2형 당뇨 관해 54% — 평면 도식을 넘어 분자 안으로 걸어 들어가기
2026년 10월 29일 ScienceDaily. 45세 미만 2형 당뇨 환자 54%가 저칼로리 식단과 구조적 운동만으로 6개월 만에 관해 달성. 표준 치료군 4% 대비 13배. 임상 결과 자체도 놀랍지만, 구조생물학자 눈에 더 밟히는 건 숫자 뒤의 분자 드라마다.
인슐린이 수용체 티로신 키나아제 도메인을 인산화하며 PI3K-AKT 캐스케이드를 깨우는 순간. 글루코키나아제가 포도당을 인산화해 해당과정의 rate-limiting step을 넘기는 순간. AMPK가 AMP/ATP 비율 감지하고 대사 스위치를 돌리는 순간. 이 모든 게 단백질의 3차원 구조와 동역학에서 시작된다.
논문 속 정적 리본 다이어그램으론 보이지 않는 알로스테릭 포켓의 깊이, 유도적합의 미세한 컨포메이션 변화, 수소결합 네트워크의 방향성, 용매화 효과의 에너지 기여도.
내 박사과정 시절, PyMOL과 ChimeraX 창을 여러 개 띄워놓고 '이 잔기가 저 포켓과 진짜 3.2Å냐 4.1Å냐' 확인하려 거리 측정 모드 켜고 클릭하던 밤들. 마우스로 회전시키는 리본으론 포켓의 깊이감, 계면의 보완성, 알로스테릭 전파 경로의 '느낌'을 얻기 어려웠다.
평면 뷰어의 구조적 한계
솔직히 말하면, 데스크톱 분자 뷰어는 지난 20년간 놀랍도록 성숙했다. PyMOL은 스크립팅 가능하고, ChimeraX는 세션 공유가 되고, Mol*는 웹에서 WebGL로 수십만 원자를 60fps에 가깝게 그린다. 문제는 도구가 아니라 인터페이스의 차원이다.
2D 모니터 + 마우스 조작에서 분자를 다룰 때, 사용자는 항상 '바깥에서' 본다. 깊이 축(depth axis)은 스테레오 큐와 원근법에 의존하고, 시점은 마우스 드래그로만 바뀐다. 알로스테릭 포켓처럼 리간드가 들어가야 할 '움푹 파인 공간'은 특히 불리하다. 왜냐하면 포켓은 종종 리본 표현에서 가려지고, 표면 표현으로 전환하면 이번엔 2차 구조 정보가 사라지기 때문이다.
거리 측정도 마찬가지다. 3.2Å과 4.1Å의 차이는 수소결합 하나가 살아있느냐 마느냐를 가르는데, 이걸 클릭 두 번으로 확인하려면 정확히 두 원자에 스냅해야 한다. 스냅이 안 되면 사용자가 눈대중으로 찍는다.
그 한계를 다른 각도에서 푼 게 NexoPeek이다
메타 퀘스트 단일 헤드셋에서 관람자를 분자 '안'으로 데려간다.
Track 1: 12개 내레이션 투어, 6대 필러
생명공학 기초(구조 읽기/내비게이션) → 생명의 기초(헤모글로빈 산소 결합, ATP 합성) → 경로와 상호작용(해당과정, 트립신 소화) → 약물의 작동(아스피린/COX, 카페인, 페니실린) → 유전 기술(CRISPR-Cas9, 센트럴 도그마, 야마나카 인자) → 그린 바이오(플라스틱 분해 효소). 모든 투어가 실제 PDB 구조 기반이다. 즉, 교육용 애니메이션이 아니라 좌표 데이터 위에 서 있다.
Track 2: 전문가용 PDB 뷰어 & 분석 스위트
여기가 dev.to 독자라면 흥미로울 부분이다. NexoPeek의 Track 2는 단순 뷰어가 아니라 분석 파이프라인을 헤드셋 안에 옮긴 것에 가깝다.
스마트 검색 & DB 라우팅. 유전자명이나 유니프롯 ID를 넣으면 RCSB PDB, UniProtKB, AlphaFold DB, SWISS-MODEL, PDBe를 동시에 조회한다. 시놀릭스(동의어)를 자동 해석하고, 모델 검증이 내장되어 있다. 실무에서 이게 왜 중요한가 하면, 같은 단백질이 DB마다 다른 ID로 존재하기 때문이다. EGFR은 P00533(UniProt)이면서 1M17(PDB)이다. 라우팅을 자동화하면 컨텍스트 스위칭 비용이 줄어든다.
