세포 표면에 존재하며 세포의 성장과 증식에 관여하는 단백질로, 일부 암세포에서는 정상 세포보다 많이 나타나며 Herceptin(Trastuzumab)과 같은 항체 치료제의 타겟이 됨
항체(Antibody)
특정 물질이나 단백질을 인식하고 결합하는 면역 단백질로, HER2를 타겟으로 하는 항체는 HER2에 선택적으로 결합할 수 있도록 설계하는 것이 중요함
Fig 2. HER2-Antibody
이번 실습에서는 HER2 PDB(*.pdb) 파일을 입력 데이터로 사용하고, 이를 기반으로 HER2에 결합할 수 있는 항체 후보를 생성하고 평가해보겠습니다.
2. Project 생성
먼저 이번 실습에서 사용할 Project를 생성합니다.
3. Recipe 생성
그리고 항체 후보를 설계하기 위한 Recipe(여러 Module을 연결해 하나의 분석 과정을 만드는 것)를 생성합니다. Recipe 생성 화면에서는 Antibody generation과 Property prediction 중 하나를 선택할 수 있으며, 이번 실습에서는 Antibody generation을 선택해 진행해보겠습니다.
다음 단계에서는 항체를 설계하고 평가하는 데 사용할 Module을 선택합니다.
항체 설계를 위한 Design Module과 Binding Affinity(결합력), Folding Likelihood(구조 형성 가능성) 등을 평가하는 Module을 필요에 따라 선택할 수 있습니다.
4. 분석 파일 업로드
Recipe를 구성했다면, 이제 항체 설계에 사용할 파일을 Project에 업로드합니다.
💡 Tip. 파일은 Experiment를 생성하는 과정에서 직접 업로드할 수도 있지만, Project에 미리 업로드해두고 필요한 Experiment에서 불러와 사용할 수도 있습니다.
이번 실습에서는 다음 두 개의 PDB 파일을 Project에 미리 업로드해두겠습니다.
① HER2_domainIV_target.pdb : 항체가 결합할 HER2의 구조 정보 ② trastuzumab_Fv_HLT.pdb : 새 항체를 설계할 때 사용할 항체의 기본 골격 구조
5. Experiment 생성 및 실행
Recipe와 입력파일을 준비했다면, 이를 이용해 Experiment를 생성합니다.
먼저 생성한 Recipe를 선택합니다.
Recipe를 선택한 후, Project에 업로드했던 파일을 불러와 Target Structure와 Antibody Framework Structure로 지정하고 필요한 Parameters를 설정합니다.
파일과 Parameters 설정을 완료하면 Experiment를 Validate합니다.
Validate가 정상적으로 완료되면, 해당 Experiment 실행에 필요한 예상 비용(Experiment Unit, EU)을 확인할 수 있습니다.
이번 실습에서는 약 10개의 항체 후보를 생성하도록 설정했으며, 예상 비용은 1 EU, 예상 소요 시간은 약 2~4시간으로 확인됩니다.
(※ EU를 포함한 자세한 비용 정보는 아래 💰가격 부분에서 다루겠습니다.)
6. Experiment 결과 확인
예상 시간보다 빠르게 약 2시간 에 Experiment 실행이 완료되었으며, 생성된 항체 후보와 분석 결과를 확인할 수 있습니다.
Overview 탭에서는 Experiment의 소요 시간과 같은 실행 정보와 함께, 입력에 사용된 Parameters를 확인할 수 있습니다.
In silico results 탭에서는 생성된 항체 후보의 다양한 분석 결과를 확인할 수 있습니다.
왼쪽에서는 여러 조건을 기준으로 후보를 필터링할 수 있으며, 이에 해당하는 candidate의 분석 결과가 오른쪽에 표시됩니다.
오른쪽 하단에서는 생성된 후보들을 단백질 특성을 기반으로 유사한 후보끼리 그룹화하고(Functional Clustering) 아미노산 서열/CDR 서열의 유사도와 위치별 아미노산 분포를 분석하는 등(Sequences and CDR Analysis) 후보군의 특성과 다양성을 확인할 수 있습니다.
7. Web Lab 실험
In silico 분석을 통해 후보를 확인한 후, candidate을 선택해 Send to Web Lab을 통해 실제 실험까지 진행할 수 있습니다.
Wet lab 파트너로는 Twist BioscienceCorporation과 Ginkgo Bioworks를 선택할 수 있으며, 목적에 따라 Assay를 선택할 수 있습니다.
또한 항체를 어떤 세포에서 생산할지 결정하는 Expression Host도 선택할 수 있습니다.
이렇게 항체 후보 설계부터 In Silico 분석과 Wet Lab 실험까지 이어지는 전체 과정을 직접 확인해보았습니다.
