OpenFold3 on Amazon SageMaker JumpStart: Predict biomolecular structures
Quick Summary
OpenFold3 preview는 Amazon SageMaker JumpStart의 비동기 추론 엔드포인트에서 생체분자와 복합체의 3D 구조를 예측하며, 네트워크 격리와 유휴 시 인스턴스 0개 축소를 지원하는 연구 프리뷰 모델이다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약
OpenFold3-preview는 Amazon SageMaker JumpStart의 비동기 추론 엔드포인트에서 생체분자와 복합체의 3D 구조를 예측하며, 네트워크 격리와 유휴 시 인스턴스 0개 축소를 지원하는 연구 프리뷰 모델이다.
📌 핵심 요약
- OpenFold Consortium과 Columbia University의 AlQuraishi Lab이 개발한 OpenFold3는 단백질·DNA·RNA 서열과 SMILES 형식의 소분자 리간드를 입력받아 복합체의 전체 원자 3D 구조를 예측한다. 소개된 버전은 OpenFold3 0.4.1과 of3-p2-155k 체크포인트이며, 코드와 가중치는 Apache 2.0으로 공개된다.
- OpenFold3는 예측 구조를 mmCIF 형식으로 제공하고 pLDDT·PAE·PDE 신뢰도 지표를 출력한다. 표적 및 복합체 구조 예측, 단백질–리간드 공동 접힘, 항체·단백질 공학, 대량 예측 파이프라인에 활용할 수 있지만 OpenFold3-preview는 연구 프리뷰로 소개된다.
- 구조 예측은 입력의 사슬 수와 길이에 따라 수분이 걸릴 수 있어, 요청당 60초 제한이 있는 실시간 엔드포인트 대신 SageMaker Asynchronous Inference를 사용한다. 요청을 Amazon S3에 올린 뒤 InvokeEndpointAsync로 제출하며, 호출 제한 시간은 최대 1시간이고 결과나 오류도 S3에 기록된다.
- JumpStart 모델 ID는 huggingface-proteinfolding-openfold3이며, 지원 인스턴스는 ml.g6.2xlarge·ml.g6.4xlarge·ml.g6.12xlarge이고 기본값은 ml.g6.4xlarge다. 배포에는 SageMaker Python SDK v3, 실행 역할과 관련 IAM 권한, 인스턴스 할당량, 모델 라이선스 동의가 필요하다.
- AWS 관리 컨테이너와 엔드포인트가 요청 대기열과 GPU 워밍업을 처리하며, 자동 확장과 유휴 시 인스턴스 0개 축소를 구성할 수 있다. 네트워크 격리는 서열을 AWS 계정 안에 유지하는 데 도움을 주지만, 요청·결과가 저장되는 Amazon S3에도 접근 제한·암호화·보존 기간 관리가 필요하고 실행 중인 인스턴스는 유휴 상태에도 과금된다.
🧩 주요 포인트
- 구조 예측의 긴 처리 시간 → 비동기 추론의 대기열과 최대 1시간 호출 제한이 수분 단위 작업 및 대량 제출에 적합하다.
- AWS 관리 컨테이너와 인스턴스 0개 축소 → GPU 운영 부담과 유휴 비용을 줄일 수 있지만 IAM 권한·인스턴스 할당량·확장 설정은 별도로 준비해야 한다.
- Apache 2.0 공개 모델과 네트워크 격리 → 모델 검토·미세 조정과 계정 내 서열 처리에 유리하나, 연구 프리뷰라는 상태와 Amazon S3의 데이터 보호 요구를 함께 고려해야 한다.
🧠 상세 정리
1. OpenFold3의 예측 범위와 공개 조건
OpenFold3는 OpenFold Consortium과 Columbia University의 AlQuraishi Lab이 개발한 전체 원자 수준의 생체분자 구조 예측 모델로, 여러 분자의 서열에서 공동 3D 구조를 예측한다. 단일 단백질 사슬에 한정되지 않고 다중 사슬 단백질 복합체, 단백질–핵산 조립체, 단백질–리간드 복합체를 하나의 예측으로 처리할 수 있다. 입력은 단백질·DNA·RNA 서열과 SMILES 형식의 소분자 리간드이며, 출력은 mmCIF 구조와 pLDDT·PAE·PDE 신뢰도 지표다. 소개된 구성은 OpenFold3 0.4.1과 of3-p2-155k 체크포인트이고, 개발진은 코드와 모델 가중치를 Apache 2.0으로 공개하며 학습 데이터와 방법도 공개한다. 연구기관과 제약회사는 해당 라이선스 조건에 따라 모델을 검토하고 미세 조정하거나 확장할 수 있지만, 개발진이 OpenFold3-preview를 연구 프리뷰로 설명한다는 점은 함께 고려해야 한다.
