DynaPPI: A Large-scale Dynamic Protein Dataset for AI-driven Advances in Protein Interactomics

인체 조직을 단백질이라는 이름의 작고 보이지 않는 레고 브릭들로 이루어진 북적이는 도시라고 상상해 보세요. 이 브릭들 중 일부는 혼자 작동하기도 하지만, 대부분은 기계를 만들거나 신호를 보내거나 침입자와 싸우기 위해 서로 결합해야 하는 특화된 팀과 같습니다. 수십 년 동안 과학자들은 이 팀들이 이미 완성되어 단단히 결합한 상태의 사진을 찍는 데 매우 능숙했습니다. 이는 마치 완성된 레고 성의 사진은 가지고 있지만, 그 조각들이 실제로 어떻게 공중을 날아다니고, 서로 부딪히고, 어떻게 딱 들어맞았는지에 대한 방법은 전혀 모르는 것과 같습니다. 이것은 큰 문제입니다. 왜냐하면 '무엇'인지만큼이나 '어떻게'가 중요하기 때문입니다. 만약 바이러스를 막기 위한 새로운 약물을 설계하고 싶다면, 바이러스의 단백질이 그 목표물을 어떻게 찾아가는지 알아야 하며, 단순히 결합했을 때 어떤 모습인지 아는 것만으로는 부족합니다.

최最近, 컴퓨터는 "확산 모델(diffusion models)"이라 불리는 일종의 인공지능을 사용하여 이 단백질 팀들이 어떤 모습일지 추측하는 데 매우 능숙해졌습니다. 이 모델들을 선명하고 완벽한 그림을 그려내는 마법 같은 화가라고 생각해 보세요. 하지만 여기에는 함정이 있습니다. 이 화가들은 정적인 스냅샷이나 홀로 움직이는 단일 브릭만을 학습했을 뿐입니다. 그들은 두 개의 별개 팀이 서로를 향해 달려가고, 주변을 춤추듯 움직이다가, 마침내 하나로 합쳐져 하나의 복잡한 기계가 되는 '영화'를 그리는 법을 모릅니다. 이러한 "영화" 없이는 AI가 새로운 미지의 팀들이 어떻게 형성될지 예측할 수 없으며, 이는 새로운 약물을 설계하거나 생명의 가장 근본적인 수준을 이해하는 능력에 큰 공백을 남깁니다.

여기에 AI에게 이러한 단백질의 춤을 관찰하고 예측하는 법을 가르치기 위해 설계된 거대한 새로운 데이터셋인 DynaPPI가 등장했습니다. 이 프로젝트의 연구진은 AI의 사각지대를 해결하기 위해, 단백질 사슬이 멀리 떨어져 있다가 단단히 결합하기까지의 과정을 보여주는 "영화" 라이브러리를 만들어야 한다는 것을 깨달았습니다. 그들은 단순히 최종적인 악수 장면만을 보는 대신, 전체 여정을 시뮬레이션했습니다. 그들은 알려진 단백질 팀을 가져와서 서로 분리시킨 다음, 강력한 컴퓨터 시뮬레이션을 사용하여 그들이 떠다니고, 충돌하고, 다시 재조립되는 과정을 관찰했습니다.

연구팀은 단백질-단백질, 단백질-리간드(단백질과 작은 약물 분량의 만남), 단백질-핵산(단백질과 DNA 또는 RNA의 만남)과 같은 다양한 종류의 파트너십을 포괄하는 약 10,000개의 단백질 복합체 데이터셋을 구축했습니다. 시뮬레이션이 현실적이 되도록 하기 위해, 그들은 단순히 추측하지 않고 수천 번의 상세한 컴퓨터 실험을 수행했습니다. 각 실험은 10 나노초에서 1 밀리초 사이의 시간 동안 원자의 움직임을 추적했습니다. 이것이 짧게 느껴질 수 있지만, 원자의 세계에서는 영겁의 시간이며, 원자들이 꿈틀거리고, 회전하고, 서로를 찾아내기에 충분한 시간입니다. 이 데이터셋은 위치, 속도, 에너지의 모든 미세한 변화를 포착하는 1,000억 개 이상의 프레임 데이터를 포함하고 있습니다.

DynaPPI가 특별한 이유는 AI에게 결합의 과정을 명시적으로 가르치기 때문입니다. 과거의 AI 모델들이 최종 시험 정답만을 공부한 학생이었다면, 이제 DynaPPI를 통해 그들은 단계별 숙제를 공부하게 됩니다. 이 데이터셋은 단백질이 멀리 떨어져 있을 때 어떻게 행동하는지, 가까워질 때 형태가 어떻게 변하는지, 그리고 결합하기 전의 "중간 단계"가 어떤 모습인지를 AI에게 보여줍니다. 연구진은 알려진 구조를 가져와 체인을 분리한 다음, 이들이 다시 서로를 찾을 수 있는지 확인하기 위해 가상의 물과 소금 용액 속에 풀어놓는 방식으로 이 사건들을 시뮬레이션했습니다. 그들은 자연의 무작위성을 포착하기 위해 이 시뮬레이션을 여러 번(복제본) 실행했는데, 이는 가능한 모든 결과를 보기 위해 주사위를 여러 번 던지는 것과 같습니다.

이 논문은 이러한 동적 데이터를 확산 모델에 입력함으로써, AI가 단백질 복합체의 최종 형태뿐만 아니라 그곳에 도달하기 위한 전체 경로를 예측할 수 있다고 제안합니다. 이는 약물 설계의 게임 체인저가 될 수 있습니다. 예를 들어, 새로운 약물 분자가 질병을 일으키는 단백질을 어떻게 추격하는지 시뮬레이션할 수 있다고 상상해 보세요. 단순히 닫힌 문을 보는 것이 아니라, 춤을 추는 동안에만 잠시 열리는 임시 포켓을 포착해 내는 것입니다. 저자들은 이것이 과학자들이 더 나은 약물을 설계하고, 새로운 생물학적 기계를 공학적으로 만들며, 바이러스가 인간 세포와 어떻게 상호작용하는지 이해함으로써 미래의 팬데믹에 대비하는 데 도움이 될 수 있다고 제안합니다.

하지만 이것은 제안이자 자원의 구축 단계이며, 모든 미스터리를 이미 해결한 완성된 제품은 아니라는 점을 유의해야 합니다. 논문은 이 데이터셋을 구축하는 계획을 설명하며, 어떻게 단백질을 선택하고, 데이터를 정제하며, 시뮬레이션을 실행할 것인지를 기술합니다. 그들은 데이터가 다양한 유형의 단백질을 포괄하도록 보장하고, 시뮬레이션이 실제 실험과 일치할 만큼 정확하도록 하는 것과 같은 구체적인 목표를 설정했습니다. 또한, 우리는 이러한 과정을 시뮬레이션할 수는 있지만, 진정한 시험대는 다른 과학자들이 이 데이터를 사용하여 자신들의 AI 모델을 훈련시키고, 그 모델들이 본 적 없는 구조를 성공적으로 예측할 수 있는지 확인하는 때가 될 것임을 인정합니다. 이 데이터셋은 전 세계 과학 커뮤니티가 이 토대 위에 구축하고 AI가 생물학 분야에서 할 수 있는 일의 경계를 넓힐 수 있도록 개방적이고 접근 가능하게 설계되었습니다.