실제 연구에서는 이 과정을 반복하며 후보물질을 설계하고 평가하는 방식으로 활용할 수 있을 것으로 예상됩니다.
📌 추가로 알아보기
💰 가격
서비스를 검토할 때 빼놓을 수 없는 부분 중 하나가 바로 가격인데요.
Amazon Bio Discovery는 EU(Experiment Unit)라는 단위를 기준으로 비용이 책정됩니다.
요금제별 가격은 다음과 같습니다.
* Early Access Price 기준 현재 표의 가격은 정가에서 50% 할인된 금액이며, 2026년 10월 15일까지 Early Access 할인이 적용됩니다.
즉, 단순한 월 구독 방식이 아니라 요금제에 포함된 EU를 기준으로 Experiment 규모와 사용량에 따라 과금되는 구조입니다.
⚖️ AWS HealthOmics와 다른 점
작년에 AWS HealthOmics를 소개하면서 유전체 데이터를 기반으로 한 분석과 Workflow 활용 방법을 다뤘는데요.
이번에 소개하는 Amazon Bio Discovery는 같은 바이오 분야의 서비스이지만, 연구 대상과 목적이 조금 다릅니다.
쉽게 표현하면,
🧬 HealthOmics → 유전체 데이터를 분석
🤖 Bio Discovery → 단백질·항체 후보를 설계하고 평가
장점😆
🤖 다양한 AI 모델 활용 항체·단백질 설계와 분석에 필요한 40개 이상의 다양한 AI 모델을 하나의 플랫폼에서 사용할 수 있음
🧩 Workflow 구성 Module을 조합해 Recipe를 구성하는 방식이라, 필요한 분석 과정을 직접 구성할 수 있음
🔬 Wet Lab 연계 설계한 후보를 실제 Web Lab 실험으로 연결할 수 있어, 단순한 AI 기반의 후보 설계에 그치지 않는다는 점
🖥️ GUI 기반의 쉬운 접근성 복잡한 AI 모델이나 분석 환경을 직접 구성하지 않아도 되고, GUI를 통해 실험을 구성하고 실행할 수 있는 용이한 접근성
🧪 Wet-Lab 기반 모델 검증 실제 Wet Lab 실험으로 검증된 Benchmark를 통해 AI 모델의 성능을 비교·평가할 수 있음
🤖 Custom Model 활용 기본 제공 모델뿐만 아니라 자체 모델을 가져오거나 실험 데이터를 활용해 모델을 학습·개선할 수 있음
아쉬운 점🙁
📚 초기 학습 필요 Project, Recipe, Module 등 Bio Discovery만의 개념과 구조가 있어 처음 사용할 때는 익숙해지는 과정이 필요
🖥️ 리소스 사양 확인 제한 Experiment 실행 시 어떤 사양의 컴퓨팅 리소스가 사용되는지 명확하게 확인하기 어려움
🔐 세션 종료 일정 시간이 지나면 세션이 종료되어 다시 로그인 필요
🎯 활용 가능성
🧬 항체 후보 탐색 다양한 AI 기반 Module을 통해 새로운 항체 후보를 설계하고 탐색하는 데 활용할 수 있음
🔍 후보물질 분석 및 평가 설계된 후보의 결합력, 안정성, 구조적 특성 등을 분석하고 후보 간 특성을 비교하는 데 유용할 것으로 예상됨
🧪 신약개발 초기 연구 후보물질을 탐색하고 평가하는 초기 신약개발 과정에서 AI 기반 연구 플랫폼으로 활용하기에 적해보임
이번 글에서는 Amazon Bio Discovery를 직접 사용해보며 실제 사용 과정과 주요 기능을 살펴보았습니다.
🤖 개인적으로는 여러 AI 모델과 분석 기능을 하나의 환경에서 구성하고 사용할 수 있다는 점이 가장 인상적이었습니다.
🔬 특히 In Silico 분석에서 Wet Lab까지 이어지는 과정을 직접 경험하면서, AI 기반 연구 플랫폼이 실제 연구 과정에 어떻게 연결될 수 있는지 확인할 수 있었습니다.
🚀 아직 초기 단계인 만큼 앞으로 어떤 기능들이 추가될지 기대해보며, 이번 글을 마무리하겠습니다.
📋 [Supplementary] Module List
No.
