Metagenomic-scale analysis of the predicted protein structure universe

이 논문은 알파폴드와 ESM 의 예측 구조 데이터를 통합하여 8 억 2 천만 개의 단백질 구조를 분석함으로써 12 개의 새로운 도메인 접힘과 1 만 9 천 개 이상의 새로운 도메인 조합을 발견하여 메타게놈 데이터가 단백질 구조 우주의 미탐사 영역을 밝히는 데 핵심적임을 입증했습니다.

핵심

이 논문은 **"거대하고 어두운 우주의 지도를 그리는 작업"**이라고 비유할 수 있습니다.

여기서 '우주'는 단백질의 세계이고, '지도'는 단백질의 3 차원 구조입니다. 과학자들은 이제까지 알지 못했던 미지의 영역을 탐험하기 위해 인공지능 (AI) 을 동원해 거대한 프로젝트를 수행했습니다.

이 연구의 핵심 내용을 일상적인 언어와 비유로 설명해 드릴게요.

---

1. 배경: 왜 이 연구를 했을까요? (이미지 1000 만 장 vs 어둠 속의 보물)

과거에는 실험실에서 직접 단백질을 분석해 구조를 알아냈는데, 이는 마치 수작업으로 한 장씩 사진을 찍는 것처럼 느리고 비쌌습니다. 하지만 최근 '알파폴드 (AlphaFold)'와 같은 AI 가 등장하면서 수억 장의 단백질 구조를 순식간에 그려낼 수 있게 되었습니다.

• AFDB (알파폴드 데이터베이스): 이미 알려진 생물 (사람, 쥐, 박테리아 등) 의 단백질 구조 2 억 1 천만 장을 모아둔 '밝은 도서관'입니다.
• ESMatlas (ESM 메타게놈 아틀라스): 실험실에서 키울 수 없는 미생물 (대부분의 박테리아) 들의 유전자를 분석해 만든 '어둠 속의 보물상자'입니다. 여기엔 6 억 6 천만 장의 구조가 숨어 있습니다.

이 연구팀은 이 두 가지를 합쳐 8 억 2 천만 장이라는 어마어마한 규모의 데이터를 하나로 모았습니다. 이를 **'AFESM'**이라고 이름 붙였는데, 이는 단백질 구조의 '전체 지도'를 완성하려는 시도였습니다.

2. 방법: 거대한 데이터 정리하기 (레고 블록 분류하기)

8 억 2 천만 장의 데이터를 그냥 쌓아두면 아무것도 알 수 없습니다. 그래서 연구팀은 다음과 같은 작업을 했습니다.

• 중복 제거 (Clustering): 똑같은 모양의 레고 블록들이 수천 개씩 섞여 있다면, 그중 하나만 뽑아내어 대표로 삼는 작업입니다.
• 품질 검사: AI 가 그렸을 때 "이건 너무 흐릿해서 믿을 수 없어"라고 판단된 구조는 버렸습니다.
• 그룹화: 모양이 비슷한 구조끼리 묶어서 **512 만 개의 '구조 가족 (클러스터)'**을 만들었습니다.

3. 주요 발견 1: 어디에 살까요? (생태계별 특화 구조)

이들 단백질 가족이 어디에서 주로 발견되는지 분석했습니다. 마치 동물의 서식지를 조사하듯요.

• 극한 환경의 전문가: 뜨거운 온천이나 짠 물 (염호) 같은 극한 환경에서 사는 미생물들은 특별한 모양의 단백질을 가지고 있었습니다. 예를 들어, 뜨거운 온천 미생물은 열에 강한 '방열복' 같은 구조를, 짠 물 미생물은 소금기를 견디는 '방수 코팅' 같은 구조를 가졌습니다.
• 장내 미생물: 인간의 장에 사는 미생물들은 영양분을 흡수하는 '수송 트럭' 같은 단백질이 많았습니다.

이것은 단백질의 모양이 어떤 환경에 살느냐에 따라 진화했음을 보여줍니다.

4. 주요 발견 2: 완전히 새로운 모양은 있을까요? (새로운 레고 블록 발견?)

가장 궁금한 점은 **"지금까지 본 적 없는 완전히 새로운 모양 (Fold) 의 단백질"**이 있는지였습니다.

