ZeroFold: Protein-RNA Binding Affinity Predictions from Pre-Structural Embeddings
이 논문은 RNA 의 구조적 유연성 문제를 해결하기 위해 구조 해독 전의 임베딩을 활용하는 'ZeroFold' 모델을 개발하여, 실험 측정 오차 한계에 근접하는 정밀도로 단백질-RNA 결합 친화도를 예측하고 기존 방법들보다 우수한 성능을 입증했습니다.
원저자:Josef Hanke (Yusuf Hamied Department of Chemistry, University of Cambridge, UK), Sebastian Pujalte Ojeda (Yusuf Hamied Department of Chemistry, University of Cambridge, UK), Shengyu Zhang (Yusuf HamieJosef Hanke (Yusuf Hamied Department of Chemistry, University of Cambridge, UK), Sebastian Pujalte Ojeda (Yusuf Hamied Department of Chemistry, University of Cambridge, UK), Shengyu Zhang (Yusuf Hamied Department of Chemistry, University of Cambridge, UK), Werngard Czechtizky (Medicinal Chemistry, Research and Early Development, Respiratory and Immunology, BioPharmaceuticals R and D, AstraZeneca, Sweden), Leonardo De Maria (Medicinal Chemistry, Research and Early Development, Respiratory and Immunology, BioPharmaceuticals R and D, AstraZeneca, Sweden), Michele Vendruscolo (Yusuf Hamied Department of Chemistry, University of Cambridge, UK)
원저자: Josef Hanke (Yusuf Hamied Department of Chemistry, University of Cambridge, UK), Sebastian Pujalte Ojeda (Yusuf Hamied Department of Chemistry, University of Cambridge, UK), Shengyu Zhang (Yusuf Hamied Department of Chemistry, University of Cambridge, UK), Werngard Czechtizky (Medicinal Chemistry, Research and Early Development, Respiratory and Immunology, BioPharmaceuticals R and D, AstraZeneca, Sweden), Leonardo De Maria (Medicinal Chemistry, Research and Early Development, Respiratory and Immunology, BioPharmaceuticals R and D, AstraZeneca, Sweden), Michele Vendruscolo (Yusuf Hamied Department of Chemistry, University of Cambridge, UK)
단백질과 RNA 는 우리 몸속에서 서로 만나서 결합하면 중요한 일을 합니다 (예: 유전자 조절). 하지만 이 둘을 예측하는 것은 매우 어렵습니다.
기존의 문제: 단백질은 비교적 단단한 모양을 하고 있지만, RNA 는 마치 젤리나 실처럼 매우 유연하고 계속 모양이 바뀝니다.
비유: 마치 한 손으로 잡으려는 미끄러운 물고기를 생각해보세요.
기존 방법들은 이 물고기를 "고정된 사진"으로 찍어서 분석하려 했습니다. 하지만 물고기는 계속 움직이니까, 사진 속의 한 순간만 보면 실제 물고기가 어떻게 움직일지, 다른 물체와 어떻게 붙을지 알 수 없습니다.
그래서 "이 물고기는 이 모양일 거야"라고 단정 짓고 예측하면, 실제 상황과 달라서 실패할 확률이 높았습니다.
2. 해결책: "ZeroFold"와 '예고편'의 힘
연구팀은 새로운 접근법을 고안했습니다. 바로 ZeroFold라는 인공지능 모델입니다.
핵심 아이디어 (Pre-structural Embeddings):
보통 AI 는 "단백질/RNA 의 순서 (시퀀스)"를 입력받아 "최종적인 3D 구조"를 만들어냅니다. 하지만 ZeroFold 는 최종 구조를 만들기 직전의 단계에서 정보를 가져옵니다.
비유: 영화가 개봉하기 전, **예고편 (Pre-trailer)**을 보는 것과 같습니다.
기존 방법: 영화가 다 끝난 후, "주인공이 마지막에 어떻게 생겼는지"만 보고 줄거리를 추측합니다.
ZeroFold: 영화가 시작되기 전, 등장인물들의 성격, 감정, 서로의 관계가 어떻게 얽혀 있는지를 보여주는 '예고편'을 봅니다.
이 '예고편' 같은 정보 (Pre-structural embeddings) 에는 물고기 (RNA) 가 어떻게 움직일지, 어떤 모양을 가질지라는 모든 가능성의 정보가 담겨 있습니다. 그래서 최종적인 한 가지 모양으로 고정하지 않아도, 결합 강도를 아주 정확하게 예측할 수 있습니다.
3. 새로운 지도: "PRADB"라는 보물 지도
AI 를 가르치려면 많은 데이터가 필요합니다. 하지만 단백질-RNA 결합 데이터는 매우 부족했습니다.
연구팀의 노력: 전 세계에 흩어져 있던 4 개의 데이터베이스를 모아서 PRADB라는 새로운 보물 지도를 만들었습니다.
규모: 약 2,600 개의 독특한 단백질-RNA 쌍을 모아, 실험으로 측정한 결합 강도 데이터를 학습시켰습니다.
4. 결과: 왜 ZeroFold 가 더 잘할까?
