AI가 단백질을 처음부터 만든다? 인공 단백질 합성과 AI De Novo 단백질 설계의 현재와 미래
Table of Contents
핵심 요약
- 단백질 인공 합성은 이미 가능한 기술이지만, 원하는 기능을 가진 새로운 단백질을 처음부터 설계하는 것은 훨씬 어렵다.
- AI de novo 단백질 설계는 자연계에 존재하지 않았던 단백질의 구조와 아미노산 서열을 AI가 새롭게 설계하는 기술이다.
- 2026년 현재 단백질의 새로운 구조, 단백질 결합체, 단백질-단백질 바인더 설계는 상당히 성숙한 단계에 접근했다.
- 가장 어려운 최전선은 효소 촉매, 분자 스위치, 구조가 움직이는 단백질, 분자 나노머신처럼 “복잡한 기능”을 설계하는 것이다.
- 투자 측면에서는 미국의 Generate Biomedicines(GENB), Absci(ABSI)가 가장 직접적인 AI 단백질 설계 관련 상장사이고, NVIDIA·Schrödinger 등이 인프라와 계산 플랫폼 측면에서 연결된다.
1. 단백질을 ‘인공적으로 만든다’는 것은 무엇일까?
단백질은 20종의 아미노산이 일정한 순서로 연결된 거대한 생체분자다.
따라서 단백질을 인공적으로 만든다는 말에는 사실 서로 다른 세 가지 기술이 섞여 있다.
첫 번째는 화학적 합성이다.
아미노산을 하나씩 화학적으로 연결하는 peptide synthesis, 특히 SPPS(Solid-Phase Peptide Synthesis)가 대표적이다. 짧은 펩타이드나 비교적 작은 단백질을 만드는 데 매우 유용하다.
두 번째는 생물학적 생산이다.
원하는 단백질의 DNA를 세균, 효모, 포유류 세포 등에 넣어 세포에게 단백질을 생산하도록 시키는 recombinant protein production이다.
오늘날 항체 의약품, 인슐린, 각종 효소 대부분이 이런 방식으로 만들어진다.
그런데 세 번째가 완전히 다른 문제다.
“도대체 어떤 아미노산 배열을 만들 것인가?”
바로 이것이 단백질 설계 Protein Design의 문제다.
공장은 이미 있는데 설계도가 없는 셈이다.
AI de novo protein design은 이 설계도 자체를 AI가 새로 만들어내는 기술이다.
2. De Novo 단백질 설계란?
De novo는 라틴어로 “처음부터”, “새롭게”라는 뜻이다.
기존 자연 단백질 하나를 조금 변형하는 것이 아니라,
목표 기능을 먼저 정한 다음 그 기능을 수행할 가능성이 있는 새로운 단백질 구조와 아미노산 서열을 만들어낸다.
예를 들어 연구자가 다음과 같은 목표를 제시할 수 있다.
“암세포 표면의 단백질 A에만 매우 강하게 결합하는 작은 단백질을 만들어라.”
그러면 AI가 수많은 후보 구조를 생성하고,
그 구조에 맞는 아미노산 배열을 계산하고,
다시 실제로 그 구조가 접힐 것인지 예측한다.
과거에는 이것이 사실상 천문학적인 탐색 문제였다.
3. 왜 단백질 설계는 이렇게 어려울까?
100개의 아미노산으로 이루어진 작은 단백질 하나를 생각해보자.
각 위치에 들어갈 수 있는 아미노산은 약 20종이다.
가능한 배열의 수는
20의 100제곱이다.
약 10의 130제곱 수준이다.
우주 전체 원자의 개수를 흔히 약 10의 80제곱 정도로 추정하는 것과 비교하면 얼마나 터무니없이 큰 공간인지 감이 온다.
물론 실제 생물학적으로 가능한 단백질은 이보다 훨씬 제한돼 있지만, 모든 후보를 실험으로 검사하는 방법은 애초에 불가능하다.
그리고 문제는 서열만이 아니다.
단백질에는 다음 조건이 동시에 필요하다.
- 원하는 3차원 구조로 접혀야 한다.
- 물속에서 안정해야 한다.
- 특정 물질에 정확하게 결합해야 한다.
- 다른 물질에는 되도록 결합하지 않아야 한다.
- 세포에서 제대로 생산되어야 한다.
