 어떤 3D 모양을 가질까?"를 예측하는 일을 합니다.

기존에 이 분야에서 가장 강력한 모델은 구글의 'AlphaFold3(알파폴드3)'였는데, 이는 비밀스러운 블랙박스처럼 작동했습니다. 반면, Protenix-v1은 완전히 공개된 오픈소스이면서도, 알파폴드3와 똑같은 조건에서 동등하거나 더 뛰어난 성능을 보여줍니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드리겠습니다.

---

1. 핵심 비유: "비밀 레시피 vs 공개된 명품 요리사"

생각해 보세요. AlphaFold3는 세계 최고의 요리사지만, 그가 어떤 재료를 쓰는지, 어떤 비법을 쓰는지 알려주지 않는 비밀스러운 레스토랑입니다. 우리는 그가 만든 요리의 맛만 보고 "와, 정말 맛있다!"라고 감탄할 뿐입니다.

반면, Protenix-v1은 모든 레시피와 재료를 공개한 오픈소스 요리사입니다.

• 동일한 조건: 이 논문은 "우리가 알파폴드3와 똑같은 재료(데이터)와 똑같은 시간(계산 비용)을 썼다"고 강조합니다.
• 결과: 놀랍게도, 공개된 레시피를 가진 Protenix-v1이 비밀 레시피를 가진 알파폴드3와 동일하거나 더 맛있는 요리(더 정확한 구조 예측)를 만들어냈습니다.
• 의미: 이제 누구나 이 '명품 요리사'의 기술을 배워 새로운 약을 개발하거나 질병을 연구할 수 있게 된 것입니다.

2. "생각할수록 더 똑똑해지는" 특징 (추론 확장)

Protenix-v1 의 가장 놀라운 특징은 시간과 노력을 더 들일수록 성능이 좋아진다는 점입니다.

• 비유: 시험을 볼 때, 한 번만 풀고 답을 내는 학생도 있지만, Protenix-v1은 문제를 여러 번 풀고, 실수를 고치고, 다양한 각도에서 생각해 볼수록 정답을 맞힐 확률이 높아집니다.
• 실제 적용: 특히 항체와 항원처럼 매우 복잡한 문제를 다룰 때, 컴퓨터 자원을 조금 더 써서 (예: 100 번의 시뮬레이션) 여러 번 시도하면, 예측 정확도가 지수적으로 향상됩니다. 이전 오픈소스 모델들은 이런 '노력 보상' 기능이 거의 없었는데, Protenix-v1은 알파폴드3처럼 이 능력을 갖췄습니다.

3. 새로운 도구와 업그레이드

이 모델은 단순히 예측만 잘하는 것이 아니라, 실제 연구에 필요한 새로운 도구도 함께 제공합니다.

• RNA 이해: 이전 모델들은 주로 단백질만 잘 봤다면, Protenix-v1은 **RNA(유전 정보 전달자)**와의 상호작용도 함께 이해할 수 있습니다.
• 템플릿 활용: 마치 건축가가 기존 건물의 설계도를 참고하듯, 이미 알려진 유사한 구조를 참고하여 더 정확한 예측을 합니다.
• 두 가지 버전:
  1. Protenix-v1: 공정한 비교를 위해 과거 데이터로만 훈련된 '시험용' 버전.
  2. Protenix-v1-20250630: 최신 데이터 (2025 년 6 월 기준) 까지 포함해 훈련된 '실전용' 버전. 신약 개발처럼 최신 정보가 중요한 현장에서는 이 버전이 더 강력합니다.

4. 공정한 시험을 위한 노력 (벤치마크 개선)

논문은 단순히 모델 성능을 자랑하는 것을 넘어, 기존 평가 방식의 문제점도 지적했습니다.

• 문제: 기존 시험지 (벤치마크) 는 모델마다 풀 수 있는 문제가 달랐거나, 실패한 경우를 제외하고 점수를 매겨 공정하지 않았다는 것입니다. (예: A 학생은 쉬운 문제만 풀고 점수를 받았고, B 학생은 어려운 문제도 풀어야 했다.)
• 해결: Protenix-v1 팀은 모든 모델이 정확히 같은 문제집을 풀고, 같은 조건에서 점수를 매기는 새로운 평가 도구를 만들었습니다. 이를 통해 "누가 진짜로 더 잘하는가"를 투명하게 증명했습니다.

---

요약: 왜 이것이 중요한가요?

