Digital Crystallography: AI 시대의 실험 독립적 구조생물학을 위한 제안

단백질 구조 연구는 오랫동안 실험 구조를 중심으로 발전해왔다.
X-ray crystallography, cryo-EM, NMR은 구조생물학의 핵심 기반이며, 지금도 가장 강력한 구조 정보의 원천이다.

그러나 최근 AI 기반 구조 예측 기술의 발전은 새로운 질문을 만든다.

“실험 데이터 없이도, 연구 활용 가능한 수준의 구조를 만들 수 있는가?”

나는 이 방향성을 설명하기 위해 Digital Crystallography라는 개념을 제안한다.

What is Digital Crystallography?

Digital Crystallography는 다음을 목표로 하는 계산 중심 구조 생성 패러다임이다.

• AI 예측 구조를 출발점으로 사용
• 초정밀 refinement 수행
• 물리적 타당성 강화
• 실험 구조 수준 또는 그 이상 수준의 활용 가능성 확보
• 연구 및 설계에 직접 사용 가능한 구조 생성

핵심은 단순 prediction이 아니다.

Prediction → Refinement → Validation → Utility

를 하나의 파이프라인으로 보는 접근이다.

핵심 철학

Digital Crystallography는 실험 구조를 부정하지 않는다.

오히려 다음 질문을 던진다.

“실험 구조와 얼마나 같은가?” 보다
“얼마나 물리적으로 타당하고, 얼마나 잘 작동하는가?”

실제 단백질은 단일 구조가 아니라 ensemble이다.

실험 구조 역시 평균화, 제약 조건, 샘플 준비, 환경 효과 등의 영향을 받는다.

따라서 목표는:

실험 구조 모방이 아니라, experimentally competitive structural models 생성

이다.

제안하는 최소 품질 기준

Digital Crystallography 모델은 단순 geometry optimization 이상이어야 한다.

Geometry Quality

• MolProbity < 1.0
• Clashscore < 1
• Ramachandran outlier ≈ 0
• 정상 범위 Rama-Z

Structural Realism

• sidechain accuracy 유지
• packing quality 확보
• pocket geometry 보존
• confidence degradation 최소화
• backbone consistency 유지

Practical Utility

• docking 활용 가능
• design workflow 적용 가능
• downstream task 성능 개선
• refinement 재현성 확보

중요한 점: 더 예쁜 구조가 목표가 아니다

좋은 geometry만으로는 충분하지 않다.

Digital Crystallography의 목표는:

• physically plausible
• experimentally competitive
• practically useful

구조를 만드는 것이다.

미래 방향

이 개념이 맞는지 틀린지는 아직 모른다.

하지만 AI 구조 예측이 끝이 아니라 시작점이라면,

구조생물학은 앞으로:

prediction science

에서

structure engineering

으로 이동할 가능성이 있다.

Digital Crystallography는 그 변화에 대한 하나의 제안이다.