Bio Co-Scientist
Bio Co-Scientist
하이퍼랩의 Bio Co-Scientist 랩스페이스에서는
리서치부터 설계, 구조 확인까지 하나의 흐름으로
진행할 수 있습니다.
채팅 한 줄로 연구를 시작해 보세요.
01
나만의 연구 아이디어를
디자인 결과로
나만의 연구 아이디어로 여러 후보를
한 번에 만들어 비교하고 원하는 방향을 선택해 나가며 연구 시간을 줄일 수
있습니다.
02
수백 개의 구조 예측을
더 빠르게
K-Fold는 수백 개의 구조 예측을
한 번에 수행하고, NVIDIA L40S GPU 기준 복합체당 평균 30초로 결과를 제공해 연구자의 시간과 비용을 줄입니다.
03
대화 기반으로
검색･예측･분석을 한 번에
대화를 기반으로 연구에 필요한
자료조사부터, 구조 예측과 결과
해석까지 하나의 하나의 흐름에서
몰입된 연구를 수행할 수 있습니다.
구조를 예측하는 모델, K-Fold
하이퍼랩은 KAIST와 히츠가 공동 개발한 차세대 바이오 파운데이션 모델 K-Fold*로 구조를 예측합니다.
*K-Fold는 단백질이 어떤 3차원 구조로 접히는지 예측해 주는 AI 모델 입니다.
X-ray 같은 실험 구조 대신, 서열만으로 단백질 단독 구조는 물론 단백질-리간드·핵산 같은 복합체 구조까지 예측해 결합 부위 분석이나
바인더·항체 설계에 바로 활용할 수 있습니다.
폭넓은 연구 확장성
분자 고유의 물리·화학적 상호작용
원리를 기반으로 결합 구조를 예측합니다.
자연계 진화 정보가 부족한 항체, TPD, 합성 바인더 등 신규 모달리티 설계에서 뛰어난 성능을 발휘합니다.
원리 기반의 예측 정밀도
단순한 서열 패턴 인식을 넘어,
단백질 안팎에서 일어나는 물리·화학적 상호작용과 결합 과정의 동적 구조 변화까지 반영하여 정밀한 복합체 구조를
예측합니다.
초 단위 고속 co-folding
NVIDIA L40S GPU 기준 복합체당
평균 30초의 고속 예측으로
빠르게 후보를 좁혀나갈 수 있습니다.
30s
복합체당 평균 추론 시간
(L40S GPU 기준)
Multi-state
Kinase·GPCR 등 주요 표적의
다양한 상태 예측
Apo-to-holo
고유한 원리로 KRAS·Src 등
난제 표적 정밀 예측
디자인 워크플로우를 하나의 흐름으로
항체 설계
1
타깃 항원의 결합 부위를 리서치
채팅으로 항원 구조를 찾아 결합 가능한 부위를 파악합니다.
2
적합한 항체 서열 불러오기
설계의 출발점이 되는 서열 정보를 찾아옵니다.
3
RFdiffusion으로 CDR 백본 설계
결합 부위에 맞춰 CDR 루프의 백본 구조를 설계합니다.
4
서열 설계
설계한 백본 위치에 들어갈 아미노산 서열을 생성합니다.
5
K-Fold로 항원-항체 복합체 구조 예측
타깃 항원과 디자인한 항체의 결합 구조를 예측해 3D Viewer로 확인 합니다.
6
ipTM으로 결합 신뢰도를 확인해 후보 선별
항원-항체 결합의 신뢰도를 지표로 유망한 항체 후보를 선별합니다.
이 모든 과정이 한 곳에서 가능합니다.
서열이나 결과를 옮겨 다닐 필요가 없습니다.
하이퍼랩의 단백질, 항체 디자인 연구 경험을 만나보세요.
자주 묻는 질문
AlphaFold3와 무엇이 다른가요?
접근 방식과 원리가 다릅니다.
