최근 발표된 연구 논문에서 새로운 인공지능(AI) 모델 'ProHiFlo'가 단백질 설계(de novo protein generation) 분야에서 주목할 만한 성과를 거두었습니다. 이 모델은 기존 확산(diffusion-based) 및 플로우 매칭(flow matching) 방식의 한계를 극복하며, 치료제 개발, 효소 공학, 합성 생물학 등 다양한 분야에 혁신적인 잠재력을 제시합니다.
ProHiFlo는 세 가지 핵심 혁신을 통해 단백질 생성의 정확도와 효율성을 동시에 높였습니다. 첫째, '거친 것에서 미세한 것으로(coarse-to-fine)' 접근 방식을 채택하여, 먼저 단백질 골격(backbone geometry)을 모델링한 후 모든 원자(all-atom) 좌표로 정밀화합니다. 이는 계산 비용을 절감하면서도 높은 정확도를 유지하게 합니다. 둘째, 사전 학습된 예측기(pretrained predictors)를 활용한 기능적 지침(functional guidance)을 통해, 모델을 재학습시키지 않고도 원하는 특성을 가진 단백질 생성을 유도할 수 있습니다. 셋째, 적응형 SE(3)-등변(equivariant) 아키텍처를 도입하여 다중 스케일(multi-scale) 처리를 효율적으로 수행합니다. 이러한 기술적 진보 덕분에 ProHiFlo는 기존 모델보다 4배 적은 샘플링 단계만으로도 최첨단 성능을 달성합니다.
실험 결과, ProHiFlo는 무조건적 생성(unconditional generation), 모티프 스캐폴딩(motif scaffolding), 기능적 설계(functional design) 등 다양한 단백질 생성 과제에서 우수한 성능을 보였습니다. 특히 효소 활성 부위 스캐폴딩(enzyme active site scaffolding)에서는 58.9%의 성공률을 기록하여, 기존의 강력한 모델인 RFDiffusion의 41.2% 성공률을 크게 앞질렀습니다. 이는 특정 기능을 수행하는 단백질을 더욱 정교하게 설계할 수 있게 됨을 의미하며, 신약 개발이나 새로운 효소 발굴과 같은 생명공학 연구에 실질적인 기여를 할 것으로 기대됩니다.