Physical principles of building protein megacomplexes in a crowded milieu

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 하나의 게놈에서 다양한 표현형 (phenotypic) 단백질 발현이 나타나는 이유는 단백질의 상대적 풍부도 (relative abundance) 와 화학량론적 비율 (stoichiometry) 의 변화 때문입니다. 특히, 세포 내 환경은 고분자 밀집 (macromolecular crowding) 상태이며, 단백질들은 동적으로 재구성되어 '메가복합체 (megacomplexes)'나 생체 분자 응집체 (biomolecular condensates) 를 형성합니다.
• 문제점:
  • AI 를 통한 단백질 구조 예측은 발전했으나, 단백질 간 상호작용의 메커니즘과 메가복합체의 자발적 조립 (emergent assembly) 원리는 여전히 불명확합니다.
  • 기존 모델 (예: 스캐폴드 - 클라이언트 모델) 은 고정된 단백질 농도와 정적인 세포 상태를 가정하여, 동적인 세포 상태 변화에 따른 복합체 구성의 재구성을 설명하는 데 한계가 있습니다.
  • 세포 내의 혼잡도 (crowding) 와 단백질 농도 변화가 복합체의 공간적 조직에 미치는 물리적 원리를 규명하는 것이 시급합니다.

2. 방법론 (Methodology)

이 연구는 대정준 앙상블 (Grand Canonical Ensemble, GCE) 기반의 통계물리 프레임워크를 개발하여, 실험 데이터를 바탕으로 단백질 상호작용과 조립을 시뮬레이션했습니다.

• 연구 대상: 효모 크로마틴 리모델링 복합체인 INO80 (15 개의 서브유닛으로 구성, 4 개의 모듈: Ino80 Core, Arp8, Arp5, Nhp10).
• 입력 데이터:
  • 상대적 풍부도: 질량 분석 (Mass Spectrometry) 데이터 (Sardiu et al., 2015) 를 활용.
  • 상호작용 정보: 교차결합 질량 분석 (Cross-linking Mass Spectrometry, XL-MS) 데이터 (Tosi et al., 2013) 를 활용.
• 시뮬레이션 모델:
  • ** coarse-graining:** 각 단백질을 동일한 크기의 구 (bead) 로 모델링.
  • Grand Canonical Monte Carlo (GCMC): 세포를 입자 저장소 (reservoir) 로 간주하여, 서브유닛이 저장소와 자유롭게 교환되는 개방계 (open system) 시뮬레이션 수행.
  • 에너지 함수: 렌나드 - 존스 (Lennard-Jones) 퍼텐셜을 사용하여 배제 부피 (repulsive) 와 인력 (attractive) 상호작용을 모델링.
• 최적화 알고리즘:
  • 최대 엔트로피 원리 (Maximum Entropy): 실험적으로 관측된 풍부도와 교차결합 데이터를 재현하도록 서브유닛 간 상호작용 에너지 ($\epsilon_{ij}$) 와 화학 퍼텐셜 ($\mu$) 을 역으로 추정 (inverse inference).
  • 수렴/발산 판별: 화학 퍼텐셜을 조정하여 시뮬레이션된 입자 수가 실험값과 일치하는지 확인. 일치하지 않고 진동하는 경우를 '발산 (divergent)'으로 분류.
• 분석 기법:
  • 다양한 부피 분율 ($\phi = 0.05, 0.1, 0.2$) 에서의 위상 다이어그램 분석.
  • 유효 평균 힘 퍼텐셜 (Potential of Mean Force, PMF) 계산을 통한 다체 상호작용 분석.
  • 입자 수 변화에 따른 자유 에너지 ($\Delta G$), 접근 가능 부피 ($\Delta V_{acc}$), 위치 에너지 ($\Delta E$) 변화 분석.

3. 주요 발견 및 결과 (Key Contributions & Results)

A. '발산 (Divergent)' 서브유닛의 발견

• 대부분의 서브유닛은 화학 퍼텐셜을 조정하면 실험적 풍부도로 수렴하지만, 소수의 서브유닛 (예: Ino80, Ies4, Ies6 등) 은 특정 화학 퍼텐셜 영역에서 입자 수가 실험값을 중심으로 진동하며 수렴하지 않는 '발산' 특성을 보임.
• 이는 열역학적으로 스피노달 분해 (spinodal decomposition) 영역, 즉 자유 에너지 곡면의 비볼록 (non-convex) 영역에 해당하며, 시스템이 저장소와 평형을 이루기 어려운 불안정 상태임을 의미합니다.
• 발산 특성은 부피 분율 (혼잡도) 에 따라 달라지며, 특정 임계값 이상에서 나타납니다.

