🤖 machine learning

TriGlue: a Biology-Inspired Generative Model for Generating Molecular Glue-Induced Ternary Complex

이 논문은 단백질-단백질 상호작용을 동시에 예측하고 새로운 분자 글루(molecular glue)를 생성하기 위해 문제를 인터페이스 추정과 인터페이스 조건부 삼원 복합체 생성으로 분해함으로써, 분자 글루 분해제 설계의 계산적 과제를 해결하는 생물학 기반의 생성 프레임워크인 TriGlue를 소개한다.

원저자: Yuliang Yan, Shuo Yan, Haochun Tang, Yiqin Sun, Enyan Dai

게시일 2026-07-27

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Yuliang Yan, Shuo Yan, Haochun Tang, Yiqin Sun, Enyan Dai

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

인체의 구조를 단백질들이 일꾼이자 건물이며 교통 신호등 역할을 하는 북적이는 도시라고 상상해 보십시오. 때때로 특정 일꾼(이하 "표적 단백질")이 통제 불능 상태가 되어 질병과 같은 혼란을 일으키기도 합니다. 이를 해결하기 위해 과학자들은 이 도시에 조용히 잠입하여, 그 탈주한 일꾼을 찾아내고 세포의 자연적인 폐기물 처리 시스템인 '청소 부대'가 그를 제거하도록 설득할 수 있는 작고 맞춤 제작된 도구를 만들고자 합니다. 이것이 바로 **표적 단백질 분해(Targeted Protein Degradation)**의 세계입니다.

보통 청소 부대가 탈주한 일꾼을 붙잡게 하려면, 두 대상을 물리적으로 연결하는 거대하고 복잡한 기계(약물)가 필요합니다. 하지만 자연은 때때로 훨씬 더 단순한 기술인 "분자 접착제(molecular glue)"를 사용합니다. 이 접착제를 아주 작은 포스트잇이라고 생각해 보십시오. 거대한 기계일 필요는 없습니다. 그저 청소 부대와 탈주한 일꾼 양쪽 모두에 동시에 달라붙어, 그들의 표면을 재구성함으로써 자연스럽게 서로 달라붙도록 만들기만 하면 됩니다. 일단 접착제로 붙게 되면, 청소 부대는 탈주한 일꾼에 표식을 남겨 파괴합니다. 문제는 이러한 작고 완벽한 포스트잇을 찾아내거나 발명하는 것이 매우 어렵다는 점입니다. 과학자들이 역사상 발견하거나 발명한 것은 불과 몇 백 개에 불과하며, 대부분 우연히 발견되었거나 실험실에서의 수년간의 비싸고 번거로운 시행착오를 통해 얻어진 결과물입니다. 그것들은 마치 보이지 않고 끊임없이 변하는 형상들로 이루어진 건초더미 속의 바늘과 같습니다.

여기서 새로운 연구팀이 TriGlue라는 디지털 솔루션을 들고 등장했습니다. 실험실에서 추측하는 대신, 그들은 생물학에서 영감을 받은 컴퓨터 두뇌를 구축하여 처음부터 분자 접착제를 설계했습니다. 논문에 따르면, 컴퓨터에게 단백질이 어떻게 움직이고 서로 달라붙는지 이해하도록 가르침으로써, 새로운 유효한 분자 접합제를 생성하고 이들이 어떻게 "접착된" 삼중 구조(청소 부대, 접착제, 표적)를 형성할지 정확히 예측할 수 있다고 합니다. 시뮬레이션 결과, 그들의 방식은 기존의 시도들보다 이러한 복잡한 구조를 만드는 데 더 뛰어난 성능을 보였으며, 이는 강력한 약물 발견의 속도를 높일 수 있는 유망한 방법을 제시합니다.