로컬 파일 인제스트 & 보강. .pdb, .cif, .mol2, .gro, .xyz, .dx, .xtc, .py를 지원한다. .xtc는 GROMACS 트래젝터리 포맷이고, .dx는 전자밀도 볼륨이다. 즉, 정적 구조뿐 아니라 MD 시뮬레이션 결과와 cryo-EM 밀도맵까지 다룬다. 정전기장 라인 맵, 커스텀 결합 정의, 전자밀도 볼륨 오버레이가 여기 붙는다.
Mol* 프리셋 원탭 전환. cartoon, ball-and-stick, spacefill CPK, molecular surface, B-factor heat, tube trace — MolViewSpec 개념에서 파생된 6개 프리셋. Mol*를 써본 사람은 알겠지만, 표현 전환은 종종 메뉴 깊숙이 숨어 있다. VR에서 원탭 전환은 단순 편의가 아니라, 시선을 분자에 유지한 채 표현만 바꾸는 워크플로우 차이다.
시퀀스 & 체인 제어. 체인별 아미노산 시퀀스를 스크롤하고, 잔기를 '필' 탭하면 3D 공간에 헤일로로 투영된다. 커스텀 원자 핀, 체인별 격리도 된다. 다중 체인 복합체(예: 항체-항원)를 다룰 때 체인 격리는 필수다.
온보드 분석. 여기가 핵심이다.
- AI 포켓 예측: PrankWeb/P2Rank 클라우드 AI + 오프라인 엔진으로 드러거블 사이트를 탐지한다. P2Rank는 머신러닝 기반 포켓 예측기로, 논문에서도 인용되는 도구다.
- 구조 정렬: Foldseek 파이프라인이 내장되어 동종 구조를 중첩하고, 도메인 기능 보존성을 평가하며, 약물 스왑 가설을 검증한다. Foldseek은 단백질 구조 검색에서 빠른 속도로 알려진 도구다.
- 리간드 인스펙터 & PubChem: 헤테로 화합물을 스캔하고, 수소결합 네트워크를 평가하며, PubChem에서 3D 리간드를 직접 페치한다.
- 거리 계산기: 트리거 픽으로 두 원자 간 정확한 옹스트롬 거리를 측정한다. 아까 내가 PyMOL에서 클릭하던 그 작업이, 여기서는 컨트롤러 트리거 두 번으로 끝난다.
혼합현실 & 패스스루. Room View 토글로 실제 물리 공간에 3D 분자를 띄우고, 월 메뉴 조작을 유지한다. 즉, 헤드셋을 벗지 않고도 주변을 볼 수 있고, 분자는 책상 위에 떠 있다.
엔지니어링 관점에서의 트레이드오프
VR 분자 뷰어를 만든다는 건 여러 트레이드오프를 강제한다. 렌더링 예산은 Quest 같은 standalone 헤드셋에서 특히 빡빡하다. 수십만 원자를 72~90Hz로 그리려면 LOD(level of detail) 전략이 필수다. NexoPeek이 6개 프리셋을 둔 것도 이 맥락에서 읽힌다. surface는 원자 수가 많을수록 비싸고, tube trace는 훨씬 싸다. 사용자가 표현을 바꾸는 건 곧 렌더링 부하를 바꾸는 것이다.
또 하나는 분석을 온디바이스로 할 것인가, 클라우드로 보낼 것인가다. 포켓 예측을 클라우드 AI로 돌리면 정확도는 높지만 네트워크가 필요하다. 오프라인 엔진을 병행하는 건 실험실 네트워크가 막혀 있을 때를 위한 설계다.
강의실에서 신약 디스커버리까지
강의실에서 ATP 가수분해 배우는 학부생부터, 신약 후보 물질의 결합 포켓 검증하는 구조생물학자까지. 호기심에서 후보 물질까지, 교실에서 신약 디스커버리까지 같은 헤드셋에서 이어진다.
당뇨 관해 54%라는 숫자는 식단과 운동의 힘이지만, 그 이면의 분자 스위치들은 여전히 3차원 공간에서 켜지고 꺼진다. 그 공간을 평면에서 바라보는 것과 안으로 걸어 들어가는 것의 차이는, 아마 직접 겪어봐야 알 것이다.
https://www.meta.com/experiences/nexopeek/1453797551140347/
Top comments (0)