🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

SAIR는 100만 개 이상의 단백질–리간드 쌍에서 생성한 524만 개의 3차원 복합체와 실험 기반 IC₅₀ 값을 연결해, AI 신약 개발의 구조·효능 학습 데이터 부족을 해소하려는 공개 데이터셋이다.

📌 핵심 요약

• SandboxAQ가 공개한 SAIR는 100만 개 이상의 고유한 단백질–리간드 쌍을 공동 폴딩해 얻은 524만 개의 3차원 복합체를 수록하며, 각 구조를 ChEMBL 또는 BindingDB에서 선별한 IC₅₀ 측정값과 연결한다.
• 이 데이터셋은 CC BY 4.0 라이선스로 Hugging Face에서 무료 제공되며, 상업적·비상업적 연구개발과 모델 학습, 벤치마킹, 가상 스크리닝 및 분자 설계에 활용할 수 있다.
• SAIR 생성에는 Boltz1 모델, NVIDIA H100 GPU 760개와 13만 GPU 시간 이상이 투입됐으며, 인프라와 워크로드 최적화를 통해 GPU 계산 이용률 95% 이상을 달성하고 예상 3개월의 작업을 3주로 단축했다.
• 전체 예측 구조는 화학적 타당성과 물리적 개연성을 검사하는 PoseBusters로 검증됐고, 그중 97%가 모든 검사를 통과했다. 연구진은 실험적 점수 함수, 3차원 CNN, 그래프 신경망 등의 친화도 예측 방식도 함께 벤치마킹했다.
• 수록 단백질의 40% 이상은 PDB에 리간드 결합 여부와 관계없이 구조가 전혀 없는 표적이어서, SAIR는 이른바 암흑 단백질체 탐색과 표적 확장, 오프타깃 예측, 약물 재창출 연구를 위한 구조적 가설을 제공한다.

🧩 주요 포인트

1. SandboxAQ가 공개한 SAIR는 100만 개 이상의 고유한 단백질–리간드 쌍을 공동 폴딩해 얻은 524만 개의 3차원 복합체를 수록하며, 각 구조를 ChEMBL 또는 BindingDB에서 선별한 IC₅₀ 측정값과 연결한다.
2. 이 데이터셋은 CC BY 4.0 라이선스로 Hugging Face에서 무료 제공되며, 상업적·비상업적 연구개발과 모델 학습, 벤치마킹, 가상 스크리닝 및 분자 설계에 활용할 수 있다.
3. SAIR 생성에는 Boltz1 모델, NVIDIA H100 GPU 760개와 13만 GPU 시간 이상이 투입됐으며, 인프라와 워크로드 최적화를 통해 GPU 계산 이용률 95% 이상을 달성하고 예상 3개월의 작업을 3주로 단축했다.
4. 전체 예측 구조는 화학적 타당성과 물리적 개연성을 검사하는 PoseBusters로 검증됐고, 그중 97%가 모든 검사를 통과했다. 연구진은 실험적 점수 함수, 3차원 CNN, 그래프 신경망 등의 친화도 예측 방식도 함께 벤치마킹했다.
5. 수록 단백질의 40% 이상은 PDB에 리간드 결합 여부와 관계없이 구조가 전혀 없는 표적이어서, SAIR는 이른바 암흑 단백질체 탐색과 표적 확장, 오프타깃 예측, 약물 재창출 연구를 위한 구조적 가설을 제공한다.

🧠 상세 정리

1. SAIR가 공개된 배경과 핵심 구성

SandboxAQ가 2025년 9월 소개한 SAIR는 공동 폴딩된 단백질–리간드 3차원 구조와 실험적으로 측정된 IC₅₀ 값을 직접 연결한 공개 저장소다. 데이터셋에는 100만 개가 넘는 고유 단백질–리간드 쌍이 포함되며, 각 쌍마다 서로 다른 다섯 개의 공동 폴딩 구조를 생성해 총 524만 개의 복합체를 제공한다. 효능 표지는 ChEMBL 또는 BindingDB에서 선별한 IC₅₀ 측정값을 사용하므로, 구조 데이터만 제시하는 것이 아니라 분자 구조와 약물 효능을 함께 학습할 수 있게 한다. 저자들은 이를 해당 형태로 공개된 데이터 가운데 가장 큰 규모라고 설명하며, AI 기반 신약 설계를 오랫동안 제약해 온 구조·효능 결합 데이터의 부족을 해소하는 것이 핵심 목적이라고 밝힌다.