- 서로 뭉쳐 침전되지 않아야 한다.
- 체내에서 너무 빨리 분해되지 않아야 한다.
- 치료제로 사용할 경우 면역반응도 최소화해야 한다.
즉 “모양”만 맞는다고 성공한 단백질이 아니다.
4. AlphaFold 다음 단계가 바로 Protein Design이다
AlphaFold가 해결하려 한 질문은 기본적으로 이것이었다.
“이 아미노산 배열은 어떤 구조가 될까?”
이를 Forward Folding 문제라고 볼 수 있다.
그러나 단백질 설계는 반대다.
“이 구조와 기능을 만들려면 어떤 아미노산 배열을 만들어야 할까?”
이것이 inverse folding 또는 protein design 문제다.
여기에 최근 생성형 AI가 들어왔다.
이미지 생성 AI가 노이즈에서 그림을 만들어내듯, 단백질 생성 AI는 단백질 구조 공간에서 새로운 구조를 생성한다.
5. AI De Novo Protein Design의 핵심 기술
현재 가장 중요한 계열 가운데 하나가 워싱턴대학교 Institute for Protein Design와 David Baker 연구진을 중심으로 발전한 RFdiffusion이다.
RFdiffusion은 단백질 구조를 생성하는 diffusion model이다.
무작위에 가까운 구조에서 출발해 점차 단백질다운 3차원 구조를 만들어낸다.
2024년 Nature에 발표된 연구에서는 RFdiffusion이 새로운 단백질 구조뿐 아니라 단백질 바인더, 대칭 단백질 복합체, 효소 활성부위 주변 구조 등 다양한 문제를 처리할 수 있음을 보여주었다.
이후 구조가 만들어지면 ProteinMPNN 같은 AI가 해당 구조에 적합한 아미노산 서열을 찾는다.
즉 매우 단순화하면,
목표 설정
↓
RFdiffusion으로 3차원 골격 생성
↓
ProteinMPNN으로 아미노산 서열 설계
↓
AlphaFold류 모델로 실제 접힘 검증
↓
DNA 합성
↓
세포에서 단백질 생산
↓
실험
↓
실패 후보 제거 및 재설계
라는 과정이 된다.
NVIDIA의 BioNeMo protein binder 설계 파이프라인 역시 RFdiffusion, ProteinMPNN 등의 모델을 통합해 이러한 작업을 수행하도록 만들어지고 있다.
6. AI는 왜 단백질 설계를 갑자기 크게 발전시켰을까?
핵심은 “탐색 공간을 줄이는 능력”이다.
과거에는 연구자가 어느 정도 괜찮아 보이는 단백질을 만든 다음 돌연변이를 수천~수백만 개 만들어 실험하는 directed evolution 방식이 많이 사용됐다.
말 그대로 좋은 변이가 나올 때까지 진화를 실험실에서 반복하는 것이다.
AI는 정반대로 접근한다.
먼저 계산을 통해 성공 가능성이 높은 후보만 골라낸다.
그러면 수십억 개를 무작위로 만들 필요 없이 수백~수천 개 정도의 유력 후보를 실제 실험으로 검증할 수 있다.
2025년 Nature Reviews Bioengineering은 이러한 변화가 단백질 공학을 trial-and-error 중심에서 훨씬 더 예측 가능한 설계 과정으로 변화시키고 있다고 평가했다.
7. 2026년 현재 어디까지 왔을까?
상당히 중요한 변화가 일어났다.
2026년 4월 Nature에 발표된 David Baker 연구팀 등의 리뷰는 새로운 단백질 구조, protein assembly, protein binder 설계의 오래된 핵심 문제들은 “해결에 가까워지고 있다”고 평가했다.
즉 연구 질문 자체가
“단백질을 설계할 수 있는가?”
에서
“이제 무엇을 설계할 것인가?”
로 이동하고 있다는 것이다.
특히 다음 영역은 상당한 진전을 보이고 있다.
단백질 바인더
특정 질병 단백질에 달라붙는 작은 단백질을 처음부터 설계한다.
항체와 비슷한 역할을 할 수 있지만 훨씬 작고 단순한 구조로 만드는 것도 가능하다.
2026년에는 GPCR을 표적으로 하는 de novo miniprotein 설계 연구도 Nature에 발표됐다.
