MIT 6.S184 강의 정리: 확산 모델로 단백질을 설계하는 법과 RFdiffusion의 성과
MIT 확산 모델 강의의 초청 강연 정리. 단백질 구조를 확산 모델로 생성하는 원리와 평가 방법, 결합 단백질 설계의 실험적 성공률을 0.1%대에서 30%까지 끌어올린 RFdiffusion의 성과를 함께 다뤘다.
핵심 내용 읽기 →
AI TOPIC
단백질설계 최신 뉴스와 핵심 해설
단백질설계 관련 핵심 뉴스와 활용 인사이트 6편을 최신순으로 모았습니다.
단백질 생성 모델의 숨은 편향: 설계 가능성 지표가 만들어내는 구조 공간의 공백과 대가
RFdiffusion을 비롯한 단백질 구조 생성 모델을 벤치마크하자, 실험으로 확인된 자연 단백질의 40~60%가 설계 가능성 검사에서 탈락했다. 평가 지표가 만들어낸 구조 공간의 공백과 그 대가를 스탠퍼드 연구진이 짚는다.
핵심 내용 읽기 →
PEINT: 단백질 진화를 시간으로 조절해 생성하는 딥러닝 모델, 버클리 세미나 정리
UC 버클리 연구진이 발표한 PEINT는 진화 시간을 다이얼처럼 조절해 새로운 단백질 서열을 생성한다. 자리의 70%가 바뀌어도 구조 예측 신뢰도가 유지됐고, 실험실 검증에서 효소 기능까지 살아남았다.
핵심 내용 읽기 →
알파폴드2·ProteinMPNN·RFdiffusion으로 보는 AI 단백질 설계 파이프라인 정리
버클리 세미나 강연을 토대로 단백질 구조 예측(알파폴드2), 역폴딩(ProteinMPNN), 골격 생성(RFdiffusion)이 어떻게 하나의 단백질 설계 파이프라인으로 이어지는지, 각 모델의 작동 원리와 한계를 함께 정리했다.
핵심 내용 읽기 →
확산 모델로 단백질 설계하는 AI, MIT 6.S191 강의로 본 EvoDiff 원리
MIT 6.S191 강의에서 마이크로소프트 리서치 연구자가 이미지 생성에 쓰이던 확산 모델을 단백질 서열에 옮긴 EvoDiff를 소개했다. 노이즈를 새로 정의한 방법과 실제 실험실에서 검증한 결과까지 정리했다.
핵심 내용 읽기 →
AI가 설계한 유전자가위: 자연에 없던 CRISPR 인공 효소, 원본을 능가하다 (Science)
AI로 3차원 구조는 유지하되 아미노산 서열을 새로 짠 인공 유전자가위가 인간 세포에서 원본보다 더 잘 잘랐다. Doudna 연구팀의 Science 논문을 쉽게 풀어본다.
핵심 내용 읽기 →