문제점: 보이지 않는 퍼즐

분자 접합제를 설계하는 것은 상자 위에 그림이 없고 조각들이 끊임없이 움직이는 3차원 퍼즐을 푸는 것과 같습니다. 일반적인 약물 설계에서는 보통 알려진 "포켓(구멍)"이 있는 단일 단백질을 찾고 그 안에 들어갈 약물을 맞추려고 노력합니다. 하지만 분자 접합제는 다릅니다. 이들은 원래 서로 무시하던 두 단백질이 갑자기 서로 달라붙게 만드는 새로운 표면을 생성함으로써 작동합니다.

문제는 접착제가 추가되기 전에는 두 단백질이 각각 따로 떠다니고 있다는 점입니다. 접착제가 있을 때 그들이 어디에서 만날지, 혹은 그들을 붙잡아두기 위해 접착제가 어떤 모양이어야 하는지 알 수 없습니다. 이것은 닭이 먼저냐 달걀이 먼저냐 하는 문제입니다. 접착제를 알아야 단백질이 만나는 지점을 알 수 있고, 단백질이 만나는 지점을 알아야 접착제를 설계할 수 있습니다. 기존의 컴퓨터 방식은 한 번에 하나의 단백질만 볼 수 있도록 설계되었기 때문에, 세 개의 움직이는 부품을 동시에 다뤄야 하는 이 문제를 처리할 수 없었습니다.

해결책: TriGlue의 2단계 댄스

저자들은 TriGlue(삼중 접착제, 즉 세 부분으로 이루어진 접착제라는 뜻)라고 불리는 프레임워크를 제안합니다. 그들은 이 불가능해 보이는 문제를 자연이 수행하는 방식을 모방하여 관리 가능한 두 단계로 나눕니다.

1단계: 만남의 장소 추측하기 (인터페이스 추정)
먼저, 컴퓨터는 두 개의 분리된 단백질(청소 부대와 표적)을 살펴보고, 만약 접착제가 있다면 그들이 어디에서 접촉할 수도 있는지 추측합니다. 실제 만남의 장소는 보이지 않기 때문에, TriGlue는 영리한 트릭을 사용합니다. 컴퓨터는 두 단백질 사이에 떠 있는 일련의 보이지 않는 점들인 "가상 인터페이스"를 상상합니다. 이 점들이 기하학적으로 타당하게 만들기 위해, 모델은 이 점들을 **타원체(ellipsoid)**라는 수학적 형상(약간 찌그러진 공이나 달걀 모양)으로 감쌉니다. 이것은 3D 가이드 역할을 하여 컴퓨터에게 "접착제는 아마도 이 달걀 모양 구역 내부 어딘가에 있을 것이다"라고 알려줍니다. 이 단계는 아직 접착제를 만드는 것이 아니라, 단지 무대를 설정하는 것입니다.

2단계: 접착제 구축 및 단백질 이동 (복합체 생성)
"달걀 모양"의 만남 구역이 정의되면, 두 번째 단계인 TriGlue의 엔진이 작동합니다. 이 생성 엔진은 두 가지 일을 동시에 수행합니다:

접착제를 설계합니다: 가상 구역에 완벽하게 들어맞는 작고 새로운 분자를 생성합니다.
단백질을 이동시킵니다: 새로운 접착제를 중심으로 두 단백질이 딱 맞게 결합할 수 있도록 정확히 어떻게 회전하고 미끄러져야 하는지 계산합니다.

저자들은 **플로우 매칭(Flow Matching)**이라는 기법을 사용합니다. 혼돈스럽고 무질서한 상태(무작위 노이즈)에서 차분하고 조직된 호수(완벽한 약물 구조)로 흐르는 강물을 상상해 보십시오. 모델은 이 강의 "흐름"을 학습하여, 무작위 노이즈가 유효한 분자 접착제와 안정적인 단백질 복합체가 될 때까지 단계별로 안내합니다.

연구 결과

연구팀은 실제 사례가 22,000개 이상 포함된 알려진 단백질 복합체 데이터셋(TernaryDB)을 사용하여 TriGlue를 테스트했습니다. 그리고 그 결과를 다른 최고 수준의 AI 방식들과 비교했습니다.