다중 표적 구조
기존에는 하나의 기능성 motif를 정확히 배치하는 것도 어려웠다.
최근에는 하나의 작은 단백질 안에 서로 다른 세 개의 바이러스 epitope를 동시에 정확하게 배치한 단백질까지 실험적으로 제작됐다.
X선 결정구조를 통해 설계 구조의 정확성도 확인됐다.
작은 분자까지 인식하는 단백질
단백질-단백질 결합보다 더 어려운 문제 가운데 하나가 작은 분자를 정확하게 잡는 단백질을 설계하는 것이다.
2026년에는 NISE라는 신경망 기반 반복 최적화 전략을 이용해 단백질 구조와 서열, ligand의 자세까지 함께 최적화하는 연구가 소개됐다.
8. 지금 가장 어려운 기술은 무엇일까?
현재 단백질 설계에서 가장 어려운 문제는 단순히 “잘 붙는 단백질”이 아니다.
효소다.
더 정확히 말하면,
원하는 화학반응을 빠르게 촉진하는 새로운 효소를 처음부터 만드는 것이다.
효소는 어떤 물질을 붙잡기만 하면 되는 것이 아니다.
반응물의 정확한 방향을 맞추고,
전하를 이동시키고,
transition state를 안정화하고,
단백질 자체도 미세하게 움직여야 한다.
수 옹스트롬보다 작은 수준에서 아미노산의 위치가 조금만 달라져도 반응속도가 크게 떨어질 수 있다.
2026년 Nature Methods에는 RFdiffusion2를 이용해 원자 수준에서 효소 활성부위 주변의 단백질 구조를 생성하는 기술이 발표됐다. 기존 방법보다 촉매 잔기의 배치 자유도를 크게 높이는 방향이다.
그러나 이것도 최종 목표는 아니다.
9. 궁극의 난제: 움직이는 단백질
자연계에서 가장 놀라운 단백질들은 고정된 조각상이 아니다.
움직이는 기계다.
예를 들어 어떤 물질이 붙으면 단백질 모양이 바뀌고,
다른 단백질을 활성화하고,
다시 원래 상태로 돌아간다.
즉
결합
→ 구조 변화
→ 촉매
→ 신호 전달
→ 원상 복귀
같은 동작을 수행한다.
2026년 Nature의 de novo protein design 리뷰가 미래 핵심 난제로 꼽은 것도 바로 이런 multistate protein system, molecular switch, nanomachine이다.
쉽게 표현하면 현재 AI 단백질 설계가 상당히 잘하는 것은
“열쇠 만들기”
이고,
앞으로 만들려는 것은
“스위치와 모터와 기계 만들기”
라고 볼 수 있다.
10. AI가 설계하면 곧바로 실제 단백질이 되는 것은 아니다
여기서 매우 중요한 기술적 한계가 있다.
AI가 10만 개의 멋진 단백질을 만들어도 실제 실험에서 모두 작동하는 것은 아니다.
컴퓨터 예측은 어디까지나 예측이기 때문이다.
실제 세포 안에서는
용해도,
응집,
발현량,
분해,
세포독성,
면역원성,
구조적 유연성,
예상하지 못한 분자 상호작용
등 수많은 변수가 추가된다.
그래서 최근에는 오히려 AI보다 wet lab 검증 속도가 병목이 되는 현상까지 발생하고 있다.
2026년 8월 Nature Communications 연구에서는 AI 설계 속도가 기존 단백질 실험 속도를 앞질렀다고 지적하면서, 하루에 수백 개의 설계 단백질을 평가할 수 있는 반자동 단백질 생산·검증 시스템을 제시했다.
재미있는 역전이다.
예전에는
“좋은 단백질을 어떻게 생각해낼 것인가?”
가 문제였다.
이제는
“AI가 너무 많이 생각해냈는데 이것을 언제 다 만들어서 검사할 것인가?”
가 새로운 문제가 되고 있다.
11. 앞으로의 연구 목표는 어디인가?
단백질 설계의 발전 방향은 크게 다섯 가지로 정리할 수 있다.
첫째, 성공률 향상이다.
AI가 만든 단백질 가운데 실제 실험에서도 원하는 기능을 보이는 비율을 높여야 한다.
둘째, 기능 설계다.
단순한 구조 안정성이나 결합을 넘어 효소 촉매 기능까지 정확하게 설계해야 한다.