기존 co-folding 모델들이 다중서열정렬 (MSA)의 진화 통계에 크게 의존하는 반면, K-Fold는 MSA 없이 분자 자체의 물리·구조적 특징을 기반으로 결합 구조를 예측합니다.
특히 최종 정적 구조만 학습하는 기존 방식과 달리, 결합 과정에서 일어나는 구조 변화를 학습합니다. 이 덕분에 자연계 진화 정보가 부족한 항체, TPD와 같은 차세대 모달리티 약물, 그리고 kinase, GPCR처럼 구조 변화가 중요한 단백질 타깃에서 견고한 일반화 성능을 발휘합니다.
또한 MSA 탐색 병목이 없고 최적화된 연산 커널을 사용하여, 복합체당 평균 30초의 초고속 예측이 가능합니다.
(L40S GPU 기준)
정확도는 믿을 만한가요?
정교한 벤치마크 평가와 다각적 신뢰도 지표를 통해 신뢰성을 검증합니다.
K-Fold는 대표적인 복합체 구조 벤치마크뿐만 아니라 항원-항체, TPD 삼합체, kinase·GPCR 구조 변화 등의 예측에서 최고 수준의 정확도를 보입니다.
또한 예측 결과와 함께 pLDDT, PAE, pTM, ipTM 등 복합체 및 결합 계면 신뢰도 지표를 제공하여, 연구자가 예측 결과를 비판적으로 검증할 수 있습니다.
어떤 분자와 복합체를 예측할 수 있나요?
단백질-단백질, 단백질-저분자 복합체와 핵산(DNA/RNA), 이온을 다룹니다.
이들이 함께 있는 복합체 구조를 한 번에 예측합니다.
K-Fold 모델의 입력과 출력 형식은 어떻게 되나요?
입력은 단백질·DNA·RNA 서열, 저분자 SMILES 문자열, 이온 지정입니다.
출력은 CIF·PDB 형식으로 함께 제공되며, 구조 1개 예측 시 기본 5개 컨포머를 반환합니다.
설계할 때 다른 도구를 함께 써야 하나요?
아니요. 전략 리서치, 서열 정보 불러오기, 백본·서열 설계, 구조 예측을 한곳에서 이어서 수행합니다.
서열을 직접 준비하거나 도구 간에 결과를 옮길 필요가 없습니다.
예측 속도는 실제 연구에 사용하기에 충분히 빠른가요?
NVIDIA L40S GPU 기준 복합체당 평균 30초 내외로 완료됩니다. (인프라 요인에 의한 지연 제외)
수십 분이 소요되던 MSA 탐색 단계가 없고, 또한 가속화된 연산 커널을 적용하여, 통상적인 복합체는 평균 30초, 대형 복합체도 2분 내외로 예측이 완료됩니다.
이러한 초고속 예측 속도 덕분에 통해 연구 현장에서 수많은 후보물질을 검증하는 가상 탐색 워크플로에 즉시 활용할 수 있습니다.
업로드한 연구 데이터가 AI학습에 이용 되나요?
고객 데이터와 분석 결과는 모델 학습에 사용되지 않습니다.
고객 데이터는 어떻게 보호되나요?
운영(Production) 서버와 개발(Development) 서버는 물리적으로 분리되어 있습니다.
운영 서버에 대한 접근 제어는 OTP 및 VPC 기반 Private Network를 통해 강화되어 있으며,
외부 접근은 불가능합니다.
—
AI 신약개발 플랫폼
1. 나만의 연구 아이디어를 디자인 결과로
나만의 연구 아이디어로 여러 후보를 한 번에 만들어 비교하고 원하는 방향을 선택해 나가며 연구 시간을 줄일 수 있습니다.
2. 수백 개의 구조 예측을 더 빠르게
K-Fold는 수백 개의 구조 예측을 한 번에 수행하고, NVIDIA L40S GPU 기준 복합체당 평균 30초로
결과를 제공해 연구자의 시간과 비용을 줄입니다.