2. 신약 개발 활용과 운영상의 어려움
원문은 계산 기반 신약 개발팀이 구조 예측을 표적 식별, 항체·단백질 공학, 구조 기반 가상 스크리닝의 핵심 작업으로 사용한다고 설명한다. 실험 구조가 없는 표적과 복합체를 예측하거나, 단백질과 소분자를 함께 접어 구조 기반 설계에 사용할 결합 자세 가설을 만드는 것이 대표적인 활용이다. 설계한 변이체의 구조와 후보 간 신뢰도를 비교할 수 있고, 대량 예측 작업을 자동 확장 엔드포인트에 제출한 뒤 Amazon S3에서 결과를 처리할 수도 있다. 다만 이러한 모델을 직접 운영하려면 GPU 인프라, 정상 작동하는 CUDA·PyTorch 환경, 대규모 체크포인트, 수분 단위 요청을 처리하는 서빙 계층이 필요하다. SageMaker JumpStart는 AWS가 유지하는 컨테이너와 관리형 SageMaker AI 엔드포인트를 제공해 이 부담의 상당 부분을 맡으며, 요청 대기열과 GPU 워밍업을 처리하고 자동 확장을 추가할 수 있게 한다.
3. 비동기 추론을 사용하는 이유
대규모 언어 모델과 임베딩 모델 등 많은 JumpStart 모델은 단일 요청 안에서 응답을 반환하는 실시간 엔드포인트를 사용하지만, 이 방식에는 요청당 60초 제한이 있다. 구조 예측은 질의에 포함된 사슬의 수와 길이가 늘어날수록 처리 시간이 증가하고 실제 단백질과 복합체에는 수분이 걸리는 경우가 많아, OpenFold3는 SageMaker Asynchronous Inference로 제공된다. 사용자는 요청을 Amazon S3에 업로드하고 InvokeEndpointAsync를 호출해 즉시 제출 응답을 받으며, 엔드포인트는 요청을 대기열에 넣고 최대 1시간의 호출 제한 시간 안에서 처리한다. 결과 또는 오류 상세는 지정한 S3 위치에 기록되고, 사용자는 이를 폴링하거나 Amazon SNS 알림을 받을 수 있다. 내부 대기열은 별도 작업 대기열 없이 대량 서열을 제출할 수 있게 하고, 대기열이 비면 인스턴스를 0개로 축소할 수 있어 실험 사이의 유휴 인스턴스 비용을 줄이는 데 도움이 된다.
4. 권한·개발 환경·할당량 준비
실습에는 AWS 계정과 SageMaker AI 실행 역할이 필요하며, 실행 역할의 S3 읽기·쓰기 권한은 최소 권한 원칙에 따라 요청과 결과에 사용하는 접두사로 제한하도록 안내한다. 코드를 실행하는 주체에는 모델·엔드포인트 구성·엔드포인트의 생성, 조회, 호출, 삭제 권한과 실행 역할에 대한 iam:PassRole 권한이 필요하고, 선택적인 인스턴스 0개 축소 설정에는 AWS Application Auto Scaling 및 Amazon CloudWatch 경보 권한도 필요하다. 개발 환경은 SageMaker Studio, SageMaker 노트북 인스턴스 또는 로컬 IDE를 사용할 수 있으며, SageMaker Python SDK v3와 py3Dmol을 설치한다. 해당 AWS 리전에 최소 1개의 ml.g6.4xlarge 엔드포인트 인스턴스 할당량이 있어야 하고, 다중 GPU 예제를 따르려면 ml.g6.12xlarge 할당량도 필요하다. 운영 환경에서는 AmazonSageMakerFullAccess 같은 광범위한 관리형 정책 대신 대상 리소스로 권한을 한정하고, 실행 중인 엔드포인트는 유휴 상태에도 인스턴스 시간 기준으로 과금된다는 점을 반영해야 한다.
5. JumpStart 모델 탐색과 배포
SageMaker Studio의 JumpStart에서 OpenFold3를 검색하면 모델 설명, 라이선스, 지원 인스턴스 유형을 확인하고 전체 비동기 배포 과정을 담은 예제 노트북을 열 수 있다. SDK 예제는 JumpStartConfig에 모델 ID huggingface-proteinfolding-openfold3를 지정하고, 기본 인스턴스인 ml.g6.4xlarge에서 ModelBuilder로 모델을 구성한다. 이어 AsyncInferenceConfig에 결과와 실패 정보를 저장할 S3 경로를 각각 설정한 뒤 비동기 엔드포인트를 배포하며, accept_eula=True는 배포에 필요한 모델 라이선스 검토와 동의를 확인하는 설정이다. SageMaker Studio 밖에서 코드를 실행할 때는 ModelBuilder.from_jumpstart_config에 SageMaker 실행 역할의 role_arn도 전달해야 한다. 배포는 일반적으로 수분 안에 완료되고 InService 상태가 되기 전 각 GPU에서 짧은 예측으로 워밍업하지만, 리전에 따라 G6 용량이 부족해 InsufficientInstanceCapacity가 발생하면 나중에 재시도하거나 다른 지원 크기 또는 모델이 제공되는 다른 리전을 사용할 수 있다.