1. 민주화: 최고의 생물학 예측 기술을 누구나 무료로 쓸 수 있게 되었습니다.
2. 신뢰성: 비밀스러운 블랙박스 대신, 검증 가능한 오픈소스 기술이 등장했습니다.
3. 실용성: 더 많은 컴퓨터 자원을 투자하면 더 좋은 결과를 얻을 수 있어, 신약 개발이나 질병 연구에 실질적인 도움이 됩니다.
4. 미래: 이 모델은 오픈소스 생태계의 새로운 기준이 되어, 앞으로 더 많은 과학자들이 함께 발전시킬 수 있는 토대를 마련했습니다.

한 줄 요약: "비밀스러운 천재 요리사 (AlphaFold3) 와 맞먹는 맛을 내면서, 레시피를 모두 공개하고 누구나 함께 요리할 수 있게 만든 새로운 오픈소스 요리사 (Protenix-v1) 가 등장했습니다."

기술 요약

Protenix-v1: 고정밀 오픈소스 생체분자 구조 예측을 위한 기술 요약

1. 문제 정의 (Problem)

생체분자 구조 예측은 기초 생물학 연구 및 신약 개발에 필수적이지만, 현재 다음과 같은 주요 문제들이 존재합니다.

• 성능 격차: 오픈소스 생태계는 빠르게 성장하고 있으나 (예: Chai-1, Boltz-1 등), 여전히 폐쇄형 모델인 AlphaFold3와의 성능 격차가 존재합니다.
• 비투명성: AlphaFold3 와 같은 폐쇄형 모델은 학습 데이터, 모델 아키텍처, 추론 비용 등이 공개되지 않아 체계적인 비교와 공정한 평가가 어렵습니다.
• 평가 방법론의 한계: 기존 벤치마크 (FoldBench 등) 는 모델별 추론 실패 (OOM 등) 로 인해 평가 대상 데이터의 교집합이 불일치하거나, 표본 수 부족으로 인한 통계적 변동성이 커서 모델 간 비교가 왜곡되는 문제가 있었습니다.

2. 방법론 (Methodology)

Protenix-v1 은 AlphaFold3 와 동일한 학습 데이터 컷오프 (2023 년 1 월 기준), 모델 규모, 추론 예산 하에서 AlphaFold3 수준 이상의 성능을 달성하기 위해 설계되었습니다.

• 모델 아키텍처 및 기능:
  • 확산 기반 (Diffusion-based) 추론: AlphaFold3 와 유사한 하이퍼파라미터 설정을 따릅니다.
  • 입력 특징 확장: 단백질 템플릿 통합, RNA MSA(다중 서열 정렬) 지원 등을 포함하여 다양한 생체분자 (단백질, RNA, DNA, 리간드) 를 처리할 수 있습니다.
  • 데이터 증류: AlphaFold3 의 학습 데이터 구성 요소와 더 완벽하게 정렬되었으며, MGnify 기반 대규모 모노머 증류 및 무질서 (disorder) 중심 증류 기법을 적용했습니다.
• 추론 시간 스케일링 (Inference-Time Scaling):
  • 기존 오픈소스 모델에는 부재했던 추론 시 샘플링 예산 증가에 따른 성능 향상 특성을 구현했습니다.
  • 난이도가 높은 표적 (예: 항체 - 항원 복합체) 에 대해 샘플 수를 늘리면 (예: 100 개 시드), 예측 정확도가 로그 선형적으로 지속적으로 개선됩니다. 이는 사용자가 계산 비용과 정확도 간의 트레이드오프를 명시적으로 조절할 수 있게 합니다.
• 평가 프레임워크 개선:
  • 공정한 비교를 위한 교집합 평가: 모든 모델이 성공적으로 평가된 샘플의 '공통 교집합 (Common Intersection)'만을 기준으로 성능을 측정하여 데이터 편향을 제거했습니다.
  • 부트스트래핑 (Bootstrapping): 데이터가 부족한 영역 (항체 - 항원 등) 에서 무작위성에 의한 변동을 줄이기 위해 다수의 시드 (20 개) 를 사용한 부트스트래핑 평가를 도입했습니다.
  • 새로운 벤치마크: 연도별 (PXM-2024, PXM-2025) 및 특정 작업별 (PXM-22to25-Antibody/Ligand) 로 세분화된 대규모 테스트 세트를 구축했습니다.

