Navigating the peptide sequence space in search for peptide binders with BoPep

이 논문은 방대한 펩타이드 서열 공간에서 표적 단백질에 결합하는 펩타이드를 효율적으로 탐색하기 위해 개발된 베이지안 최적화 프레임워크 BoPep 을 소개하고, 이를 통해 CD14 결합 펩타이드 및 폐렴구균 독소 중화 펩타이드 등 새로운 치료 후보물질을 신속하게 발굴하는 데 성공했음을 보여줍니다.

핵심

1. 문제 상황: "바늘 찾기"의 극한 버전

상상해 보세요. 거대한 도서관이 있다고 칩시다. 이 도서관에는 수억 권의 책이 있는데, 그중 오직 한 권만 우리가 찾는 답을 담고 있습니다. 그리고 그 도서관은 어둡고, 책을 한 권씩 꺼내 읽어보는 데는 엄청난 시간과 비용이 듭니다.

이게 바로 과학자들이 겪는 문제입니다.

• 도서관: 펩타이드의 모든 가능한 조합 (시퀀스 공간).
• 찾아야 할 책: 특정 질병을 치료하거나 세균을 막을 수 있는 '약이 되는 펩타이드'.
• 읽는 시간: 컴퓨터로 단백질 결합을 시뮬레이션 (도킹) 하는 과정. 이는 매우 비싸고 느립니다.

기존 방식은 이 도서관의 책들을 무작위로 하나씩 꺼내 보는 것이었습니다. 시간이 너무 오래 걸려서 결국 포기하거나, 아주 운이 좋아야만 답을 찾을 수 있었습니다.

2. 해결책: BoPep (지능적인 탐정)

이 연구팀이 만든 BoPep은 이 도서관에서 가장 똑똑한 탐정과 같습니다.

• 무작위 검색 X, 지능적 탐색 O: BoPep 은 처음에 몇 권의 책을 먼저 읽어본 뒤, "아, 이쪽 책장에는 답이 있을 확률이 높아!"라고 추측합니다.
• 학습과 추측: 컴퓨터가 "이런 형태의 책이 답일 것 같다"라고 학습하면, 그쪽 책장만 집중적으로 뒤집니다.
• 불확실성 활용: "여기엔 답이 없을 것 같지만, 혹시 모를 수도 있으니 한 번만 더 확인해 보자"라고 생각할 때는 그쪽도 살짝 확인합니다. (이를 '탐색과 활용의 균형'이라고 합니다.)

결과? BoPep 을 쓰면 수만 번의 시도를 할 필요 없이, 몇 백 번만 시도해도 정답을 찾아냅니다. 시간과 비용을 10 배 이상 아낄 수 있습니다.

3. BoPep 이 찾아낸 보물 (실제 성과)

이 도구를 실제로 적용해서 세 가지 놀라운 발견을 했습니다.

① 상처 속의 비밀 무기 (CD14 결합 펩타이드)

• 상황: 만성 상처에서 나오는 액체 (수천 가지 펩타이드가 섞여 있음) 를 분석했습니다.
• 비유: 상처 액이라는 거대한 '혼합 주스' 속에서, 우리 몸의 염증 반응을 조절하는 '특수 스푼'을 찾아낸 것입니다.
• 발견: BoPep 은 상처 액 속에 숨겨져 있던 염증을 가라앉히는 펩타이드들을 찾아냈습니다. 특히, 이 펩타이드들이 나선형 (헬릭스) 구조를 하고 있다는 것을 알아냈는데, 마치 나사처럼 생겼을 때만 나사구멍 (단백질) 에 잘 끼는 것과 같습니다.

② 인간 유전자의 전체 지도 (전체 단백질체)

• 상황: 우리 몸의 모든 유전자 (인간 프로테옴) 에 숨겨진 펩타이드를 찾아보았습니다. 이는 도서관 전체를 뒤지는 것과 같습니다.
• 비유: "우리 몸이라는 거대한 도시의 모든 건물 (단백질) 에서, 특정 열쇠구멍에 맞는 열쇠 조각을 찾아라"는 미션이었습니다.
• 발견: BoPep 은 전체 도시를 다 뒤지지 않고도, 아주 작은 부분만 집중적으로 뒤져서 염증 조절 펩타이드를 찾아냈습니다. 이는 기존에는 불가능했던 일입니다.

