🔬ESMFold2: 단백질에 대한 苦 lesson이 다가오고 있다 - 알렉스 라이브스, BioHub

ESMFold은 Meta(현재 EvolutionaryScale)의 ESM(Evolutionary Scale Modeling) 계열에서 나온 단백질 구조 예측 모델로, 핵심 아이디어는 "단백질 서열을 언어처럼 다룬다"는 것이다. LLM이 텍스트 코퍼스에서 마스킹 학습으로 언어의 통계적 구조를 익히듯, ESM은 수억 개의 단백질 아미노산 서열을 트랜스포머로 사전학습해 진화적·물리적 패턴을 내부 표현으로 흡수한다. 이 글의 제목인 "Bitter Lesson(쓰라린 교훈)"은 리치 서튼의 유명한 명제로, 인간이 설계한 도메인 지식(inductive bias)에 의존하는 방법은 결국 데이터와 연산을 확장하는 범용적 방법에 패배한다는 것이다. Alex Rives의 주장은 단백질 분야에도 이 법칙이 도래했다는 것이다. AlphaFold2가 MSA(다중서열정렬), 진화적 공분산, 기하학적 제약 같은 생물학적 사전 지식을 정교하게 주입한 반면, ESMFold는 그런 inductive bias를 걷어내고 단일 서열만으로 구조를 예측한다. 데이터와 스케일이 충분하면 모델이 진화적 정보를 스스로 학습한다는 베팅이며, 이것이 "datasets vs. inductive bias" 논쟁의 핵심이다.

기술적으로 ESMFold2와 그 후속인 ESM3는 단순한 구조 예측기를 넘어 생물학의 "세계 모델(world model)"을 지향한다. 즉 서열·구조·기능을 하나의 멀티모달 생성 모델 안에서 통합해, 생물학의 생성 과정 자체를 모사하려는 시도다. 이렇게 되면 단백질은 더 이상 "분석 대상"에만 머물지 않고 "프로그래밍 가능한(programmable) 대상"이 된다. 개발자가 프롬프트로 텍스트를 생성하듯, 원하는 기능·구조 제약을 조건으로 걸어 새로운 단백질을 설계·생성할 수 있다는 의미다. 이는 신약 개발, 효소 설계, 바이오 소재 같은 영역을 코드 작성에 가까운 워크플로로 바꾼다.

엔지니어 관점에서 가장 직접적인 임팩트는 접근성과 속도다. AlphaFold2는 예측마다 무거운 MSA 검색이 필요해 느리고 인프라 부담이 컸지만, ESMFold는 단일 서열을 바로 입력받아 수십 배 빠른 추론이 가능하다. ESM 모델 가중치는 Hugging Face에 공개되어 있고, EvolutionaryScale의 Forge API나 ESM Atlas 같은 형태로 제공되어 생물학 전문 지식이 없는 개발자도 단백질 예측·설계를 일반적인 ML 파이프라인이나 API 호출로 통합할 수 있다. 단백질 구조 예측이 특수 도메인에서 "그냥 또 하나의 모델 API"로 내려오는 흐름이며, 이는 클라우드·GPU 인프라, 벡터화된 임베딩, 배치 추론 같은 익숙한 엔지니어링 문제로 환원된다는 뜻이다.

개발자가 실질적으로 새겨야 할 교훈은 두 가지다. 첫째, "Bitter Lesson"은 단백질을 넘어 모든 ML 도메인에 적용되는 메타 원칙이다. 정교하게 손으로 깎은 도메인 규칙·휴리스틱·feature engineering에 장기 투자하기보다, 확장 가능한 범용 아키텍처와 데이터·연산 스케일링에 베팅하는 쪽이 결국 이긴다는 것이다. 자신의 분야에서 "우리만의 특수한 inductive bias"라고 믿는 것들이 실제로는 스케일이 대체할 부채는 아닌지 점검해 볼 가치가 있다. 둘째, 바이오/헬스 인접 제품을 다루는 엔지니어라면 ESM 계열 모델과 Forge API, ESM Atlas를 직접 만져보며 임베딩 추출·구조 예측·조건부 생성을 PoC로 검증해 두는 것이 좋다. 단, 단일 서열 예측은 빠른 대신 정밀도가 떨어지는 영역(특히 다중체 복합체나 비정형 구조)이 있으므로, AlphaFold류와의 정확도·속도 트레이드오프를 용도에 맞게 평가하고, 생성된 단백질의 실험적 검증(wet-lab validation)이라는 현실적 병목을 파이프라인 설계에 반드시 반영해야 한다.