영국의 케임브리지 대학교, 미국의 컬럼비아 대학교 및 플랫아이언 연구소 등이 주축이 된 Reciprocal Space Station 컨소시엄에서 개발하고 2026년 4월 Nature Methods에 발표한 ROCKET(Refinement of structures using Coevolutionary Knowledge and Experimental Targets)은 인공지능 기반 단백질 구조 예측 모델과 물리적 실험 데이터를 결합하는 혁신적인 정밀화 프레임워크입니다. 이 시스템은 OpenFold(AlphaFold2의 오픈소스 재구현체)의 딥러닝 아키텍처 내부로 들어가 X-선 결정학(X-ray crystallography) 회절 데이터나 초저온 전자현미경(Cryo-EM) 및 전자 단층 촬영(Cryo-ET) 밀도 맵 등 미가공 상태의 물리적 실험 데이터를 모델에 직접 통합하여 결합 구조를 원자 수준에서 미세 조정합니다. 사용자가 제공한 구조 템플릿과 실험 파형 신호를 동시에 학습함으로써, 단순 예측을 넘어 실제 물리적 실체에 부합하는 정밀 모델을 출력하는 구조생물학의 차세대 정밀 제어 허브 역할을 합니다. 기존의 Phenix나 COOT 같은 전통적인 구조 정밀화 도구들은 원자 좌표를 3차원 공간에서 직접 이동시키는 데카르트 좌표계 최적화(Cartesian coordinate optimization) 방식을 사용하기 때문에, 해상도가 낮거나 신호 대 잡음비(Signal-to-noise ratio)가 열악한 데이터 환경에서는 국소 최적해(Local minima)에 쉽게 갇히거나 물리적으로 불가능한 화학적 변형을 초래하는 경우가 많았습니다. 반면 ROCKET은 이러한 한계를 극복하기 위해 물리적 좌표를 억지로 끼워 맞추는 대신, OpenFold의 다중서열정렬(Multiple Sequence Alignment, MSA) 클러스터 프로파일과 공진화 임베딩(Coevolutionary embedding)이라는 내부 잠재 공간의 표현력을 수정 및 바이어싱하는 방법론을 취합니다. 비유하자면, 기존 방식이 완성된 원고의 오타를 한 글자씩 지우개로 지워가며 고치다가 문맥을 망치는 작업이었다면, ROCKET은 글의 뼈대와 구성 의도를 쥐고 있는 저자의 두뇌 속 생각(잠재 공간) 자체를 올바른 정보로 유도하여 글 전체가 자연스럽고 문맥에 맞게 흐르도록 새로 고쳐 쓰게 만드는 편집자와 같습니다. 이러한 접근법 덕분에 ROCKET은 대규모 도메인 재배열(Domain rearrangement)이나 까다로운 루프 반전(Loop flips)과 같은 거시적 구조 변화도 물리적 제약 조건과 진화적 통계 규범을 위배하지 않으면서 자연스럽고 정확하게 보정해 냅니다. 실제 생명공학 및 신약 개발 연구 환경에서 이 도구는 저해상도 또는 유연성(Flexibility)이 높은 막단백질(Membrane protein) 구조 분석에서 강력한 효용을 발휘합니다. 예를 들어 4Å 이상의 저해상도 Cryo-EM 맵과 조악한 기초 설계 PDB 모델을 확보한 연구자는 ROCKET의 `rk.refine` 파이프라인을 통과시켜 복잡한 수동 원자 모델링 단계를 건너뛰고 단 몇 차례의 GPU 최적화 세션만으로 신뢰성 높은 단백질-리간드 결합 구조를 도출할 수 있습니다. 특히 GPU 리소스가 부족한 연구실에서도 Phenix 서버를 경유하는 `phenix.rocket` 원격 제출 기능을 사용하면 고가의 하드웨어 인프라를 직접 구비하지 않고도 복잡한 다중 복합체 정밀화를 수 분 내에 처리할 수 있어 연구 주기를 획기적으로 단축할 수 있습니다.