③ 새로 만든 무기 (폐렴구균 독소 중화)

• 상황: 폐렴을 일으키는 세균 (Streptococcus pneumoniae) 이 내뿜는 치명적인 독소 (Pneumolysin) 를 막을 약을 새로 설계했습니다.
• 비유: 아예 새로운 열쇠 모양을 3D 프린터로 만들어서, 그중에서 가장 잘 맞는 것을 고르는 과정입니다.
• 발견: BoPep 은 수천 개의 새로 디자인된 펩타이드 중 세균 독소를 무력화시키는 2 개의 펩타이드를 찾아냈습니다. 실험실에서도 실제로 세균 독소를 막는 효과가 확인되었습니다.

4. 결론: 왜 이것이 중요한가요?

이 논문은 **"약 개발을 위한 펩타이드 찾기"**라는 거대한 미로에서, BoPep 이라는 나침반을 제시합니다.

• 기존: 막연하게 헤매며 시간과 돈을 낭비함.
• BoPep: "여기가 답일 확률이 높다"라고 학습하며 가장 효율적인 길로만 이동함.

이 도구를 통해 우리는 자연에서 발견된 펩타이드, 인간 유전자에 숨겨진 펩타이드, 아예 새로 디자인한 펩타이드까지 모두 빠르게 찾아낼 수 있게 되었습니다. 이는 앞으로 새로운 항생제, 항암제, 면역 조절제를 훨씬 빠르고 저렴하게 개발할 수 있는 길을 열어줍니다.

한 줄 요약:

"BoPep 은 거대한 펩타이드 도서관에서, 비싼 책을 한 권씩 다 읽지 않고도 가장 유력한 '약이 될 책'을 지능적으로 찾아내는 초고속 탐정입니다."

기술 요약

BoPep: 베이지안 최적화를 통한 펩타이드 결합체 탐색 프레임워크

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 펩타이드는 항균 방어, 면역 조절, 세포 신호 전달 등 다양한 생물학적 과정에서 핵심적인 역할을 하며, 높은 특이성으로 단백질을 결합할 수 있어 유망한 치료제 후보입니다.
• 문제: 펩타이드 서열 공간 (sequence space) 의 규모가 방대하여, 특정 단백질에 결합하고 기능을 조절하는 펩타이드를 식별하는 것은 매우 어렵습니다.
  • 기존의 방식은 수천 개의 후보를 생성한 후 고비용의 분자 도킹 (docking) 이나 구조 예측을 통해 스크리닝해야 하므로, 계산 비용과 시간이 막대합니다.
  • 내생성 펩타이드 (endogenous peptides) 나 새로운 설계 (de novo) 펩타이드 라이브러리에서 활성 부위를 가진 펩타이드를 찾는 것은 '바늘을 건초더미에서 찾는' 것과 같습니다.

2. 방법론 (Methodology: BoPep Framework)

저자들은 이 문제를 해결하기 위해 **BoPep (Bayesian Optimization for Peptides)**이라는 엔드 - 투 - 엔드 모듈형 프레임워크를 개발했습니다. BoPep 은 고비용인 도킹 평가를 최소화하면서 정보량이 풍부한 서열 공간 영역으로 탐색을 유도합니다.

• 핵심 구성 요소:
  1. 임베딩 (Embedding): 펩타이드 서열을 수치적 표현으로 변환합니다.
     • 아미노산 물리화학적 특성 (AAindex) 또는 단백질 언어 모델 (ESM2) 을 활용합니다.
     • PCA 또는 VAE(변분 오토인코더) 를 사용하여 차원을 축소하여 연속적인 잠재 공간 (latent space) 을 생성합니다.
  2. 구조 평가 (Structural Evaluation):
     • AlphaFold2 (ColabFold) 또는 Boltz-2 를 사용하여 펩타이드 - 단백질 복합체의 구조를 예측 (코 - 폴딩/도킹) 합니다.
     • ipTM, pAE, Rosetta 스코어, 인터페이스 $\Delta G$ 등 다양한 신뢰도 및 에너지 기반 지표를 계산합니다.
  3. 예측 방정식 개발 (Predictive Equation):
     • PDBbind 데이터셋을 기반으로 심볼릭 회귀 (Symbolic Regression, PySR) 를 수행하여 결합 확률 ($P(bind)$) 과 친화도 ($\hat{pKd}$) 를 추정하는 해석 가능한 수식을 도출했습니다.
     • 이 두 값을 결합하여 최적화 목표 함수 (Objective Function) 로 사용합니다.
  4. 대리 모델 및 베이지안 최적화 (Surrogate Modeling & BO):
     • 대리 모델: 펩타이드 임베딩을 기반으로 결합 점수를 예측하는 확률적 모델 (MLP, BiGRU, BiLSTM) 을 사용합니다.
     • 불확실성 추정: 몬테카를로 드롭아웃 (MC Dropout), 모델 앙상블, 평균 - 분산 추정 (MVE), 심층 증거 회귀 (DER) 등을 통해 예측 불확실성을 정량화합니다.
     • 최적화 루프: 불확실성 (탐색, Exploration) 과 높은 점수 (활용, Exploitation) 를 균형 있게 고려하여 다음에 도킹할 펩타이드를 선택합니다. 이를 통해 전체 후보 중 극히 일부만 도킹하여 최적의 결합체를 찾습니다.