셋째, 동적 단백질이다.
한 가지 구조만 가지는 단백질이 아니라 환경에 따라 여러 상태를 오가는 단백질을 설계해야 한다.
넷째, 복합 생체 시스템이다.
단백질 하나가 아니라 여러 단백질이 함께 조립되어 작동하는 분자 시스템을 만드는 것이다.
다섯째, Design-Build-Test-Learn 자동화다.
AI가 설계하고,
로봇이 DNA를 합성하고,
세포가 단백질을 만들고,
자동화 장비가 성능을 측정하고,
결과를 AI가 다시 학습하는 폐쇄형 루프가 목표다.
12. 이 기술이 성공하면 무엇을 만들 수 있을까?
잠재적 응용범위는 엄청나다.
의약품에서는
항체,
암 표적 치료제,
자가면역질환 치료제,
백신,
바이러스 중화 단백질,
약물전달 단백질
등을 만들 수 있다.
산업에서는
플라스틱 분해 효소,
탄소 포집 효소,
식품 생산 효소,
섬유·화학 공정용 효소,
희귀 금속 결합 단백질
등이 가능하다.
더 먼 미래에는
생체센서,
분자 논리회로,
세포 내부 스위치,
분자 모터,
인공 세포 구성요소
등으로 확대될 가능성이 있다.
즉 단백질을 발견하는 시대에서 단백질을 “프로그래밍하는 시대”로 이동하는 것이다.
13. AI 단백질 설계 관련 미국 주식
2026년 8월 기준으로 보면 관련 기업을 직접 수혜와 간접 수혜로 반드시 구분해야 한다.
Generate Biomedicines — GENB
가장 직접적인 기업 가운데 하나다.
Generate Biomedicines는 생성형 AI를 이용해 새로운 치료용 단백질을 설계하는 generative biology 기업이다.
2026년 2월 27일 나스닥에 GENB라는 종목코드로 상장했다. IPO 가격은 주당 16달러였으며 공모 규모는 약 4억 달러였다.
회사는 자체적으로 지금까지 4만2,000개 이상의 단백질을 생성·제작·시험했다고 밝히고 있다.
따라서 현재 상장기업 가운데 AI generative protein design이라는 투자 테마에 가장 직접적으로 접근하는 기업 중 하나라고 볼 수 있다.
다만 임상 단계 바이오기업이기 때문에 임상 실패와 자금조달 리스크가 매우 크다.
Absci — ABSI
Absci 역시 상당히 직접적인 AI 단백질 설계 기업이다.
회사는 생성형 AI를 이용해 항체 등 biologics를 설계한다.
특히 ABS-101은 회사의 de novo generative AI 기반으로 설계·최적화된 항체 후보로 임상 1상까지 진입했다.
2026년에는 ABS-201 임상 프로그램도 진행 중이며, 회사는 생성형 AI로 설계된 치료제를 실제 임상 단계로 전환하고 있다.
Generate와 함께 이 분야에서 비교적 순수한 상장 투자대상에 해당한다.
NVIDIA — NVDA
NVIDIA는 단백질 치료제를 직접 개발하는 회사가 아니다.
따라서 간접 수혜주다.
그러나 AI 단백질 설계에는 막대한 GPU 계산량이 필요하며 NVIDIA는 BioNeMo라는 생명과학 AI 플랫폼도 운영하고 있다.
BioNeMo에서는 RFdiffusion, ProteinMPNN 등 단백질 설계 모델을 활용할 수 있고, NVIDIA는 워싱턴대 Institute for Protein Design 등과도 단백질 설계 모델 가속화를 진행하고 있다.
AI 신약개발이 확대될수록 컴퓨팅 인프라 공급자라는 측면에서 간접적인 수혜 가능성이 존재한다.
Schrödinger — SDGR
Schrödinger는 물리 기반 molecular simulation과 AI를 결합한 계산 신약개발 플랫폼 기업이다.
전통적으로 small molecule 분야에서 강하지만 2026년 회사는 플랫폼 적용 범위를 biologics 등으로 확대하는 것을 전략 목표로 제시했다.
따라서 순수 de novo protein design 기업이라기보다는 computational molecular design 산업 전체에 투자하는 성격이 강하다.
2026년 2분기에는 연간계약가치 ACV가 2,960만 달러로 전년 대비 27% 증가했다고 발표했다.
