병목은 "무엇을 만들지 설명하는 일"이었다
de novo 단백질 설계의 오랜 병목은 모델의 성능이 아니라, 설계를 시작하는 방식에 있었다. 기존 설계 모델은 원하는 특성마다 전용 입력 형식을 요구했다. 구조적·기능적 목표를 모델이 이해하는 형식으로 번역하는 작업 자체가 전문가의 영역이었다.
워싱턴대(데이비드 베이커, 한나 하지시르지, 팡 웨이 코 연구진)가 10월 9일 arXiv에 공개한 Prompteina는 이 번역 단계를 없앤다. 자연어 프롬프트를 직접 받아 단백질의 전체 원자(all-atom) 구조를 생성하는 최초의 모델이다. 텍스트-이미지 생성 모델이 문장으로 장면을 그리듯, 문장으로 단백질을 설계한다.
180만 구조와 5000만 캡션
Prompteina의 기반은 Prompteina-Data다. 180만 개의 단백질 구조에 전체·잔기 단위의 구조적·기능적 특성을 기술한 5000만 개 이상의 캡션을 짝지은 데이터셋이다. 기존 구조 생성 모델 Proteina-Complexa를 텍스트 조건 사전학습과 텍스트–잔기 정렬 미세조정으로 개조했다.
성능은 이렇다. 18개 구조 특성 중 15개에서 베이스라인을 상회했고, 바인더 설계에서는 20개 타깃 중 13개 이상에서 앞섰다. 인터페이스 신뢰도는 최강 베이스라인 대비 14% 높았고, 반복적 in silico 피드백을 거치면 가장 어려운 타깃에서 비반복 생성 대비 이득이 57% 더 커졌다.
Wet-lab: GM2A에 9개의 바인더
계산 벤치마크를 넘어서는 대목이 있다. GM2A라는 타깃에 대한 실험 검증이다. GM2A는 지금까지 de novo 바인더가 보고된 적 없는 타깃으로, 이전의 30개 설계 캠페인에서는 한 건의 히트도 나오지 않았다.
Prompteina는 이 타깃에 89개 설계를 발현·측정해 9개의 바인더를 찾아냈다. 그 중 6개는 서브마이크로몰러(sub-micromolar) 수준이었고, 가장 강한 결합의 겉보기 해리상수(KD)는 107 nM, 단일 최고 측정치는 68.8 nM이었다. 초기 약물 탐색에서 진지하게 주목받는 범위의 친화도다.
GM2A는 단순한 모델 타깃이 아니다. 이 단백질의 결핍은 극희귀질환인 GM2 활성화인자 결핍증(GM2 activator deficiency)을 일으킨다. 자연어 한 줄이, 지금까지 아무도 건드리지 못한 희귀질환 타깃의 바인더로 이어진 셈이다.
같은 주, 산업은 이미 베팅했다
같은 주에 Generate Biomedicines와 Zealand Pharma는 최대 12억 달러 규모의 딜을 발표했다. AI로 설계한 단백질 치료제를 비만·대사질환에 개발하는 내용이다(techtimes 보도 기준 10월 13일 발표). 단백질 설계 AI는 이제 연구실의 호기심이 아니라, 빅파마가 파이프라인을 쌓는 수단이다.
도메인 특화 AI의 관점에서 Prompteina가 던지는 질문은 명확하다. 모델의 성능이 좋아지는 것도 중요하지만, 그 능력을 '누가, 어떤 언어로' 쓸 수 있게 하느냐가 병목을 바꾼다. 단백질 설계의 인터페이스가 자연어가 되면, 희귀질환 타깃처럼 데이터가 적고 전문가가 드문 영역에서도 설계가 시작될 수 있다. 도메인 특화의 실체는 결국 이 인터페이스를 어떻게 여느냐에 달려 있다.
참고: Lee et al., "Designing Protein Structures from Natural Language", arXiv:2610.13917 (2026.10.9 게시, v2 10.13, NeurIPS 2026 채택). techtimes.com 보도(2026.10.14) 및 원문 초록을 바탕으로 작성.