2. AI 신약 설계를 가로막아 온 구조와 효능 예측의 한계

신약 연구에서 기대하는 궁극적인 AI는 질병 경로를 입력받아 강력하면서도 독성이 낮고 효과적인 화합물을 빠르게 찾아내거나 설계하는 시스템이다. 그러나 이를 실현하려면 분자 구조만으로 효능과 독성 같은 핵심 약물 특성을 신뢰성 있게 예측할 수 있어야 하며, 현재는 이 능력이 주요 병목으로 남아 있다. 특히 분자의 3차원 형태는 기능과 운동, 다른 분자와의 상호작용을 좌우하므로 인간 단백질 표적에 결합할 후보물질을 판단할 때 매우 중요하다. 기존 데이터는 구조와 실제 결합 효능이 충분한 규모로 함께 제공되지 않았기 때문에, AI 모델의 학습과 일반화, 새로운 표적에 대한 적용 가능성이 제한돼 왔다. SAIR는 대규모 예측 구조에 검증된 IC₅₀ 값을 결합함으로써 이 간극을 줄이려 한다.

3. 실험 구조 규명의 비용과 기존 계산 방식의 제약

신뢰할 수 있는 단백질과 리간드의 3차원 구조를 얻는 일은 초기 구조 기반 신약 탐색의 속도를 크게 늦춘다. X선 결정학과 극저온 전자현미경 같은 실험 기법은 많은 시간과 투자를 요구하며, 질병과 관련성이 높은 유망 표적 가운데에도 검증된 실험 구조가 없는 경우가 많다. 컴퓨터 시뮬레이션과 단백질 접힘·도킹 알고리즘은 구조 확보와 결합 친화도 예측의 진입 장벽을 낮췄지만, 저자들은 AlphaFold나 Vina와 같은 이전 세대 도구가 본질적으로 계속 움직이고 형태가 변하는 분자와 단백질을 정적인 순간으로 예측한다는 한계를 지적한다. SAIR는 단백질과 리간드를 함께 폴딩하고 하나의 쌍에 여러 구조를 제공해, 단일 정적 구조에만 의존하지 않는 대규모 학습 기반을 마련한다.

4. 대규모 계산 자원과 생성 워크로드 최적화

SAIR 구축에는 공동 폴딩 AI 모델인 Boltz1과 NVIDIA H100 프로세서 760개로 구성된 클러스터가 사용됐으며, 총 계산량은 13만 GPU 시간을 넘었다. 작업은 Google Cloud Platform을 통한 NVIDIA DGX Cloud 환경에서 수행됐다. SandboxAQ와 NVIDIA AI Accelerator의 엔지니어들은 노드, 연산자, 스케줄러, GPU 수준의 세부 지표를 수집하고 인프라와 워크로드 병목을 함께 분석했다. 그 결과 데이터 생성 과정에서 GPU 계산 이용률을 95% 이상으로 끌어올렸고, 당초 3개월로 예상했던 작업을 3주 만에 완료해 4배가 넘는 속도 향상을 달성했다. 저자들은 이 과정이 대규모 데이터 생성뿐 아니라 현대적인 기업용 컴퓨팅 환경에 통합할 수 있는 GPU 중심 계산 워크플로를 구축한 사례라고 평가한다.

5. PoseBusters 검증과 데이터 품질 평가

저자들은 데이터의 양만큼 예측 구조의 신뢰도가 중요하다고 보고 모든 복합체를 PoseBusters로 검증했다. PoseBusters는 신약 개발용 구조 AI를 평가하는 공개 도구로, 생성된 구조가 화학적으로 타당하고 물리적으로 개연성 있는지를 검사한다. 검증 결과 SAIR 구조의 97%가 모든 검사를 통과했다. 연구진은 여기에 그치지 않고 SAIR의 합성 구조와 실험 IC₅₀ 값을 이용해 경험적 점수 함수, 3차원 합성곱 신경망, 그래프 신경망 등 주요 친화도 예측 방법도 비교 평가했다. 세부 결과는 bioRxiv 논문에 제시됐으며, 저자들은 이러한 검증을 근거로 SAIR가 새로운 모델의 벤치마킹뿐 아니라 후속 모델링, 스크리닝 및 분자 설계를 위한 기반으로 활용될 수 있다고 설명한다.

6. 구조가 알려지지 않은 암흑 표적의 탐색

신약 개발에는 질병과 관련돼 있지만 실험 구조가 존재하지 않는 이른바 암흑 단백질체가 큰 난제로 남아 있다. SAIR에 포함된 단백질 가운데 40% 이상은 리간드가 결합한 구조는 물론 리간드가 없는 구조조차 Protein Data Bank에 등록돼 있지 않다. SAIR는 이러한 영역에 AI가 예측한 단백질–리간드 복합체를 제공해, 연구자가 실험 구조 없이도 가상 스크리닝과 선도물질 최적화를 시작할 수 있는 구조적 가설을 마련한다. 이는 데이터 부족으로 인해 기존 AI 모델의 일반화 성능이 낮았던 문제를 완화하고, 과거에는 약물화하기 어렵다고 간주된 표적을 탐색할 가능성을 넓힌다. 다만 원문은 이를 실험 구조의 대체물로 단정하지 않고, 신뢰할 수 있는 모델 예측을 바탕으로 후속 연구를 안내하는 수단으로 제시한다.