14. 국내 관련주는?
한국 증시에는 현재 Generate나 Absci처럼 “AI de novo protein design” 자체를 핵심 사업으로 하는 대표적인 순수 상장사는 찾기 어렵다.
따라서 국내주는 한 단계 떨어진 관련주로 보는 것이 적절하다.
삼성바이오로직스 — 207940
삼성바이오로직스는 새로운 단백질을 AI로 설계하는 회사라기보다, 설계된 바이오의약품을 대규모로 개발·생산하는 CDMO 회사다.
따라서 AI 단백질 설계 기술이 성공해 치료용 단백질 후보가 폭발적으로 증가하면 그 다음 단계인 공정 개발과 상업생산 시장 확대의 간접적인 수혜를 받을 수 있는 구조다.
2026년 2분기 매출은 약 1조3,209억원, 영업이익은 약 5,864억원으로 전년 동기 대비 각각 30%, 23% 증가했다.
단백질 AI 설계 직접 수혜주라기보다는 바이오의약품 제조 인프라 종목에 가깝다.
알테오젠 — 196170
알테오젠 역시 AI de novo 설계 기업은 아니다.
다만 독자적인 단백질 공학 기술을 이용한 Hybrozyme 플랫폼과 재조합 히알루로니다제 ALT-B4를 보유하고 있어 protein engineering이라는 넓은 범주에서 연결된다.
2026년 상반기 매출은 1,405억원, 영업이익은 735억원으로 회사가 발표했다.
2026년 8월에도 ALT-B4와 관련해 글로벌 제약사와 최대 3억6,500만 달러 규모의 마일스톤 등을 포함한 라이선스 계약을 발표했다.
다만 “AI 단백질 설계 수혜주”라고 직접 분류하는 것은 과장이고, 단백질 공학 플랫폼 기업 정도로 보는 것이 정확하다.
15. 투자할 때 가장 중요한 구분
AI 단백질이라는 단어가 붙었다고 모두 같은 산업은 아니다.
투자자 입장에서는 최소한 다음처럼 구분해야 한다.
직접적인 AI de novo 단백질 설계
→ Generate Biomedicines, Absci
계산·신약 설계 플랫폼
→ Schrödinger
AI 연산 및 생명과학 AI 인프라
→ NVIDIA
단백질 치료제 생산
→ 삼성바이오로직스
기존 단백질 공학 플랫폼
→ 알테오젠
이 회사들을 모두 단순히 “AI 단백질 관련주”로 묶으면 실제 사업의 연결 강도를 잘못 판단하기 쉽다.
16. 단백질 설계의 진짜 의미
이 기술의 핵심은 단순히 단백질을 더 싸게 만드는 것이 아니다.
인류는 이미 수십 년 전부터 인슐린이나 항체 같은 단백질을 대량 생산할 수 있었다.
이번 변화의 본질은
“자연에서 발견한 단백질을 사용한다”
에서
“필요한 기능을 정의하고 그 기능에 맞춰 단백질을 만든다”
로 이동하는 것이다.
컴퓨터 산업에 비유하면 자연계의 단백질을 찾아 사용하는 것은 이미 만들어진 프로그램을 가져다 쓰는 것과 비슷하다.
De novo protein design은 원하는 프로그램을 직접 코딩하는 것에 가깝다.
그리고 2026년 연구 흐름을 보면 우리는 이제 단백질의 외형을 설계하는 단계를 지나, 단백질의 행동과 기능을 프로그래밍하려는 단계로 진입하고 있다.
새로운 구조와 단순 바인더를 만드는 문제는 빠르게 성숙하고 있다.
앞으로의 승부처는
“이 단백질이 접히는가?”
가 아니라
“이 단백질이 내가 원하는 일을 정확히 수행하는가?”
가 될 가능성이 높다.
효소 촉매,
분자 스위치,
여러 상태를 오가는 단백질,
자율적으로 조립되는 복합체,
그리고 궁극적으로는 분자 나노머신.
이것이 AI de novo 단백질 설계가 향하고 있는 다음 목표다.
자연이 수십억 년 동안 진화로 만들어온 단백질 설계 공간을 AI가 탐색하기 시작했다는 점에서, 이 분야는 AI 신약개발을 넘어 합성생물학 전체를 바꿀 가능성이 있는 기술이라고 할 수 있다.