Bio Co-Scientist
가능성을 넓히는 빠르고 정밀한 구조 예측
가능성을 넓히는
빠르고 정밀한 구조 예측
KAIST · 히츠가 공동 개발한 K-Fold로,
설계한 항체 · 바인더 후보의 결합 구조를 빠르게 예측하고 선별하세요.
KAIST · 히츠가 공동 개발한 K-Fold로,
설계한 항체 · 바인더 후보의 결합 구조를 빠르게
예측하고 선별하세요.
가능성을 넓히는 빠르고 정밀한 구조 예측
KAIST · 히츠가 공동 개발한 K-Fold로, 설계한 항체 · 바인더 후보의 결합 구조를
빠르게 예측하고 선별하세요.
Bio Co-Scientist
가능성을 넓히는 빠르고 정밀한 구조 예측
KAIST · 히츠가 공동 개발한 K-Fold로, 설계한 항체 · 바인더 후보의 결합 구조를
빠르게 예측하고 선별하세요.
Bio Co-Scientist
K-Fold
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 모델입니다.
X-ray 결정 구조 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.
30s
복합체당 평균 추론 시간
(L40S GPU 기준)
MSA-free
진화 정보에 의존하지 않고 항원-항체, TPD 등의 도전적인 구조도 높은 정확도로 예측
Apo-to-holo
고유한 원리로 KRAS·Src 등 결합 시 구조 변화가 큰 난제 타깃 정밀 예측
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.
K-Fold
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 모델입니다.
X-ray 결정 구조 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.
30s
복합체당 평균 추론 시간
(L40S GPU 기준)
MSA-free
진화 정보에 의존하지 않고 항원-항체, TPD 등의 도전적인 구조도 높은 정확도로 예측
Apo-to-holo
고유한 원리로 KRAS·Src 등 결합 시 구조 변화가 큰 난제 타깃 정밀 예측
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.
K-Fold
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 모델입니다.
X-ray 결정 구조 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.
30s
복합체당 평균 추론 시간
(L40S GPU 기준)
MSA-free
진화 정보에 의존하지 않고 항원-항체, TPD 등의 도전적인 구조도 높은 정확도로 예측
Apo-to-holo
고유한 원리로 KRAS·Src 등 결합 시 구조 변화가 큰 난제 타깃 정밀 예측
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.
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
Protein/Ligand MPNN으로 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.
Use Case in HyperLab
활용 사례
연구자들이 실제로 진행한 세션을 공개합니다. 지식그래프 탐색부터 구조 예측, 오믹스 분석, 데이터 분석까지.
연구자들이 실제로 진행한 세션을 공개합니다.
HyperKG 탐색부터 구조 예측, 오믹스 분석, 데이터 분석까지.
연구자들이 실제로 진행한 세션을 공개합니다.
지식그래프 탐색부터 구조 예측, 오믹스 분석, 데이터 분석까지.
KRAS G12D minibinder design
KRAS G12D is a key driver mutation in pancreatic and colorectal cancers.
자세히 보기
Vepdegestrant PROTAC ternary complex modeling
A step-by-step study of vepdegestrant (ARV-471), the first FDA-approved heterobifunctional PROTAC, spanning literature and clinical research through ternary-complex structure prediction.
자세히 보기
EGFR 3-phenylpyrazole SAR study
SAR of 3-phenylpyrazole EGFR inhibitors, from ChEMBL analogues to predicted binding poses and Bayesian activity modeling.
자세히 보기
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.
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.
내 연구에 필요한 하이퍼랩을 시작하세요.
대화로 함께 연구하는 Bio Co-Scientist부터
분자 설계 · 예측을 위한 Small Molecule Discovery까지,
내 연구에 맞는 랩스페이스를 선택하세요.
—
AI 신약개발 플랫폼
Bio Co-Scientist
자주 묻는 질문
코딩을 전혀 못 해도 분석이 가능한가요?
네, 리눅스나 R, 파이썬 등을 몰라도 됩니다.
복잡한 환경 구축 없이 웹에서 데이터를 올리고, AI에게 채팅하듯 분석 전략을 요청하면 실행부터 결과 해석까지 자동으로 수행됩니다.
ChatGPT, Gemini랑 뭐가 다른가요?
내 연구 데이터가 AI 학습에 사용되나요?
여기서 만든 논문 그림(Figure)의 저작권은 누구 건가요?
고객 데이터는 어떻게 보호되나요?
내 연구에 필요한
하이퍼랩을 시작하세요.
대화로 함께 연구하는 Bio Co-Scientist부터
분자 설계·예측을 위한 Small Molecule Discovery까지,
내 연구에 맞는 랩스페이스를 선택하세요.
내 연구에 필요한
하이퍼랩을 시작하세요.
대화로 함께 연구하는 Bio Co-Scientist부터
분자 설계·예측을 위한 Small Molecule Discovery까지,
내 연구에 맞는 랩스페이스를 선택하세요.
내 연구에 필요한 하이퍼랩을 시작하세요.
대화로 함께 연구하는 Bio Co-Scientist부터
분자 설계 · 예측을 위한 Small Molecule Discovery까지,
내 연구에 맞는 랩스페이스를 선택하세요.
Bio Co-Scientist
코딩을 전혀 못 해도 분석이 가능한가요?
네, 리눅스나 R, 파이썬 등을 몰라도 됩니다.
복잡한 환경 구축 없이 웹에서 데이터를 올리고, AI에게 채팅하듯 분석 전략을 요청하면 실행부터 결과 해석까지 자동으로 수행됩니다.
ChatGPT, Gemini랑 뭐가 다른가요?
내 연구 데이터가 AI 학습에 사용되나요?
여기서 만든 논문 그림(Figure)의 저작권은 누구 건가요?
고객 데이터는 어떻게 보호되나요?
자주 묻는 질문
항체 설계
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.
디자인 워크플로우를
하나의 흐름으로
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.