Module
주요 기능
1
AbLang2-Perplexity
AbLang 기반 항체 서열의 Pseudo-Perplexity 및 Pseudo-Log-Likelihood 계산
2
AbMPNN
항체 구조를 기반으로 항체 서열 설계
3
AbNumber
항체 서열의 Numbering, 정렬 및 표현
4
ABodyBuilder3
항체 서열 기반 3D 구조 예측
5
Aggrescan3D
단백질의 응집 가능성 예측
6
BioPhi
항체 Humanization 및 면역원성 평가
7
Boltz1
단백질 복합체의 3D 구조 예측
8
Boltz2
단백질 복합체의 3D 구조 및 결합력 예측
9
BoltzGen
표적 단백질에 대한 De novo Nanobody 설계
10
caliby
구조 정보를 활용한 단백질 서열 설계
11
Chai1
단백질 복합체의 3D 구조 및 결합 예측
12
colabfold
단백질 및 복합체의 3D 구조 예측
13
ESM-2 Clustering
ESM-2 임베딩 기반 항체 서열 클러스터링
14
ESM-2 Embedding
ESM-2 기반 서열 임베딩 생성
15
ESM2 Property Predictor
항체의 안정성, 용해도, 면역원성 등 특성 예측
16
EvoProtGrad
기존 항체 서열을 기반으로 Directed Evolution 설계
17
FastDPE
항체의 개발 가능성 관련 특성 평가
18
FreeBindCraft
De novo Binder 설계
19
GeoDock
단백질 간 Docking 및 결합 인터페이스 예측
20
Graphinity
항체-항원 복합체의 결합력 변화 예측
21
Humatch Classify
항체의 Human-likeness 및 V-gene 분류
22
Humatch Humanise
비인간 항체 서열의 Humanization
23
IgDesign
De novo 항체 설계
24
IgGM
항원과 결합하는 De novo Binder 설계
25
IntelliFold
단백질 복합체의 3D 구조 및 결합 예측
26
mBER
De novo Nanobody(VHH) 설계
27
mBER Design Only
De novo Nanobody 서열 설계
28
MiniFold
단백질의 3D 구조 예측
29
MMSeqs2 Clustering
단백질 서열의 유사도 기반 클러스터링
30
Nanobody Polyreactivity Scorer
Nanobody의 비특이적 결합 가능성 예측
31
NanobodyBuilder2
Nanobody의 3D 구조 예측
32
Optimized RFDiffusion-antibody
표적과 Scaffold를 기반으로 항체 Backbone De novo 설계
33
PLM Pseudo-Perplexity
PLM 기반 단백질 서열 적합성 평가
34
Protein-Sol
단백질 용해도 예측
35
ProteinMPNN
단백질 구조 기반 서열 설계
36
RFantibody
항체·Nanobody의 De novo 구조 설계
37
RFDiffusion
단백질 구조 생성 및 Binder 설계
38
RFDiffusion-antibody
표적과 Scaffold를 기반으로 항체 Backbone De novo 설계
39
RFDiffusion3
단백질 구조 생성 및 Binder 설계
40
RosettaFold2-antibody
항체의 3D 구조 예측
41
TemStaPro
단백질 열적 안정성 예측
42
ThermoMPNN-D
단백질 안정성 향상을 위한 서열 설계
43
TNP
Nanobody의 개발 가능성 관련 특성 평가
FAQ
Q. Amazon Bio Discovery란 무엇인가요? A. AI 모델로 항체·단백질 후보를 설계·평가하는 AWS의 바이오 연구 애플리케이션입니다. 40개 이상의 AI 모델을 Recipe로 조합해 실험을 실행합니다. 결과를 Wet Lab 실험과 모델 개선으로 다시 연결하는 Lab-in-the-loop 방식을 지원합니다. Q. Amazon Bio Discovery 가격은 어떻게 책정되나요? A. EU(Experiment Unit)라는 단위로 과금되며, 실험 규모에 따라 필요한 EU가 달라집니다. 신규 사용자는 첫 달 5 EU가 무료입니다. 실행에 실패한 Experiment는 EU가 차감되지 않습니다. Wet Lab 실험 비용은 따로 부과됩니다. (2026년 10월 기준) Q. Amazon Bio Discovery와 AWS HealthOmics는 무엇이 다른가요? A. HealthOmics는 유전체 데이터를 저장·분석하는 서비스입니다. Bio Discovery는 단백질·항체 후보를 설계하고 평가하는 서비스입니다. 둘 다 바이오 분야 서비스지만 다루는 데이터와 연구 목적이 다릅니다. Q. 어느 리전에서 사용할 수 있나요? A. 작성 시점(2026년 10월) 기준으로 미국 동부 버지니아(us-east-1) 리전에서만 제공됩니다.
AWS 기반 생성형 AI·연구 환경 구축이 필요하다면 NDS AI 서비스에 문의해 보세요. –> 문의하기
![Read more about the article [AWS Summit Korea 2025] 생성형 AI 기반으로 스마트 인사이트 구현](https://tech.cloud.nongshim.co.kr/wp-content/uploads/image-420.png)