항균 펩타이드 탐색은 빨라졌다. 구조를 이해하는 속도는 그대로인가
이번 주 뉴스레터는 딥마인드 소식 하나에서 시작합니다. 그리고 이번 호는 조금 다릅니다. 지난 몇 달 동안 저는 구조를 "읽는" 일과 구조를 "보는" 일 사이의 간극에 대해 계속 생각해 왔고, 마침 그 생각을 실제로 시험해 본 한 주였거든요.
이번 주의 신호
구글 딥마인드가 Google Antigravity for Science를 활용해 새로운 항균 펩타이드(antimicrobial peptides) 탐색을 가속하는 연구를 공개했습니다. 항생제 내성이 커지는 상황에서 신규 항균 펩타이드 후보를 빠르게 발굴하는 일은 매우 중요한 문제이고, 계산 파이프라인이 빨라진다는 것은 분명 의미 있는 진전입니다.
그런데 저는 이 뉴스를 읽으면서 다른 쪽이 궁금해졌습니다. 후보를 찾는 속도는 이렇게 빨라지는데, 정작 그 후보를 사람이 이해하고 설명하는 인터페이스는 얼마나 빨라졌을까요?
병목은 계산이 아니라 이해일지도 모른다
구조생물학 도구들은 수십 년간 발전해 왔습니다. PyMOL, ChimeraX, VMD 같은 도구는 이제 거의 모든 실험실의 표준이 됐죠. 하지만 대다수 사용자는 여전히 2D 모니터 앞에서 구조를 돌려 봅니다. 결합 포켓의 깊이, 리간드의 배향, 잔기 간 공간 관계는 평면에서 항상 번역을 거칩니다. 연구자에게는 익숙한 번역이지만, 학생에게는 진입 장벽입니다.
솔직히 말하면 저도 오래 그 번역에 기대어 살았습니다. 회전 단축키, 원근감 없는 깊이, 머릿속에서 다시 조립하는 3차원. 익숙해지면 할 수 있는 일이지만, 익숙해지기까지가 길죠. 논문용 그림 한 장을 뽑는 데 반나절이 걸리는 일도 흔합니다.
하나의 실험: 사람 크기로 걸어 들어가기
그래서 이번 주에는 실제로 헤드셋을 썼습니다. Seven Sportz의 NexoPeek은 Meta Quest용 VR 분자 실험실입니다. 단백질 구조를 사람 크기로 확대해, 그 안을 실제로 걸어 다니게 합니다. 손이나 컨트롤러로 분자를 잡고, 키우고, 직접 상호작용합니다.
기능을 나열하기보다, 제가 실제로 쓴 순서대로 적어 보겠습니다.
- 6개 기둥, 12개 내레이션 투어. Biotechnology Basics, Foundations of Life, Pathways & Interactions, Medicines in Action, Genetic Technologies, Green Biotech. 헤모글로빈 속 산소 결합, 해당과정의 포도당 분해, 트립신의 단백질 소화, 아스피린의 COX 효소 차단, CRISPR-Cas9의 DNA 편집을 직접 봅니다. 모든 투어는 PDB의 실제 구조 위에서 돌아갑니다.
- 전문가용 PDB 뷰어. 유전자 이름 하나로 RCSB PDB, UniProtKB, AlphaFold DB, SWISS-MODEL, PDBe를 검색합니다. UniProt 유전자 동의어 해석과 자동 모델 검증이 붙고, Mol* 프리셋 6종으로 cartoon, ball-and-stick, spacefill CPK, molecular surface, B-factor heat, tube trace 표현을 한 번에 전환합니다. 로컬
.pdb,.cif,.mol2,.gro,.xyz,.dx,.xtc,.py파일에 정전기장선 지도와 전자밀도 볼륨을 얹을 수 있습니다. - 분석 벤치. AI 포켓 예측(PrankWeb / P2Rank 또는 오프라인 엔진), Foldseek 기반 상동 구조 정렬, Ligand Inspector의 수소 결합망 추적과 PubChem 리간드 로딩, 두 원자를 트리거로 집어 옹스트롬 단위 거리를 재는 계산기. 사슬별 아미노산 서열을 스크롤하고 잔기 '알약'을 탭하면 3D 후광이 뜹니다.
- Room View. 분자를 실제 방 안으로 띄우고 벽면 메뉴는 그대로 씁니다. 이게 의외로 컸습니다. 화면 밖으로 나온 구조를 보니, 옆 사람에게 설명하기가 훨씬 쉬웠습니다.