연구팀은 ZeroFold 를 다른 최신 모델들과 비교했습니다.
비교 대상 1 (CoPRA): 실험으로 찍은 3D 구조를 사용하는 모델. (비유: 실제 물고기를 직접 잡아서 분석하는 사람)
결과는 놀랍게도, 실험 구조가 있는 CoPRA 보다 ZeroFold 가 더 잘했습니다.
이유: CoPRA 는 실험 데이터가 있는 경우에만 작동하지만, ZeroFold 는 단순한 서열 정보만으로도 움직이는 물고기의 모든 가능성을 이해했기 때문입니다.
비교 대상 2 (DeePNAP): 서열만 보는 기존 AI.
ZeroFold 가 이 모델보다도 훨씬 더 정확한 예측을 했습니다.
핵심 통찰: 데이터가 겹치지 않는 엄격한 테스트에서도 ZeroFold 는 성능이 떨어지지 않았습니다. 이는 ZeroFold 가 단순히 "기억"한 것이 아니라, 분자의 움직임을 진짜로 이해하고 있기 때문입니다.
5. 이 연구가 우리에게 주는 의미
약물 개발의 새로운 길: RNA 를 표적으로 하는 약물을 만들 때, 실험실 구조 데이터가 없어도 컴퓨터로 결합 강도를 정확히 예측할 수 있게 되었습니다.
효율성: 3D 구조를 다 그릴 필요 없이, 바로 결합 강도를 예측할 수 있어 시간과 비용을 크게 아낄 수 있습니다.
한계와 미래: 아직 실험 데이터 자체의 오차 한계가 있어 완벽하지는 않지만, 이 방법론은 유연한 분자들을 이해하는 새로운 표준이 될 것입니다.
요약
ZeroFold는 "움직이는 RNA 를 고정된 사진으로 보지 말고, 그 움직임 자체를 이해하는 '예고편' 정보로 접근하라"는 혁신적인 아이디어를 제시했습니다. 덕분에 우리는 실험실 데이터가 부족해도, 컴퓨터로 단백질과 RNA 의 결합을 훨씬 더 정확하게 예측할 수 있게 되었습니다. 이는 마치 미끄러운 물고기를 잡지 않고도, 그 물고기가 어떻게 움직일지 완벽하게 예측하는 능력을 얻은 것과 같습니다.
1. 연구 배경 및 문제 정의 (Problem)
핵심 문제: 단백질-RNA 결합 친화도 (Binding Affinity) 의 정확한 예측은 구조 생물학에서 해결되지 않은 난제입니다. 이는 유전자 조절 메커니즘 이해 및 RNA 표적 치료제 개발을 제한하는 주요 요인입니다.
주요 장애물: RNA 분자의 **구조적 유연성 (Structural Flexibility)**입니다. 단백질과 달리 RNA 는 단일 구조가 아닌 동적인 '입체 구조 앙상블 (conformational ensemble)'로 존재합니다. 따라서 기존의 단일 예측 구조에 의존하는 접근법은 결합에 중요한 정보를 누락시킵니다.
기존 방법의 한계:
구조 기반 방법: 실험적으로 결정된 3D 구조를 필요로 하므로 데이터가 부족하며, 새로운 서열에 대한 일반화 능력이 떨어집니다.
서열 기반 방법: 구조 의존성을 피하지만 성능이 일관되지 않으며, 학습 데이터의 부재로 인해 제한적입니다.
공통 한계: 기존 머신러닝 모델들은 동적인 앙상블 정보를 단일 구조로 축소 (collapse) 하는 과정에서 중요한 결합 정보를 잃어버립니다.
2. 방법론 (Methodology)
가. ZeroFold 모델 아키텍처
ZeroFold 는 서열 정보만으로 결합 친화도를 직접 예측하는 트랜스포머 (Transformer) 기반 모델입니다.
프리-구조 임베딩 (Pre-structural Embeddings) 활용:
구조 해독 (Structure Decoding) 단계 이전에 생성되는 생물학적 기초 모델 (Foundation Model) 의 중간 표현을 추출합니다.
이 임베딩은 단일 구조가 아닌 입체 구조 앙상블 정보를 암묵적으로 인코딩하고 있어, 유연한 RNA 분자의 결합 특성을 더 잘 포착합니다.
기반 모델 (Boltz-2):
단백질, RNA, DNA 서열을 통합된 트렁크 (Trunk) 아키텍처로 처리하는 Boltz-2 모델을 사용합니다.
구조 예측 헤드 (Head) 직전인 최종 트렁크 레이어에서 **단일 서열 임베딩 (Per-residue embedding)**과 **쌍별 임베딩 (Pairwise embedding)**을 추출합니다.
모델 구성 요소:
인코더: 단백질과 RNA 각각에 대해 Boltz-2 표현을 정제 (Refine) 합니다. RNA 인코더는 RNA/DNA 유형을 구분하는 학습 임베딩을 추가합니다.
크로스-모달 어텐션 (Cross-modal Attention): 단백질과 RNA 표현을 통합하여 결합 인터페이스의 상호작용을 모델링합니다.