3. 주요 기여 및 성과 (Key Contributions & Results)

A. 벤치마킹 및 최적화

• ESM2 임베딩과 BiGRU 아키텍처, DER(심층 증거 회귀) 불확실성 추정 조합이 최적의 성능을 보였습니다.
• BoPep 은 전체 후보의 약 10% 만 도킹하여 최적의 결합체를 찾을 수 있어, 기존 exhaustive search 대비 계산 비용을 수백 배 절감했습니다.

B. 임상 유래 펩타이드에서 CD14 결합체 발굴

• 데이터: 치유되지 않는 다리 궤양, 감염된 상처 등에서 추출한 35,243 개의 임상 펩타이드 데이터셋.
• 결과: BoPep 을 통해 CD14(염증 매개체) 에 결합하는 새로운 펩타이드들을 식별했습니다.
• 발견: 고도로 결합된 펩타이드들은 주로 $\alpha$-나선 구조를 가진 단백질 (예: 아포단백질, 세포골격 단백질) 에서 유래된 암호화된 (encrypted) 펩타이드들이었습니다.
• 검증: 선정된 12 개의 펩타이드는 AlphaFold2 와 Boltz-2 간의 일관된 결합 자세를 보였으며, 200ns 분자 동역학 (MD) 시뮬레이션과 MMPBSA 계산을 통해 안정적인 결합과 음의 결합 자유 에너지를 확인했습니다.

C. 전체 인간 프로테옴 (Proteome) 탐색

• 데이터: 인간 프로테옴 전체 (약 20,357 개 단백질) 에서 암호화된 펩타이드를 탐색.
• 전략: 전체 프로테옴의 모든 k-mer 를 도킹하는 것은 불가능하므로, BoPep 의 불확실성 기반 샘플링을 통해 전체 공간의 극히 일부만 평가하여 탐색했습니다.
• 결과: 상처 액 펩타이드에서 찾은 결과와 유사한 구조적 특징 (나선형 결합 모드) 을 가진 CD14 결합체를 발견했습니다. 이는 실험적으로 관찰된 펩타이드뿐만 아니라 이론적 프로테옴에서도 BoPep 이 유효함을 입증했습니다.

D. De Novo 설계: 폐렴구균 독소 (Pneumolysin, PLY) 중화 펩타이드

• 접근: RFdiffusion 과 ProteinMPNN 을 사용하여 PLY(세균 독소) 를 표적으로 하는 새로운 펩타이드 라이브러리를 생성한 후, BoPep 을 최종 필터링 단계로 적용했습니다.
• 결과: 20,000 개의 설계된 펩타이드 중 11.5% 만 평가하여 최상위 결합체를 찾았습니다.
• 실험적 검증:
  • 선정된 26 개의 펩타이드 중 5 개가 고친화도 중화 모노클로날 항체 (mAb) 와 경쟁하여 PLY 결합을 차단했습니다.
  • 이중 2 개 펩타이드 ($\beta$-시트 구조) 가 PLY 매개 용혈 (hemolysis) 을 효과적으로 억제하여 항독소 (antivirulence) 활성을 입증했습니다.

4. 의의 및 결론 (Significance)

• 계산 효율성: BoPep 은 고비용인 구조 기반 스크리닝의 병목 현상을 해결하여, 펩타이드 결합체 발견을 위한 계산 자원을 정보량이 많은 영역에 집중시킵니다.
• 범용성: 내생성 펩타이드 (임상 샘플), 전체 프로테옴, De Novo 설계 펩타이드 등 다양한 소스의 서열 공간에 적용 가능합니다.
• 치료제 개발: CD14 결합을 통한 염증 조절 및 PLY 중화를 통한 항균 치료제 개발 등 새로운 치료 표적 발굴에 대한 실질적인 가능성을 제시했습니다.
• 오픈 소스: BoPep 은 GitHub 에서 MIT 라이선스로 공개되어 있어, 연구자들이 펩타이드 기반 치료제 개발에 활용할 수 있습니다.

이 연구는 딥러닝, 구조 생물학, 베이지안 최적화를 통합하여 방대한 펩타이드 서열 공간에서 기능성 결합체를 효율적으로 탐색하는 새로운 패러다임을 제시했습니다.