더 나은 배치: 컴퓨터가 새로운 분자 접착제를 생성했을 때, TriGlue는 다른 방법들보다 더 정확하게 올바른 위치에 배치했습니다. 생성된 접착제와 "완벽한" 지점 사이의 평균 거리는 약 5.22 옹스트롬(원자 측정 단위)이었으며, 이는 경쟁 모델 중 가장 낮은 오차였습니다.
더 강력한 결합력: 생성된 분자들은 높은 예측 결합 친화도를 보이며 단백질에 단단히 결합할 수 있는 강력한 징후를 나타냈습니다.
더 나은 단백질 도킹: TriGlue는 또한 두 단백질을 접착제를 잡을 수 있는 적절한 위치로 이동시키는 데 더 뛰어났습니다. 이 모델은 **35.2%**의 "성공률"(단백질이 올바르게 도킹하는 비율)을 달Ach성하여, 30.8%에 그친 차순위 모델을 앞질렀습니다.
"달걀"의 중요성: 연구진은 "타원체" 가이드(달걀 모양)를 제거하거나 단백질 위치를 수정하는 단계를 제거했을 때 어떤 일이 발생하는지 테스트했습니다. 이 장치들이 없으면 모델은 크게 어려움을 겪었습니다. 도킹 성공률이 떨어졌고, 분자 배치 또한 덜 정확해졌습니다. 이는 "달걀 모양"의 가이드가 컴퓨터가 문제의 기하학적 구조를 이해하는 데 결정적인 역할을 한다는 것을 시사합니다.

요약

TriGlue는 복잡한 분자 접착제 설계 문제를 "만남의 장소 추측하기"와 "조각들을 움직이며 접착제 만들기"로 나누어 해결함으로써 더 나은 약물 후보를 만들 수 있음을 보여줍니다. 이 논문은 아직 질병을 치료하거나 새로운 약을 찾아냈다고 주장하는 것이 아닙니다. 대신, 컴퓨터 시뮬레이션 상에서 이러한 생물학적 영감을 받은 접근 방식이 기존 방식보다 더 빠르고 정밀하게 화학적으로 유효한 분자와 타당한 단백질 구조를 생성할 수 있음을 입증한 것입니다. 이는 보이지 않는 광활한 분자 접착제의 세계를 그 어느 때보다 빠르고 정확하게 탐험할 수 있는 새로운 도구 상자입니다.

기술 요약: TriGlue

문제 정의

본 논문은 **분자 글루 분해제(Molecular Glue Degraders, MGDs)**의 계산적 설계를 다룹니다. MGD는 E3 유비퀴틴 리가아제, 표적 단백질(POI), 그리고 소분자 "글루(glue)" 사이에 삼원 복합체(ternary complex)를 형성하여 표적 단백질의 분해를 유도하는 치료제 계열입니다. 일반적인 구조 기반 약물 설계가 단일 단백질에 대한 사전 정의된 결합 포켓을 가정하는 것과 달리, 분자 글루 설계는 **알려지지 않은 단백질-단백로 인터페이스(protein-protein interface)**에 의해 지배됩니다.

핵심 과제는 다음의 세 가지 밀접하게 결합된 구성 요소를 동시에 최적화해야 하는 삼원 복합체 생성 문제입니다:

소분자(리간드): 새로운 약물 유사 구조.
단백질-단백질 인터페이스: 리간드가 두 단백질 사이의 상호작용을 매개하는 특정 기하학적 영역.
강체 변환(Rigid-body transformation): 결합되지 않은 표적 단백질과 결합된 수용체를 하나의 일관된 삼원 복합체로 조립하기 위해 필요한 회전 및 이동.

기존의 AI 방법론들은 주로 이진(binary) 단백질-리간드 결합에 집중하거나 이미 알려진 리간드에 대한 구조를 예측하는 데 그치며, 리간드의 de novo 설계와 복합체 조립을 동시에 수행하지 못하기 때문에 이 문제에 적합하지 않습니다.