3. 더 빠른 속도
대화를 기반으로 연구에 필요한 자료조사부터, 구조 예측과 결과 해석까지 하나의 하나의 흐름에서 몰입된 연구를 수행할 수 있습니다.
Bio Co-Researcher
Bio Co-Scientist
하이퍼랩의 Bio Co-Scientist 랩스페이스에서는
리서치부터 설계, 구조 확인까지 하나의 흐름으로
진행할 수 있습니다.
채팅 한 줄로 연구를 시작해 보세요.
Bio Co-Researcher
Bio Co-Scientist
하이퍼랩의 Bio Co-Scientist 랩스페이스에서는
리서치부터 설계, 구조 확인까지 하나의 흐름으로
진행할 수 있습니다.
채팅 한 줄로 연구를 시작해 보세요.
K-Fold Model
구조를 예측하는 모델, K-Fold
하이퍼랩은 KAIST와 히츠가 공동 개발한
차세대 바이오 파운데이션 모델 K-Fold*로 구조를
예측합니다.
*K-Fold는 단백질이 어떤 3차원 구조로 접히는지 예측해 주는 AI 모델 입니다.
X-ray 같은 실험 구조 대신, 서열만으로 단백질 단독 구조는 물론 단백질-리간드·핵산 같은 복합체 구조까지 예측해 결합 부위 분석이나 바인더·항체 설계에 바로 활용할 수 있습니다.
1. 폭넓은 연구 확장성
분자 고유의 물리·화학적 상호작용 원리를 기반으로 결합 구조를 예측합니다.
자연계 진화 정보가 부족한 항체, TPD, 합성 바인더 등 신규 모달리티 설계에서 뛰어난 성능을 발휘합니다.
2. 원리 기반의 예측 정밀도
단순한 서열 패턴 인식을 넘어, 단백질 안팎에서 일어나는 물리·화학적 상호작용과 결합 과정의 동적 구조 변화까지 반영하여 정밀한 복합체 구조를 예측합니다.
3. 초 단위 고속 co-folding
NVIDIA L40S GPU 기준 복합체당 평균 30초의 고속 예측으로 빠르게 후보를 좁혀나갈 수 있습니다.
K-Fold
Workflow
디자인 워크플로우를
하나의 흐름으로
항체 설계
1
타겟 항원의 결합 부위를 리서치
채팅으로 항원 구조를 찾아 결합 가능한 부위를 파악합니다.
2
적합한 항체 서열 불러오기
설계의 출발점이 되는 서열 정보를 찾아옵니다
3
RFdiffusion으로 CDR 백본 설계
결합 부위에 맞춰 CDR 루프의 백본 구조를 설계합니다.
4
서열 설계
설계한 백본 위치에 들어갈 아미노산 서열을 생성합니다.
5
K-Fold로 항원-항체 복합체 구조 예측
타깃 항원과 디자인한 항체의 결합 구조를 예측해 3D Viewer로 확인 합니다.
6
ipTM으로 결합 신뢰도를 확인해 후보 선별
항원-항체 결합의 신뢰도를 지표로 유망한 항체 후보를 선별합니다.
단백질 바인더 설계
1
타깃 단백질의 결합 부위를 리서치
채팅으로 타깃 구조를 찾아 바인더가 결합할 부위를 파악합니다.
2
RFdiffusion으로 백본 설계
결합 부위에 맞춰 바인더의 백본 구조를 설계합니다.
3
ProteinMPNN으로 서열 설계
설계한 백본에 들어갈 아미노산 서열을 생성합니다.
4
K-Fold로 타깃-바인더 복합체 구조 예측
설계한 바인더가 타깃에 어떻게 결합하는지 복합체 구조를 예측해 3D Viewer로 확인합니다.