B. 혼잡도 (Crowding) 에 의한 유효 접착력 (Effective Stickiness) 의 출현

• PMF 분석: 낮은 혼잡도 ($\phi=0.05$) 에서는 배제 부피 효과로 인해 모든 상호작용이 반발적이었으나, 혼잡도가 증가 ($\phi \ge 0.1$) 함에 따라 발산 서브유닛들은 다른 서브유닛과 **인력 (attractive well)**을 형성하는 '접착제 (sticker)' 역할을 수행함.
• 탈수화 장벽 (Desolvation barrier): 높은 혼잡도에서 발산 서브유닛은 짧은 거리에서 인력을, 중간 거리에서 장벽을 형성하여 결합을 강화시킴. 이는 배제 부피 효과에 의한 '소실 상호작용 (depleted interactions)'이 강화된 결과입니다.

C. 공간 조직화에서의 역할 구분

• 발산 서브유닛 (Divergent): 장거리 상호작용을 통해 클러스터의 핵형성 (nucleation) 을 주도하고, 전체 시스템의 접근 가능 부피를 증가시키며, 자유 에너지를 크게 낮춤. 즉, 메가복합체 조립의 지휘자 (orchestrator) 역할.
• 수렴 서브유닛 (Convergent): 국소적인 상호작용만 하며, 발산 서브유닛에 의해 형성된 구조에 참여하는 구성 요소 (participant) 역할.
• 조립 메커니즘: 발산 서브유닛이 하나 이상 포함된 클러스터만이 다양한 혼잡도 조건에서 안정적으로 형성됨.

D. 발산 특성의 예측 지표

• 발산 여부는 상호작용 강도 ($\epsilon_{ij}$) 와 서브유닛 풍부도 ($N_i$) 의 비율로 예측 가능함.
• 목표 서브유닛 $j$에 대한 상호작용의 가중치 ($\epsilon_{ij} N_i$) 가 목표 서브유닛의 풍부도 ($N_j$) 를 크게 초과할 때, 그리고 혼잡도 ($\phi$) 가 임계값을 넘을 때 발산 특성이 나타남.

4. 의의 및 결론 (Significance)

1. 새로운 물리적 프레임워크: 단백질 메가복합체의 조립을 설명하기 위해 **대정준 앙상블 (Grand Canonical Ensemble)**을 도입하여, 세포 내의 동적인 농도 변화와 혼잡도를 핵심 물리 변수로 통합했습니다.
2. 세포 상태와 구조의 연결: 단백질의 상대적 풍부도와 배제 부피 (혼잡도) 가 어떻게 단백질 복합체의 공간적 구성 (configuration) 을 결정하는지 규명했습니다. 이는 유전자형 (genotype) 에서 표현형 (phenotype) 으로 이어지는 과정의 물리적 기작을 설명합니다.
3. INO80 의 기계적 모델 제시: INO80 복합체를 하나의 기계로 비유하여, 발산 서브유닛은 '크랭크 (crank)'처럼 모듈을 연결하고 조립을 유도하며, 수렴 서브유닛은 '도구 (tool)'처럼 특정 기능을 수행한다고 제안했습니다.
4. 생물학적 통찰: 세포가 ATP 소모 없이도 물리적 환경 (삼투압, 부피, 농도) 변화에 반응하여 고차원 복합체를 재구성할 수 있음을 시사합니다. 발산 서브유닛은 환경 신호를 감지하여 공간적 조직화를 시작하는 분자적 교차점 (crosstalk point) 으로 작용할 수 있습니다.

요약: 이 연구는 혼잡한 세포 환경에서 단백질 메가복합체가 어떻게 동적으로 조립되는지에 대한 통계물리학적 원리를 규명했으며, '발산 서브유닛'이라는 새로운 개념을 통해 단백질 풍부도와 배제 부피가 복합체의 구조와 기능을 결정하는 핵심 요소임을 증명했습니다.