방법론: TriGlue

저자들은 TriGlue라는 생물학적 영감을 받은 생성 프레임워크를 제안합니다. 이는 복잡한 생성 작업을 **인터페이스 추정(Interface Estimation)**과 **인터페이스 조건부 복합체 생성(Interface-Conditioned Complex Generation)**이라는 두 개의 결합된 단계로 분해합니다. 이러한 분해는 글루가 매개하는 인터페이스가 복합체 조립을 유도한다는 생물학적 메커니즘과 일치합니다.

1. 생물학적 영감을 받은 인수분해(Factorization)

문제는 조건부 분포 $p(C | R, \tilde{T})$ 로 정식화됩니다. 여기서 $C$ 는 삼원 복합체, $R$ 은 결합된 수용체, $\tilde{T}$ 는 결합되지 않은 표적입니다. 저자들은 이를 다음과 같이 인수분해합니다:
$p(C | R, \tilde{T}) = p(I_R, I_{\tilde{T}} | R, \tilde{T}) \cdot p((R, M, T) | I_R, I_{\tilde{T}}, R, \tilde{T})$
여기서 $I_R$ 과 $I_{\tilde{T}}$ 는 각각 인터페이스 잔기(residue)의 집합을 나타냅니다.

2. 인터페이스 추정 모듈

결합되지 않은 단량체(monomer)에 대해 인터페이스를 알 수 없으므로, TriGlue는 **전역 가상 인터페이스(Global Virtual Interface)**를 추론하고 이를 기하학적 사전 정보(prior)와 정렬합니다.

가상 인터페이스 포인트: 모델은 EGNN을 통해 인코딩된 잔기 특징의 어텐션 가중 합산(attention-weighted aggregation)을 사용하여 각 단백질을 고정된 $K$ 개의 가상 인터페이스 포인트로 매핑합니다.
타원체 매개 정렬(Ellipsoid-Parameterized Alignment): 기하학적 유의성을 보장하기 위해, 가상 포인트의 분포를 실제 물리적 인터페이스의 ground-truth 타원체 표현과 일치하도록 제한합니다. 이는 예측된 포인트들의 1차 모멘트(centroid)와 2차 모멘트(covariance)와 타원체 사이의 불일치를 최소화함으로써 달성됩니다. 이는 기하학적으로 제약된 구조적 사전 정보를 제공합니다.

3. 인터페이스 조건부 삼원 흐름 네트워크 (Interface-Conditioned Ternary Flow Network)

두 번째 단계는 추정된 인터페이스를 조건으로 하여 플로우 매칭(Flow Matching) 프레임워크를 통해 분자 글루와 강체 변환을 공동 생성합니다. 생성은 세 가지 독립적인 흐름으로 분해됩니다:

강체 변환 흐름 ( $p(R, t | \cdot)$ ): 표적 단백질을 도킹하기 위한 회전과 이동을 예측합니다. 이는 가상 인터페이스를 기반으로 초기 변환을 생성하는 **미분 가능한 카브슈 모델(Differentiable Kabsch Model)**을 활용하며, 이어서 Lie 대수 공간($SO(3) $및$ \mathbb{R}^3$)에서 잔차 업데이트를 예측하는 반복 정밀화 블록을 사용합니다.
좌표 흐름 ( $p(x | \cdot)$ ): 리간드 원자들의 3D 좌표를 생성합니다. 먼저 예측된 강체 변환을 사용하여 표적 단백질을 사전 정렬합니다. 그 후, **이중 수준 메시지 패싱 네트워크(bi-level message passing network)**를 채택하여 리간드 내부의 기하학적 의존성과 리간드-두 단백질 간의 상호작용을 모두 포착하며 좌표를 디노이징(denoising)합니다.
원자 유형 흐름 ( $p(a | \cdot)$ ): 확률 심플렉스(probability simplex) 상의 연속적인 흐름을 모델링하여 리간드 원자의 화학적 정체성을 예측합니다.