5
신뢰도 지표로 후보 선별
타깃과 바인더가 맞닿는 인터페이스를 ipTM으로 평가해 유망한 후보를 선별합니다.
자주 묻는 질문
FAQ
AlphaFold3와 무엇이 다른가요?
접근 방식과 원리가 다릅니다.
기존 co-folding 모델들이 다중서열정렬 (MSA)의 진화 통계에 크게 의존하는 반면, K-Fold는 MSA 없이 분자 자체의 물리·구조적 특징을 기반으로 결합 구조를 예측합니다.
특히 최종 정적 구조만 학습하는 기존 방식과 달리, 결합 과정에서 일어나는 구조 변화를 학습합니다. 이 덕분에 자연계 진화 정보가 부족한 항체, TPD와 같은 차세대 모달리티 약물, 그리고 kinase, GPCR처럼 구조 변화가 중요한 단백질 타깃에서 견고한 일반화 성능을 발휘합니다.
또한 MSA 탐색 병목이 없고 최적화된 연산 커널을 사용하여, 복합체당 평균 30초의 초고속 예측이 가능합니다.
(L40S GPU 기준)
정확도는 믿을 만한가요?
정교한 벤치마크 평가와 다각적 신뢰도 지표를 통해 신뢰성을 검증합니다.
K-Fold는 대표적인 복합체 구조 벤치마크뿐만 아니라 항원-항체, TPD 삼합체, kinase·GPCR 구조 변화 등의 예측에서 최고 수준의 정확도를 보입니다.
또한 예측 결과와 함께 pLDDT, PAE, pTM, ipTM 등 복합체 및 결합 계면 신뢰도 지표를 제공하여, 연구자가 예측 결과를 비판적으로 검증할 수 있습니다.
어떤 분자와 복합체를 예측할 수 있나요?
단백질-단백질, 단백질-저분자 복합체와 핵산(DNA/RNA), 이온을 다룹니다.
이들이 함께 있는 복합체 구조를 한 번에 예측합니다.
K-Fold 모델의 입력과 출력 형식은 어떻게 되나요?
입력은 단백질·DNA·RNA 서열, 저분자 SMILES 문자열, 이온 지정입니다.
출력은 CIF·PDB 형식으로 함께 제공되며, 구조 1개 예측 시 기본 5개 컨포머를 반환합니다.
설계할 때 다른 도구를 함께 써야 하나요?
아니요. 전략 리서치, 서열 정보 불러오기, 백본·서열 설계, 구조 예측을 한곳에서 이어서 수행합니다.
서열을 직접 준비하거나 도구 간에 결과를 옮길 필요가 없습니다.
예측 속도는 실제 연구에 사용하기에 충분히 빠른가요?
NVIDIA L40S GPU 기준 복합체당 평균 30초 내외로 완료됩니다. (인프라 요인에 의한 지연 제외)
수십 분이 소요되던 MSA 탐색 단계가 없고, 또한 가속화된 연산 커널을 적용하여, 통상적인 복합체는 평균 30초, 대형 복합체도 2분 내외로 예측이 완료됩니다.
이러한 초고속 예측 속도 덕분에 통해 연구 현장에서 수많은 후보물질을 검증하는 가상 탐색 워크플로에 즉시 활용할 수 있습니다.
업로드한 연구 데이터가 AI학습에 이용 되나요?
고객 데이터와 분석 결과는 모델 학습에 사용되지 않습니다.
고객 데이터는 어떻게 보호되나요?
운영(Production) 서버와 개발(Development) 서버는 물리적으로 분리되어 있습니다.
운영 서버에 대한 접근 제어는 OTP 및 VPC 기반 Private Network를 통해 강화되어 있으며,
외부 접근은 불가능합니다.
—
AI 신약개발 플랫폼
Small Molecule Discovery
연구 논문
Bio Co-Researcher
Bio Co-Scientist
하이퍼랩의 Bio Co-Scientist 랩스페이스에서는
리서치부터 설계, 구조 확인까지 하나의 흐름으로 진행할 수 있습니다.