친화도 예측 헤드: 통합된 표현을 통해 결합 상수 (pKD) 값을 스칼라로 예측합니다.
나. 데이터셋 구축 (PRADB)
학습 및 평가를 위해 **PRADB (Protein-RNA Affinity Database)**를 구축했습니다.
구성: ProNAB, BioLiP2, UTexas Aptamer Database, PDBbind+ 등 4 개의 상보적인 데이터베이스에서 추출.
규모: 4,510 개의 쌍 중 중복을 제거한 2,621 개의 고유한 단백질-RNA 쌍.
데이터 처리: 실험적 측정 오차와 조건 차이를 고려하여, PDBbind+ 의 값을 우선시하고 나머지는 중앙값을 사용하여 중복된 측정값을 통합했습니다.
분할 전략: 데이터 누출 (Data Leakage) 을 방지하기 위해 단백질과 RNA 서열 모두에서 40% 서열 동일성 (Sequence Identity) 임계값을 적용하여 학습, 검증, 테스트 세트를 엄격하게 분리했습니다.
3. 주요 성과 및 결과 (Results)
가. 예측 성능
성능 지표: 엄격한 40% 서열 동일성 테스트 세트에서 스피어만 상관관계 (Spearman Correlation Coefficient, SCC) 0.65, 피어슨 상관관계 (PCC) 0.63, 평균 절대 오차 (MAE) 1.14 를 달성했습니다.
성능 한계: 실험 측정 노이즈로 인해 이론적 상관관계 상한선이 약 0.6~0.7 인 것으로 알려져 있으며, ZeroFold 는 이 실질적 상한선에 근접하는 성능을 보였습니다. 이는 모델의 아키텍처가 아닌 데이터 품질이 주요 제한 요인임을 시사합니다.
나. 기존 모델과의 비교
CoPRA (구조 기반 모델) 와 비교:
CoPRA 는 실험적 구조를 사용하지만, ZeroFold 와의 공정한 비교를 위해 학습 데이터 중복을 제거하는 점진적으로 엄격한 테스트 세트를 구성했습니다.
결과: 테스트 세트와 CoPRA 학습 데이터 간의 유사성이 감소할수록 CoPRA 의 성능은 급격히 하락했으나, ZeroFold 는 성능이 안정적으로 유지되었습니다. 이는 ZeroFold 가 구조 데이터 없이도 더 강력한 일반화 능력을 가짐을 의미합니다.
DeePNAP (서열 기반 모델) 과 비교:
DeePNAP 은 ProNAB 데이터셋을 기반으로 학습되었으나, ZeroFold 는 더 엄격한 필터링 조건 하에서도 일관되게 높은 성능을 보였습니다.
결론: ZeroFold 는 데이터셋 편향 (Bias) 없이도 최첨단 (SOTA) 성능을 달성했습니다.
다. 계산 효율성
구조 기반 방법은 구조 해독 (Structure Decoding) 과정이 필요하여 계산 비용이 높습니다.
ZeroFold 는 프리-구조 임베딩을 직접 활용하므로 구조 해독 단계를 생략하여 계산 효율성이 크게 향상되었으며, 대규모 가상 스크리닝 (Virtual Screening) 에 적합합니다.
4. 핵심 기여 (Key Contributions)
새로운 표현 전략 (Representation Strategy): 구조 예측 전 단계의 '프리-구조 임베딩'을 활용하여 유연한 분자 (RNA, 무질서 단백질) 의 결합 특성을 효과적으로 모델링하는 방법을 제시했습니다.
고품질 데이터셋 (PRADB): 4 개의 소스를 통합하고 엄격하게 정제된 2,621 개의 단백질-RNA 결합 친화도 데이터셋을 공개했습니다.
공정한 평가 체계: 기존 모델들의 과대평가 (Overfitting) 가능성을 배제하기 위해, 학습 데이터와의 서열 유사성을 점진적으로 제거하는 엄격한 평가 프로토콜을 도입했습니다.
성능 한계 도달: 실험적 노이즈 수준까지 도달한 예측 성능을 보여주어, 향후 성능 향상을 위해서는 아키텍처 개선보다는 더 크고 일관된 고품질 데이터셋 확보가 필요함을 입증했습니다.
5. 의의 및 결론 (Significance)
구조 데이터 부재 해결: 실험적으로 결정된 3D 구조가 없는 대부분의 단백질-RNA 쌍에 대해 직접 결합 친화도를 예측할 수 있는 길을 열었습니다.
유연성 모델링의 패러다임 전환: 단일 정적 구조가 아닌 동적 앙상블 정보를 임베딩 단계에서 포착하는 것이 유연한 생체 분자 상호작용 예측의 핵심임을 입증했습니다.
응용 가능성: RNA 표적 치료제 설계, 리보핵단백질 복합체 분석, 그리고 대규모 약물 스크리닝 등 다양한 분야에서 실용적으로 활용될 수 있습니다.
이 논문은 단백질-RNA 상호작용 예측 분야에서 구조 기반 방법의 한계를 극복하고, 서열 기반 접근법의 성능을 획기적으로 개선한 중요한 이정표로 평가됩니다.