모델은 불변 점 어텐션(Invariant Point Attention, IPA) 인코더를 사용하여 수용체, 표적, 리간드의 통합된 잠재 표현을 생성하며, 이를 통해 입력 구조에 대한 불변성을 유지하면서 상호작용을 포착합니다.

주요 기여

새로운 문제 정식화: 본 논문은 표준적인 이진 도킹이나 단일 단백질 설계와는 구별되는, 분자 글루에 의해 유도되는 삼원 복합체의 de novo 설계를 조사합니다.
생물학적 영감을 받은 프레임워크: Tri-Glue는 생성 과정을 인터페이스 추정과 인터페이스 조건부 생성으로 분해하여, 글루 작용의 생물학적 메커즘을 모사합니다.
기하학적 제약: 타원체 매개 인터페이스의 도입은 사전 정의된 결합 포켓 없이도 생성 과정을 안내하는 기하학적으로 유의미한 사전 정보를 제공합니다.
통합 생성 모델: **삼원 플로우 매칭(Ternary Flow Matching)**의 사용을 통해 소분자 생성과 단백질 도킹 포즈 예측을 동시에 수행할 수 있습니다.

실험 결과

저자들은 데이터 누수를 방지하기 위해 비중첩 분할(non-overlapping splits)을 사용하여 TernaryDB 데이터셋(22,303개의 삼원 복합체)에서 Tri-Glue를 평가했습니다.

분자 생성: Tri-Glue는 높은 약물 유사성(QED: 0.67)과 강력한 예측 결합 친화도를 가진 화학적으로 유효한 분자를 생성했습니다. AR, TargetDiff, PocketXMol과 같은 베이스라인 모델들과 비교했을 때, 결합 포켓 정보가 없는 상태에서도 리간드 배치의 **평균 RMSD(5.22 Å)**가 가장 낮았습니다.
삼원 복합체 재구성: 단백질 도킹 품질 측면에서(DockQ로 측정), Tri-Glue는 35.2%의 성공률(DockQ > 0.23)을 기록하여 DeepTernary(30.8%)를 능가했으며, 롱테일 실패(long-tail failure)가 적고 더 견고한 결과 분포를 보여주었습니다.
인터페이스 예측: 타원체 인터페이스 추정 모듈은 기하학적 인지 지표(JSD, Wasserstein-2 distance, Center-L2, LogDet error) 전반에서 PeSTo, ScanNet과 같은 베이스라인을 크게 앞질렀으며, 이는 모델이 고차원 인터페이스 기하학을 포착하는 능력을 확인시켜 줍니다.
절제 연구(Ablation Studies): 타원체 사전 정보나 인터페이스 수정 모듈을 제거하면 도킹 성능이 크게 저하되었습니다(예: 인터페이스 수정이 없을 시 평균 DockQ가 0.22에서 0.15로 감소). 이는 기하학적 제약과 수정 메커니즘의 필요성을 입증합니다.

의의 및 주장

본 논문은 Tri-Glue가 분자 글루 발견을 가속화하기 위한 생물학적 영감을 받은 생성 모델링의 잠재력을 보여준다고 주장합니다. 알려지지 않은 단백질-단백질 인터페이스를 명시적으로 모델링하고 리간드 생성과 단백질 도킹을 결합함으로써, 이 프레임워크는 계산적 약물 설계의 중요한 공백을 메웁니다. 저자들은 이 접근 방식이 화학적으로 유효한 분자와 구조적으로 타당한 삼원 복합체를 생성하며, AI 기반 표적 단백질 분해를 위한 새로운 방향을 제시한다고 단언합니다. 이 연구는 복잡한 생물학적 메커니즘을 다루기 쉬운 생성적 하위 작업으로 분해하는 것이 복잡한 치료 시스템을 설계하는 실행 가능한 전략임을 강조합니다.