6. 서열과 예측 결과의 데이터 보호
OpenFold3 엔드포인트는 네트워크 격리 상태로 실행되며, 원문은 이를 서열을 사용자의 AWS 계정 안에 유지하는 데 도움이 되는 기능으로 설명한다. 그러나 요청과 결과는 Amazon S3에 저장되고 그 안에는 서열과 예측 구조가 포함되므로, 독점 서열을 다룰 때는 저장 데이터에 대한 보호도 함께 검토해야 한다. 원문은 전용 S3 버킷이나 접두사를 사용하고, 사용자가 관리하는 AWS KMS 키를 통한 서버 측 암호화를 고려하도록 안내한다. 결과를 해당 키로 암호화하려면 AsyncInferenceConfig의 kms_key_id에 키 ARN을 전달하며, 버킷 정책은 이 작업을 수행하는 역할만 접근할 수 있도록 제한한다. 또한 보관할 필요가 없는 요청과 결과 객체는 S3 Lifecycle 규칙으로 만료시키도록 제안하므로, 네트워크 격리와 저장소의 접근 권한·암호화·보존 기간을 함께 다루는 구성이 제시된다.
7. 질의 구성과 구조 예측 제출
예측 요청은 이름이 있는 하나 이상의 queries를 담은 JSON 문서이며, 각 질의의 chains 목록에 포함된 사슬은 하나의 복합체로 함께 접히고 서로 다른 질의는 독립적으로 예측된다. 각 사슬은 protein·dna·rna·ligand 중 하나인 molecule_type과 chain_ids를 가지며, 단백질·DNA·RNA에는 sequence를, 리간드에는 sequence 대신 smiles를 사용한다. 동일한 사슬의 여러 복사본을 지정하려면 chain_ids에 여러 식별자를 넣을 수 있으며, 원문은 동종이량체의 예로 A와 B를 제시한다. 실행 예제는 잘 알려진 76개 잔기의 인간 유비퀴틴을 대상으로 요청 JSON을 S3에 저장한 뒤, 해당 위치를 InputLocation으로 전달해 invoke_endpoint_async를 호출한다. 이때 ContentType은 application/json, InvocationTimeoutSeconds는 3600으로 설정하고, 즉시 반환되는 응답에서 결과 위치인 OutputLocation과 실패 기록 위치인 FailureLocation을 얻는다.
8. 결과 확인과 제공된 설명의 한계
제출 이후 예제 코드는 S3의 결과 위치와 실패 위치를 모두 확인하며, 15초 간격으로 최대 120회 반복해 약 30분 동안 결과를 기다린다. 실패 기록이 발견되면 그 내용을 오류로 표시하고, 대기 시간 안에 결과가 없으면 결과 위치를 확인하라는 시간 초과 오류를 발생시키므로, 이 폴링 대기 시간은 앞서 설정한 최대 1시간의 호출 제한과 구분된다. 잘못된 사슬 형식이나 지원하지 않는 MSA 이름처럼 유효하지 않은 입력은 구조 대신 status가 error인 결과 객체와 오류 메시지를 만들 수 있어, 결과 파일이 존재하는지뿐 아니라 내부 상태도 확인해야 한다. 원문은 ml.g6.4xlarge 테스트에서 작은 단백질이 큰 단백질보다 빨리 완료됐다고만 설명하며 구체적인 처리 시간이나 성능 수치는 제시하지 않는다. 제공된 본문은 결과 해석 절의 도입에서 잘려 있어, 앞부분에서 예고한 다중 GPU 병렬 예측, 자체 MSA 제공, 인스턴스 0개 축소와 정리 절차의 상세 구현 및 신뢰도 지표 해석은 확인할 수 없다.
🧾 핵심 주장 / 시사점
- 비동기 추론의 가치는 긴 호출 제한뿐 아니라 대량 요청의 대기열 처리와 유휴 자원 축소를 같은 실행 방식으로 연결한다는 데 있다.
- Apache 2.0에 따른 검토·수정 가능성과 연구 프리뷰라는 배포 상태는 별개의 판단 요소이므로, 공개 조건만으로 모델의 적용 적합성을 확정할 수는 없다.
- 결과 파일 생성과 예측 성공은 같은 의미가 아니다. 실패 위치 확인과 결과 객체의 status 검사를 함께 수행해야 입력 오류까지 드러난다.
✅ 액션 아이템
- OpenFold3-preview 적용 전 연구 프리뷰 상태와 Apache 2.0 조건, 대상 생체분자 및 복합체의 예측 요구를 검토한다.
- ml.g6.4xlarge 배포에 필요한 IAM 권한·인스턴스 할당량을 확인하고, 비동기 추론과 인스턴스 0개 축소 설정을 검토한다.
- Amazon S3에 저장되는 서열과 예측 구조의 접근 제한·암호화·보존 기간을 설정한다.
❓ 열린 질문
- OpenFold3-preview의 연구 프리뷰 상태는 목표로 하는 표적 구조 예측이나 항체·단백질 공학 활용에 적합한가?
- 대상 구조 예측 작업의 처리 시간과 대량 제출 규모에 비동기 추론의 최대 1시간 호출 제한이 충분한가?
- Amazon S3의 접근 제한·암호화·보존 기간과 인스턴스 0개 축소를 어떻게 구성할 것인가?