채팅 한 줄로 연구를 시작해 보세요.
1. 나만의 연구 아이디어를 디자인 결과로
나만의 연구 아이디어로 여러 후보를 한 번에 만들어 비교하고 원하는 방향을 선택해 나가며 연구 시간을 줄일 수 있습니다.
2. 수백 개의 구조 예측을 더 빠르게
K-Fold는 수백 개의 구조 예측을 한 번에 수행하고, NVIDIA L40S GPU 기준 복합체당 평균 30초로 결과를 제공해 연구자의 시간과 비용을 줄입니다.
3. 더 빠른 속도
대화를 기반으로 연구에 필요한 자료조사부터, 구조 예측과 결과 해석까지 하나의 하나의 흐름에서 몰입된 연구를 수행할 수 있습니다.
구조를 예측하는 모델, K-Fold
K-Fold Model
하이퍼랩은 KAIST와 히츠가 공동 개발한 차세대 바이오 파운데이션 모델 K-Fold*로 구조를 예측합니다.
*K-Fold는 단백질이 어떤 3차원 구조로 접히는지 예측해 주는 AI 모델 입니다.
X-ray 같은 실험 구조 대신, 서열만으로 단백질 단독 구조는 물론 단백질-리간드·핵산 같은 복합체 구조까지 예측해
결합 부위 분석이나 바인더·항체 설계에 바로 활용할 수 있습니다.
1. 폭넓은 연구 확장성
분자 고유의 물리·화학적 상호작용 원리를 기반으로 결합 구조를 예측합니다.
자연계 진화 정보가 부족한 항체, TPD, 합성 바인더 등 신규 모달리티 설계에서 뛰어난 성능을 발휘합니다.
2. 원리 기반의 예측 정밀도
단순한 서열 패턴 인식을 넘어, 단백질 안팎에서 일어나는 물리·화학적 상호작용과 결합 과정의 동적 구조 변화까지 반영하여 정밀한 복합체 구조를 예측합니다.
3. 초 단위 고속 co-folding
NVIDIA L40S GPU 기준 복합체당 평균 30초의 고속 예측으로 빠르게 후보를 좁혀나갈 수 있습니다.
K-Fold
디자인 워크플로우를 하나의 흐름으로
Workflow
항체 설계
1
타깃 항원의 결합 부위를 리서치
채팅으로 항원 구조를 찾아 결합 가능한 부위를 파악합니다.
2
적합한 항체 서열 불러오기
설계의 출발점이 되는 서열 정보를 찾아옵니다.
3
RFdiffusion으로 CDR 백본 설계
결합 부위에 맞춰 CDR 루프의 백본 구조를 설계합니다.
4
서열 설계
설계한 백본 위치에 들어갈 아미노산 서열을 생성합니다.
5
K-Fold로 항원-항체 복합체 구조 예측
타깃 항원과 디자인한 항체의 결합 구조를 예측해 3D Viewer로 확인 합니다.
6
ipTM으로 결합 신뢰도를 확인해 후보 선별
항원-항체 결합의 신뢰도를 지표로 유망한 항체 후보를 선별합니다.
단백질 바인더 설계
1
타깃 단백질의 결합 부위를 리서치
채팅으로 타깃 구조를 찾아 바인더가 결합할 부위를 파악합니다.
2
RFdiffusion으로 백본 설계
결합 부위에 맞춰 바인더의 백본 구조를 설계합니다.
3
ProteinMPNN으로 서열 설계
설계한 백본에 들어갈 아미노산 서열을 생성합니다.
4
K-Fold로 타깃-바인더 복합체 구조 예측
설계한 바인더가 타깃에 어떻게 결합하는지 복합체 구조를 예측해 3D Viewer로 확인합니다.
5
신뢰도 지표로 후보 선별
타깃과 바인더가 맞닿는 인터페이스를 ipTM으로 평가해 유망한 후보를 선별합니다.