7. 다중 표적 상호작용과 연구개발 활용 가치

SAIR는 단일 표적의 결합 예측을 넘어 다양한 표적에 걸친 분자 상호작용을 비교할 수 있는 폭을 제공한다. 하나의 분자가 여러 단백질과 어떻게 상호작용할 수 있는지 분석하면 다중 약리 작용의 패턴을 찾고, 의도하지 않은 오프타깃 효과를 예측하거나 기존 화합물의 새로운 용도를 탐색할 수 있다. 이러한 정보는 실험을 시작하기 전에 화합물의 전체적인 상호작용 특성을 이해하는 데 도움을 줄 수 있다. 저자들은 SAIR를 활용하면 적중물질에서 선도물질로 넘어가는 기간을 줄이고, 선도물질 최적화의 효율을 높이며, 실패 가능성이 큰 프로젝트를 더 일찍 걸러낼 수 있다고 주장한다. 또한 유사한 데이터로 학습된 Boltz-2와 같은 딥러닝 친화도 모델은 전통적인 제1원리 기반 접근법보다 최대 1,000배 빠른 결과를 보였다고 소개한다.

8. 공개 라이선스와 Hugging Face 이용 절차

SAIR는 허용 범위가 넓은 CC BY 4.0 라이선스로 공개돼 상업적·비상업적 연구개발 파이프라인에서 무료로 이용할 수 있다. Hugging Face의 SandboxAQ/SAIR 저장소에서 huggingface_hub, pandas, pyarrow를 설치하고 인증한 뒤 sair.parquet 파일을 내려받아 DataFrame으로 읽는 방식이 기본 접근 절차다. 실제 구조 파일은 structures_compressed 경로 아래 여러 tar.gz 압축 파일로 나뉘어 있으며, 저장소 파일 목록에서 필요한 아카이브를 선택해 내려받고 로컬에서 추출할 수 있다. 각 아카이브의 크기는 약 10GB에 이를 수 있으므로 저자들은 필요한 파일만 선택적으로 받도록 안내한다. 전체 스크립트와 추가 로깅·검증 절차는 README에 제공되며, 홈페이지와 bioRxiv 논문, 공동 웨비나, 문서와 튜토리얼 및 예제 벤치마크도 함께 활용할 수 있다.

🧾 핵심 주장 / 시사점

• SAIR의 핵심 차별점은 단순히 예측 구조를 대량 제공하는 데 있지 않고, 각 구조를 실제 IC₅₀ 측정값과 연결해 구조 기반 모델이 약물 효능을 직접 학습하고 평가할 수 있도록 한 데 있다.
• PDB에 구조가 전혀 없는 단백질이 데이터셋의 40% 이상이라는 사실은 SAIR의 주요 가치가 기존의 잘 알려진 표적을 반복 학습하는 것보다 구조 데이터가 부족했던 표적으로 탐색 범위를 넓히는 데 있음을 보여준다.
• 524만 개 구조의 생성 규모, 97%의 PoseBusters 통과율, 공개 라이선스와 선택적 아카이브 다운로드 방식은 SAIR가 모델 연구뿐 아니라 실제 조직의 벤치마킹·스크리닝 파이프라인 도입까지 고려해 설계됐음을 나타낸다.

✅ 액션 아이템

• SAIR의 524만 개 복합체와 ChEMBL·BindingDB 기반 IC₅₀ 연결 정보를 기존 신약 가설 생성·검증 파이프라인에 통합한다.
• Boltz1 기반 13만 GPU시간 투입 및 760개 H100 환경에서 달성한 95% 이용률을 성능 지표로 삼아 계산 자원 병목을 점검한다.
• PoseBusters에서 전체 구조의 97%가 통과한 화학·물리 적합성 검증 단계를 신규 데이터 수집 직후의 필수 품질 관문으로 둔다.

❓ 열린 질문

• SAIR의 97% PoseBusters 통과율을 후보 선별 임계치로 그대로 적용하는 것이 적절한가, 아니면 보정이 필요한가?
• CC BY 4.0 조건에서 공개 데이터의 상업·비상업 활용 시 출처 표기 및 분담 의무를 어디까지로 정의할 것인가?
• PDB 미구조 표적 40% 이상 구간에서 오프타깃 예측·약물 재창출 성능 향상을 어떤 지표로 판단할 것인가?