3. 주요 기여 (Key Contributions)

1. 최초의 AlphaFold3 수준 오픈소스 모델: 제한된 데이터와 자원 하에서 AlphaFold3 를 능가하거나 동급의 성능을 보이는 최초의 완전 오픈소스 모델 (Protenix-v1) 을 공개했습니다.
2. 추론 시간 스케일링 특성 규명: 오픈소스 모델에서도 계산 자원을 늘림으로써 성능을 극대화할 수 있음을 증명했습니다.
3. 실용적 모델 변형 (Protenix-v1-20250630): 신약 개발 등 실제 응용을 위해 2025 년 6 월 30 일까지의 데이터를 포함하여 학습된 변형 모델을 추가로 공개했습니다. 이는 최신 PDB 구조에 대한 일반화 성능을 향상시킵니다.
4. 평가 방법론의 혁신: 기존 벤치마크의 한계를 지적하고, 데이터 불일치를 보정하고 분산을 고려한 새로운 평가 도구 및 벤치마크 (PXM 시리즈) 를 제공하여 투명하고 재현 가능한 평가를 가능하게 했습니다.

4. 결과 (Results)

다양한 벤치마크 (FoldBench, PXM-2024/2025, Runs-N-Poses 등) 에서 Protenix-v1 은 기존 오픈소스 모델들을 압도하는 성능을 보였습니다.

• 전반적 성능:
  • FoldBench: 단백질 - 단백질, 항체 - 항원 인터페이스 예측에서 AlphaFold3 보다 높은 정확도를 기록했습니다. (단, 단백질 - 리간드 및 DNA 도킹에서는 AlphaFold3 가 우세함)
  • PXM-2024/2025: 모든 도메인 (단백질, RNA, DNA, 리간드) 에서 기존 오픈소스 모델 (Chai-1, Boltz-1 등) 보다 일관되게 우수한 성능을 보였습니다. 특히 단백질 - 단백질 인터페이스 예측에서 기존 최상위 오픈소스 모델 대비 약 10% 의 상대적 개선을 달성했습니다.
• 신뢰도 기반 선택 (Confidence-based Selection):
  • ipTM, pTM, pLDDT 등의 신뢰도 점수를 기반으로 구조를 선별하면, 중앙값 (Median) 대비 항체 - 항원 및 단백질 - DNA 인터페이스에서 10~30% 의 성능 향상을 보였습니다.
• 추론 스케일링 효과:
  • 항체 - 항원 벤치마크 (PXM-22to25-Antibody) 에서 샘플 수를 1 개에서 80 개로 늘렸을 때, DockQ 성공률 (SR) 이 36.01% 에서 47.68% 로 크게 향상되었습니다.
• 신약 설계 필터링:
  • 실험적으로 확인된 바인더 데이터를 이용한 필터링 평가에서 Protenix-v1 은 거의 모든 타겟에서 가장 높은 AUC 와 평균 정밀도 (Average Precision) 를 기록하여 신약 후보물질 선별 도구로서 우수함을 입증했습니다.
• Protenix-v1-20250630: 최신 데이터로 학습된 이 모델은 항체 - 항원 작업에서 Protenix-v1 보다 훨씬 높은 성능을 보여주며, 데이터가 부족한 영역에서 데이터 스케일링의 가치를 입증했습니다.

5. 의의 및 결론 (Significance)

• 오픈소스 생태계의 도약: Protenix-v1 은 폐쇄형 모델 (AlphaFold3) 과의 성능 격차가 근본적인 것이 아님을 증명하며, 오픈소스 모델이 생체분자 구조 예측 분야에서 실용적이고 강력한 대안이 될 수 있음을 보여줍니다.
• 신뢰할 수 있는 평가 기준 제시: 기존 벤치마크의 통계적 결함을 지적하고, 교집합 평가 및 부트스트래핑을 통한 공정한 비교 프로토콜을 제안함으로써 향후 연구의 기준을 마련했습니다.
• 실무 적용 가능성: 추론 시간 스케일링을 통한 성능 조절 기능과 최신 데이터 기반 모델 (20250630) 은 신약 개발 등 실제 산업 응용 분야에서 높은 가치를 제공할 것으로 기대됩니다.

이 논문은 Protenix 시리즈의 탄탄한 기반을 마련했을 뿐만 아니라, 확장 가능한 추론, 평가 방법론, 그리고 실제 배포에 대한 향후 연구 방향을 제시한다는 점에서 의의가 큽니다.