아키텍처 노트: 왜 이렇게 나눴을까
기술 블로그답게 한 가지 짚자면, 이건 "VR이 2D를 대체한다"는 이야기가 아닙니다. 인터페이스 설계의 문제입니다.
- 입력 정밀도 vs. 표현력. 트리거로 원자를 집어 거리를 재는 방식은 마우스 클릭보다 정밀도가 낮습니다. 대신 결합 포켓의 깊이와 배향은 번역 없이 전달됩니다. 도구가 잘하는 것과 못하는 것이 명확히 갈립니다. 정밀 측정은 2D에서, 공간 이해는 몰입형에서.
- 클라우드 vs. 온디바이스. 포켓 예측이 PrankWeb/P2Rank 클라우드와 오프라인 엔진 두 갈래로 나뉘는 건 정직한 설계입니다. 민감한 구조는 로컬에서, 무거운 계산은 클라우드에서. 네트워크가 끊겨도 뷰어는 살아 있다는 뜻이기도 하죠.
- 검색 라우팅. 여러 리포지토리를 하나의 키워드 캐스케이드로 묶는 건 지루하지만 실제로 사람을 살리는 엔지니어링입니다. 유전자 동의어 문제는 논문을 쓰는 사람이라면 다 압니다. "이 유전자가 저 데이터베이스에서는 다른 이름" — 이걸 손으로 해결하는 데 하루가 사라집니다.
- 표현 프리셋. Mol* 프리셋 6종을 한 번에 전환하는 건 사소해 보이지만, cartoon과 surface를 오가며 결합 부위를 확인하는 워크플로에서 클릭 수를 수십 번 줄여 줍니다. 작은 최적화가 반복 작업에서 큰 차이를 만듭니다.
개발자 관점에서 본 트레이드오프
여기서 한 걸음 더 들어가 보겠습니다. 몰입형 도구를 만들 때 가장 어려운 결정은 "무엇을 안 만들 것인가"입니다.
- 파일 포맷 지원의 폭.
.pdb부터.xtc까지 지원한다는 건 트레이드오프입니다. 포맷이 늘어날수록 로더의 복잡도와 검증 부담이 커집니다. 그럼에도 트레이젝토리(.xtc)와 격자 데이터(.dx)를 지원하는 건, 정적 구조만 보는 사람이 아니라는 뜻입니다. 시뮬레이션 결과를 들여다보는 사용자까지 염두에 둔 셈이죠. - AI 예측의 위치. AI 포켓 예측을 뷰어 안에 넣는 건 양날의 검입니다. 편하지만, 사용자가 그 결과를 검증 없이 믿을 위험이 있습니다. 그래서 "보조 수단"이라는 포지션이 중요합니다.
- 몰입형 렌더링의 비용. 사람 크기로 확대한 분자는 수만 개의 원자를 실시간으로 그립니다. 이건 순수하게 GPU 예산과의 싸움입니다. 프리셋을 나눠 둔 것도, 모든 표현을 동시에 켜면 프레임이 무너지기 때문입니다.
정직하게 말해 둘 것
이 도구가 계산 파이프라인을 대체하지 않습니다. NexoPeek은 교육 및 연구 시각화용 소프트웨어이며, 의학적 조언·진단·치료가 아닙니다. 포켓 예측과 정렬은 보조 수단이고, 검증된 과학 파이프라인과 전문가의 판단을 대신할 수 없습니다. 연구 결과는 실행 전에 1차 문헌과 검증된 방법으로 확인해야 합니다.
구독자에게 묻습니다
여러분은 구조를 몰입형 환경에서 검토해 본 적이 있나요? 교육에서 실제로 이해도를 높였다고 느끼셨는지, 아니면 결국 논문용 2D 도구로 돌아오게 되는지 — 댓글로 알려 주세요. 저는 아직 양쪽을 다 쓰고 있습니다. 그리고 그게 지금으로서는 정직한 답인 것 같습니다.
제품 페이지: https://www.meta.com/experiences/nexopeek/1453797551140347/
— 다음 호에서는 몰입형 환경에서의 구조 검토가 실제 워크플로에 자리 잡을 수 있는지, 그리고 그때 어떤 데이터가 로컬에 남아야 하는지 살펴보겠습니다.
