ProteinMaker

[태그:] RMSD

  • [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…

  • 구조 생물학의 임계점을 넘다: 9W5I 복합체의 물리 엔진 기반 하이브리드 리파인먼트 리포트

    단백질 구조 규명 기술이 발전함에 따라, 실험적으로 얻어진 초기 모델의 기하학적 오류를 물리화학적 법칙에 맞게 정제(Refinement)하는 과정의 중요성이 더욱 커지고 있습니다. 본 리포트는 인체 내 핵심 고분자 복합체인 AGO2-miRNA-Hsp90-p23 성숙 복합체(PDB ID: 9W5I) 구조를 대상으로, 실험적 전자 밀도 맵의 제약 없이 오직 물리 엔진(HanJariFold)의 힘장(Force-field)만을 이용하여 수행한 기하학적 최적화(In-silico Geometry Optimization) 및 하이브리드 리파인먼트의 객관적…

  • [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…

  • [구조생물학/계산화학] Pim1 카이네이스 복합체(4JX7)의 핵심 도메인 타깃 초정밀 하이브리드 리파인먼트 완결 리포트

    단백질 카이네이스(Kinase) 도메인 연구에서 리간드-단백질 복합체 구조는 가상 스크리닝(Virtual Screening)과 분자역학 시뮬레이션의 핵심 인프라 데이터입니다. 실험 구조생물학 관점에서 결정(Crystal)을 안정적으로 성장시키기 위해 투입하는 기질 펩타이드 첨가제(Additive)나 N/C-말단 영역은 초기 구조 규명에 필수적인 요소입니다. 다만, 이후 이 구조를 유저들이 신약 개발 가상 도킹이나 분자역학 시뮬레이션 등 실전 가상 실험에 곧바로 활용할 때는 가장 중요한 약물 결합…

  • 생성형 AI 기반 단백질 설계의 최신 연구 및 산업 동향 분석 보고서

    1부: 생성형 AI 기반 단백질 설계의 혁신 사례 분석 1.1. 개요: 단백질 설계의 새로운 시대, AI의 등장 지난 몇 년간, AlphaFold와 같은 혁신적인 딥러닝 모델들은 단백질 구조 예측 분야에 혁명을 가져왔다. 이 모델들은 아미노산 서열만으로 단백질의 3차원 구조를 높은 정확도로 예측함으로써, 수십 년간 생명과학계의 난제였던 단백질 접힘(protein folding) 문제를 사실상 해결했다.1 그러나 이는 본질적으로 자연에…