AlphaFold3와 무엇이 다른가요?
접근 방식과 원리가 다릅니다.
기존 co-folding 모델들이 다중서열정렬 (MSA)의 진화 통계에 크게 의존하는 반면, K-Fold는 MSA 없이 분자 자체의 물리·구조적 특징을 기반으로 결합 구조를 예측합니다.
특히 최종 정적 구조만 학습하는 기존 방식과 달리, 결합 과정에서 일어나는 구조 변화를 학습합니다. 이 덕분에 자연계 진화 정보가 부족한 항체, TPD와 같은 차세대 모달리티 약물, 그리고 kinase, GPCR처럼 구조 변화가 중요한 단백질 타깃에서 견고한 일반화 성능을 발휘합니다.
또한 MSA 탐색 병목이 없고 최적화된 연산 커널을 사용하여, 복합체당 평균 30초의 초고속 예측이 가능합니다.
(L40S GPU 기준)
정확도는 믿을 만한가요?
정교한 벤치마크 평가와 다각적 신뢰도 지표를 통해 신뢰성을 검증합니다.
K-Fold는 대표적인 복합체 구조 벤치마크뿐만 아니라 항원-항체, TPD 삼합체, kinase·GPCR 구조 변화 등의 예측에서 최고 수준의 정확도를 보입니다.
또한 예측 결과와 함께 pLDDT, PAE, pTM, ipTM 등 복합체 및 결합 계면 신뢰도 지표를 제공하여, 연구자가 예측 결과를 비판적으로 검증할 수 있습니다.
어떤 분자와 복합체를 예측할 수 있나요?
단백질-단백질, 단백질-저분자 복합체와 핵산(DNA/RNA), 이온을 다룹니다.
이들이 함께 있는 복합체 구조를 한 번에 예측합니다.
K-Fold 모델의 입력과 출력 형식은 어떻게 되나요?
입력은 단백질·DNA·RNA 서열, 저분자 SMILES 문자열, 이온 지정입니다.
출력은 CIF·PDB 형식으로 함께 제공되며, 구조 1개 예측 시 기본 5개 컨포머를 반환합니다.
설계할 때 다른 도구를 함께 써야 하나요?
아니요. 전략 리서치, 서열 정보 불러오기, 백본·서열 설계, 구조 예측을 한곳에서 이어서 수행합니다.
서열을 직접 준비하거나 도구 간에 결과를 옮길 필요가 없습니다.
예측 속도는 실제 연구에 사용하기에 충분히 빠른가요?
NVIDIA L40S GPU 기준 복합체당 평균 30초 내외로 완료됩니다. (인프라 요인에 의한 지연 제외)
수십 분이 소요되던 MSA 탐색 단계가 없고, 또한 가속화된 연산 커널을 적용하여, 통상적인 복합체는 평균 30초, 대형 복합체도 2분 내외로 예측이 완료됩니다.
이러한 초고속 예측 속도 덕분에 통해 연구 현장에서 수많은 후보물질을 검증하는 가상 탐색 워크플로에 즉시 활용할 수 있습니다.
업로드한 연구 데이터가 AI학습에 이용 되나요?
고객 데이터와 분석 결과는 모델 학습에 사용되지 않습니다.
고객 데이터는 어떻게 보호되나요?
운영(Production) 서버와 개발(Development) 서버는 물리적으로 분리되어 있습니다.
운영 서버에 대한 접근 제어는 OTP 및 VPC 기반 Private Network를 통해 강화되어 있으며,
외부 접근은 불가능합니다.
자주 묻는 질문
FAQ
30s
복합체당 평균 추론 시간
(L40S GPU 기준)
AF3-level
Kinase·GPCR 등
주요 표적의 다양한 상태 예측
No MSA
고유한 원리로 KRAS·Src 등
난제 표적 정밀 예측