알파폴드3에 근접한 정확도와 최대 25배 빠른 속도를 내세운 KAIST 바이오 AI K-폴드가 8월 28일 공개됐다. 알파폴드3 원리와의 차이, 7B·2B 모델의 아파치 2.0 무료 배포, 하이퍼랩 웹 서비스까지 정리했다.
KAIST가 2026년 8월 28일 차세대 바이오 AI 모델 K-폴드(K-Fold)를 공개했다. 과학기술정보통신부 'AI 특화 파운데이션 모델 프로젝트'의 결과물로, 단백질·약물·핵산의 결합 구조를 하나의 모델로 예측한다. 3월 단계 평가에서 구글 딥마인드 알파폴드3에 근접한 정확도를 기록했고, 8월 자체 평가에서는 일부 항목에서 앞섰다는 것이 KAIST의 설명이다.
K-폴드는 무엇이고 누가 만들었나?
K-폴드는 KAIST 화학과 김우연 교수가 총괄한 '팀 KAIST'의 성과다. 김우연 교수 연구팀과 김재철AI대학원 황성주·안성수 교수팀이 AI 모델 개발을 맡았고, 생명과학과 오병하·김호민·이규리 교수가 단백질 데이터 구축과 검증을 담당했다. 국내에서 자체 설계하고 학습한 모델이라는 점이 핵심인데, 그동안 국내 신약 설계 연구는 알파폴드3 같은 외산 모델과 해외 인프라에 의존해 왔기 때문이다.
신약 개발의 출발점은 질병과 관련된 단백질의 3차원 구조를 알아내고, 그 단백질에 강하게 결합해 원하는 작용을 일으키는 후보 물질을 찾는 일이다. 단백질과 약물 후보, DNA·RNA 사이의 상호작용을 정확히 예측해야 하므로 알파폴드3처럼 분자 복합체 구조를 예측하는 AI가 신약 설계의 핵심 도구가 됐다. K-폴드는 바로 이 자리를 국산 모델로 대체하겠다는 목표로 만들어졌다.
공개일·주체
2026년 8월 28일, KAIST(팀 KAIST). 과기정통부 AI 특화 파운데이션 모델 프로젝트
정확도
3월 평가에서 알파폴드3 근접, 8월 자체 평가 일부 항목 상회. 표적 활성도 변화 예측 11%, 세부 구조 변화 13% 우위
속도
다중 서열 정렬(MSA) 사전 계산을 대폭 줄여 예측 속도 최대 25배
배포
7B 메인 모델·2B 경량 모델, 아파치 2.0 라이선스 무료 배포 예정. 하이퍼랩 웹 서비스 연계
알파폴드3 원리는 무엇인가?
비교를 위해 알파폴드3 원리를 먼저 짚어 보자. 알파폴드3는 구글 딥마인드가 2024년 공개한 모델로, 단백질만 다루던 알파폴드2를 확장해 단백질·DNA·RNA·소분자 리간드가 섞인 복합체 구조까지 예측한다. 입력된 서열과 진화 정보(유사 단백질 서열의 정렬 결과)를 바탕으로, 무작위 노이즈 상태의 원자 좌표에서 시작해 점차 노이즈를 걷어내며 최종 결합 구조를 생성하는 확산(diffusion) 방식을 쓴다.
이 방식은 정확도가 높지만 두 가지 부담이 따른다. 첫째, 구조를 계산하기 전에 유사 단백질 서열을 대량 검색해 비교하는 다중 서열 정렬(MSA) 같은 사전 작업이 필요해 시간이 오래 걸린다. 둘째, 알파폴드3는 추론 코드와 논문이 공개됐지만 비상업적 용도로 제한돼 기업 연구에는 제약이 있었다. K-폴드가 겨냥한 지점이 정확히 이 두 가지다.
K-폴드와 알파폴드3 차이는 무엇인가?
가장 큰 차이는 접근 방식이다. 알파폴드3가 노이즈에서 최종 결합 구조를 곧바로 생성한다면, K-폴드는 단백질이 결합하기 전 자유 상태의 구조가 결합 후 구조 분포로 변해 가는 과정 자체를 학습한다. 구조의 조합과 변화를 직접 배웠기 때문에, 결합 과정에서 모양이 크게 바뀌는 까다로운 약물 표적에서 강점을 보인다는 것이 연구진의 설명이다. 실제로 복잡한 구조 변화를 보이는 표적 시스템 분석에서 K-폴드는 알파폴드3 대비 표적 활성도 변화 예측이 11%, 세부 구조 변화 예측 정확도가 13% 높게 나타났다.
