25.1%와 18.9%, 그리고 최대 25배. 국내 연구진이 내놓은 신약 개발 AI ‘케이폴드’가 내세우는 숫자예요. 특정 신약 표적 예측에서 구글 딥마인드의 ‘알파폴드3’를 앞선 수치들이에요.
KAIST ‘팀 KAIST’는 차세대 바이오 AI 모델 ‘K-Fold(케이폴드)’를 국내 독자 기술로 개발했다고 27일 밝혔어요. 과학기술정보통신부가 해외 기술 의존도를 낮추기 위해 추진하는 ‘AI 특화 파운데이션 모델 프로젝트’의 성과물이에요.
케이폴드는 단백질 구조뿐 아니라 단백질과 약물 후보 물질이 결합하는 구조까지 예측해 신약 후보 설계를 돕는 모델이에요. 단백질끼리, 항원·항체, DNA·RNA 등 여러 생체분자가 만드는 복합체 구조를 예측하는 게 핵심이거든요.
신약 개발은 자물쇠에 맞는 열쇠를 찾는 일과 비슷해요. 케이폴드는 질병 관련 단백질(자물쇠)의 모양을 정확히 그려내고, 여기에 잘 맞는 후보 물질(열쇠)까지 설계해 주는 셈이에요.
케이폴드의 설계 방식은 기존 모델과 출발점이 달라요. 알파폴드3를 비롯한 기존 구조 예측 모델들은 방대한 서열 데이터베이스를 매번 검색해 통계적으로 구조를 추정하는 ‘다중서열정렬’ 기법을 써요. 팀 KAIST는 대규모 사전학습을 통해 서열과 구조에 대한 이해를 모델 스스로 내재화하도록 설계해서, 별도의 사전 계산 작업을 크게 줄였어요. 이 차이가 추론 속도를 최대 25배까지 끌어올린 핵심이라고 해요.
연구 결과는 지난 6월 23일 열린 ‘2026 한국생체분자과학연합학술대회’에서 김우연 교수의 기조강연을 통해 처음 공개됐어요.
팀 KAIST가 이달 자체 수행한 성능 평가에서, 학습 데이터가 상대적으로 적은 ‘표적단백질분해(TPD)’ 약물의 삼중 복합체 구조 예측 정확도가 25.1%로 알파폴드3의 18.9%보다 높게 나왔어요. 암 등 여러 질환의 주요 표적인 G-단백질 연결 수용체(GPCR)와 인산화효소에서 표적 활성도 변화 예측 성능도 각각 11%, 13% 높았고, 평균 추론 시간은 최대 25배 이상 단축됐어요.
팀 KAIST는 김우연 화학과 교수가 연구를 총괄하고, 황성주·안성수 김재철AI대학원 교수가 AI 모델 개발을, 오병하·김호민·이규리 생명과학과 교수가 단백질 데이터 구축과 검증을 맡았어요. 김우연 교수는 이렇게 말했어요.
“케이폴드는 기존 모델을 따라가는 것이 아니라 새로운 AI 구조를 적용해 기존 방식의 한계를 뛰어넘기 위해 개발했다.”
케이폴드는 KAIST 교원창업기업 ‘히츠’의 AI 연구 플랫폼 ‘하이퍼랩’에 탑재됐어요. 연구자가 “이 단백질에 잘 결합하는 항체를 설계해줘”처럼 자연어로 요청하면 구조 예측부터 후보 설계와 계산·평가까지 단계적으로 지원돼요. 팀 KAIST는 케이폴드를 무료로 배포하고, 하이퍼랩은 국내외 연구자를 대상으로 베타 서비스를 제공한 뒤 올해 안에 상용 서비스로 확대할 계획이에요.
과기정통부가 이 프로젝트를 ‘소버린 바이오 AI’ 구축이라고 이름 붙인 건, 단순한 성능 경쟁 이상의 목표를 담고 있다는 신호로 읽혀요. 단백질 구조 예측처럼 데이터 의존도가 높은 분야에서 해외 모델에 끌려다니지 않겠다는 뜻이거든요. 케이폴드가 실제 제약 현장에서 신약 후보 발굴 시간을 얼마나 줄여 줄지, 그리고 무료 배포를 통해 국내외 연구자들을 끌어모을 수 있을지가 앞으로의 관전 포인트가 될 것 같아요.
- 원문: 동아사이언스 — 국산 신약 개발 AI ‘K-Fold’ 공개…일부 성능 ‘알파폴드3’ 앞섰다
- 작성: sw4u 9시뉴스 안나영 / 2026-08-28 09:14