[태그:] PyMOL
-
[구조생물학] AI 모델 간의 구조 품질 격차, 물리학 기반 리파인먼트 엔진으로 극복 가능할까? (RMSD 0.55Å의 증명)
최근 단백질 구조 예측 분야는 구글 딥마인드의 AlphaFold3(알파폴드3)를 필두로 한 대형 AI 모델들이 주도하고 있습니다. 하지만 이러한 고성능 독점 모델들은 높은 연산 비용과 까다로운 라이선스 제약이라는 장벽이 존재합니다. 반면 메타의 ESMFold 같은 오픈소스 기반 모델들은 속도가 압도적으로 빠르고 대량 생산이 가능하지만, 구조의 미세한 원자 배치나 물리적 무결성 면에서는 AlphaFold3에 비해 상대적으로 아쉬운 품질을 보여주는 것이…
-
[구조생물학/계산화학] 단백질 구조의 한계를 넘다: ‘초정밀 하이브리드 리파인먼트’의 개념과 과학적 당위성
구조생물학의 발전으로 고해상도 X-ray 결정 구조나 Cryo-EM 데이터가 신약 개발과 분자역학 시뮬레이션의 핵심 인프라로 자리 잡았습니다. 그러나 수많은 연구자가 실험실에서 규명된 PDB(Protein Data Bank) 구조를 그대로 실전 시뮬레이션이나 가상 도킹(Virtual Screening)에 투입할 때 예기치 못한 장벽에 부딪히곤 합니다. 실험 구조가 가진 불가피한 미시적 한계 때문입니다. ProteinMaker™는 이러한 실험 구조의 가치를 훼손하지 않으면서도 계산과학적 활용도를 극대화하기…
-
[Bioinformatics] 완벽을 넘어 정점으로: Top-tier X-ray 구조를 더 완벽하게 깎아내는 하이브리드 리파인먼트 파이프라인(HanJariFold V38.1) 가동기
안녕하세요. 구조생물학 및 계산화학을 연구하는 블로그입니다. 단백질 구조 정밀화(Structure Refinement) 파이프라인을 테스트할 때, 흔히 수행하는 벤치마크는 품질이 다소 떨어지는 모델(MolProbity 스코어 2.5~3.0 이상)을 정상 범주로 돌려놓는 예시입니다. 하지만 “이미 정점(Top-tier)에 도달해 있는 초고해상도 실험 구조를 가져와서, 실험 데이터 없이 물리 엔진의 힘만으로 미세한 스트레스까지 더 정밀하게 깎아낼 수 있을까?”라는 질문을 던진다면 어떨까요? 오늘은 자체 개발한…
-
[Bioinformatics] PyMOL을 활용한 소분자 화합물(Ligand) 구조 중첩 및 분석 가이드
단백질-리간드 복합체 연구에서 여러 유도체의 결합 모드를 비교할 때, 구조 중첩(Superposition)은 필수적인 과정입니다. 흔히 사용하는 ssm 명령어는 단백질 2차 구조 정렬에 최적화되어 있으므로, 소분자 화합물을 정교하게 겹치기 위해서는 리간드 특성에 맞는 별도의 방법이 필요합니다. 1. PyMOL 리간드 정렬 방법 (Structural Alignment) PDB 형식으로 생성된 화합물 모델들을 PyMOL에 불러온 뒤, 공통된 화학적 골격(Core Scaffold)을 기준으로 정렬하면…