특히 암을 비롯한 주요 질환의 신약 표적인 G-단백질 연결 수용체(GPCR)와 인산화효소, 질병 원인 단백질을 직접 분해하는 표적단백질분해(TPD) 분야에서 높은 구조 예측 정확도를 기록했다. 이들은 결합 전후 구조 변화가 크기로 유명한 표적이라, 변화 과정을 학습한 K-폴드의 설계가 알파폴드3의 정적 생성 방식보다 유리하게 작용한 사례로 볼 수 있다.
두 번째 차이는 속도다. K-폴드는 MSA 같은 사전 계산 과정을 대폭 줄이는 방식을 도입해 예측 속도를 최대 25배까지 끌어올렸다. 같은 시간 안에 훨씬 많은 신약 후보 물질을 탐색할 수 있다는 뜻이다. 세 번째는 라이선스다. 70억 매개변수(7B) 메인 모델과 20억 매개변수(2B) 경량 모델 모두 아파치 2.0으로 무료 배포될 예정이어서, 알파폴드3의 비상업적 제한과 달리 기업도 자유롭게 쓸 수 있다.
알파폴드3 vs K-폴드 한눈에 비교
- 생성 방식 — 알파폴드3: 노이즈에서 최종 결합 구조를 직접 생성 / K-폴드: 결합 전 자유 상태에서 결합 후 구조 분포로의 변화 과정을 학습
- 사전 계산 — 알파폴드3: MSA 등 대량 서열 검색 필수 / K-폴드: 사전 계산 대폭 축소, 속도 최대 25배
- 라이선스 — 알파폴드3: 비상업적 용도 제한 / K-폴드: 7B·2B 모두 아파치 2.0 무료 배포 예정
- 강점 표적 — K-폴드: GPCR, 인산화효소, 표적단백질분해(TPD) 등 구조 변화가 큰 표적
K-폴드 사용법 — 하이퍼랩에서 어떻게 쓰나?
알파폴드3 사용법을 찾아본 사람이라면 서버 신청과 일일 사용 제한, 로컬 설치의 번거로움을 기억할 것이다. K-폴드는 KAIST 교원창업기업 히츠(HITS)의 웹 기반 AI 연구 플랫폼 하이퍼랩(HyperLab)과 연계돼, 고성능 인프라나 프로그래밍 없이 웹에서 바로 쓸 수 있게 설계됐다. 연구자가 "이 단백질에 강하게 결합하는 항체를 설계해달라"거나 "암 표적 단백질에 맞는 펩타이드 후보를 찾아달라"고 자연어로 요청하면, AI가 구조를 예측하고 후보를 설계한 뒤 계산으로 평가하는 과정을 단계적으로 수행한다.
하이퍼랩에는 구조 예측·약물 설계·생명과학 데이터 분석용 계산 도구 120여 개, 전문 기능 160여 개, 전문 DB와 지식그래프 100여 개가 탑재돼 있다. 'AI 공동연구자(Co-Scientist)'를 지향하는 이 플랫폼은 국내외 연구자 대상 베타 서비스를 거쳐 연내 단계적으로 상용 서비스를 확대할 계획이다. 이 성과는 6월 23일 '2026 한국생체분자과학연합학술대회' 기조강연에서 김우연 교수가 처음 발표했고, 8월 28일 공식 공개로 이어졌다.
신약 개발 현장에는 어떤 의미인가?
나는 알파폴드3 서버가 열렸을 때 단백질-리간드 복합체 몇 개를 직접 돌려 본 적이 있다. 결과 구조는 인상적이었지만, 하루 사용 횟수 제한과 상업적 이용 불가라는 조건 때문에 "이걸로 실제 파이프라인을 짤 수는 없겠다"는 결론에 이르렀다. K-폴드가 아파치 2.0으로 풀린다면 그 벽이 사라진다. 국내 제약·바이오 기업이 자체 서버에 올려 후보 물질 탐색에 바로 투입할 수 있다는 점은 정확도 수치보다 더 실질적인 변화다.
물론 확인이 필요한 부분도 있다. "알파폴드3 근접" 또는 "일부 항목 상회"라는 평가는 KAIST의 단계 평가와 자체 평가 결과이며, 독립적인 벤치마크 비교나 논문 공개는 아직 나오지 않았다. 알파폴드3가 2024년 노벨 화학상으로 이어진 알파폴드 계보의 검증된 모델이라는 점을 감안하면, K-폴드가 같은 무게를 얻으려면 외부 검증과 실제 신약 후보 발굴 사례가 뒤따라야 한다. 그럼에도 7B·2B 모델이 무료로 풀리고 웹에서 바로 쓸 수 있다는 조건만으로도, 국내 AI 신약 개발 생태계의 진입 장벽은 확실히 낮아진다.