• 결과: 놀랍게도, 완전히 새로운 모양은 매우 드뭅니다. (약 12 개만 발견됨).
• 이유: 자연은 이미 존재하는 '레고 블록'들을 가지고 놀기를 좋아합니다. 완전히 새로운 블록을 만드는 대신, 기존 블록들을 새로운 방식으로 조립하는 방식을 선호하는 것 같습니다.
• 중요한 교훈: AI 가 처음에 그렸을 때 품질이 낮아 '쓰레기'로 버린 데이터들을 다시 AI 에게 그려보게 했더니, 그중에서 새로운 모양 33 개가 더 발견되었습니다. 즉, 데이터의 품질이 중요하다는 것을 깨달았습니다.

5. 주요 발견 3: 새로운 조합의 발견 (레고 블록의 새로운 조립법)

완전히 새로운 블록은 드물었지만, **기존 블록들의 '새로운 조합'**은 엄청나게 많았습니다.

• 비유: 레고로 '자동차'를 만드는 법은 이미 다 알려져 있습니다. 하지만 이 연구팀은 '자동차 바퀴'와 '비행기 날개'를 붙인 새로운 장난감이 1 만 1 천 9 백여 가지나 있다는 것을 발견했습니다.
• 의미: 생명체는 이미 알려진 단백질 부품을 가져와서 새로운 기능을 가진 복합체를 만들어내고 있었습니다. 이는 진화가 '새로운 것을 발명'하는 것보다 '기존 것을 재조합'하는 방식으로 이루어지고 있음을 보여줍니다.

6. 결론: 이 연구가 우리에게 주는 메시지

이 연구는 **"우리가 알고 있는 단백질 세계는 빙산의 일각일 뿐"**임을 보여줍니다.

1. 메타게놈 (미생물) 데이터의 중요성: 실험실에서 키울 수 없는 미생물들을 분석해야만 단백질 세계의 숨겨진 비밀을 찾을 수 있습니다.
2. 진화의 지혜: 자연은 완전히 새로운 것을 만드는 것보다, 기존 도구를 clever하게 조합하여 새로운 기능을 만들어냅니다.
3. 미래 전망: 이 연구에서 발견된 1 만 1 천여 가지의 '새로운 조합'들은 앞으로 새로운 약물 개발이나 환경 정화 기술 등에 쓰일 수 있는 보물입니다.

한 줄 요약:

과학자들이 AI 를 이용해 미지의 미생물 세계를 탐험했더니, 완전히 새로운 모양의 단백질은 드물었지만, 기존 부품들을 엉뚱하고 창의적으로 조합한 새로운 생명 공학의 보물이 수만 개 숨어 있다는 것을 발견했습니다.

기술 요약

논문 요약: 메타게놈 규모의 예측 단백질 구조 우주 분석

1. 연구 배경 및 문제 제기 (Problem)

• 배경: AlphaFold2 와 ESMFold 와 같은 단백질 구조 예측 기술의 비약적인 발전으로 인해 계산적으로 유도된 단백질 구조 데이터가 폭발적으로 증가했습니다. AlphaFold 단백질 구조 데이터베이스 (AFDB) 에는 2 억 1,400 만 개 이상의 모델이, ESM 메타게놈 아틀라스 (ESMatlas) 에는 배양되지 않은 미생물에서 유래한 6 억 개 이상의 모델이 존재합니다.
• 문제점:
  • 기존 AFDB 는 주로 배양 가능한 생물체에 초점을 맞추고 있어, 단백질 구조 우주의 '어두운 물질 (dark matter)'인 배양되지 않은 메타게놈 데이터의 잠재력은 충분히 탐구되지 않았습니다.
  • 방대한 양의 데이터 (약 8 억 2 천만 개) 를 효율적으로 조직화하고, 구조적 유사성을 기반으로 클러스터링하며, 새로운 구조적 발견 (Novelty) 을 식별하기 위한 체계적인 프레임워크가 부족했습니다.
  • 특히 ESMatlas 데이터는 조각 (fragment) 이 많고 예측 신뢰도가 낮은 경우가 많아, 기존 방법론으로는 새로운 폴드 (Fold) 나 도메인 조합을 찾기 어렵습니다.

2. 방법론 (Methodology)

저자들은 AFDB 와 ESMatlas 데이터를 통합한 AFESM (8 억 2 천만 개 엔트리) 데이터셋을 구축하고, 다음과 같은 다단계 파이프라인을 통해 분석을 수행했습니다.

• 데이터 통합 및 전처리:
  • AFDB(AlphaFold2 예측) 와 ESMatlas(ESMFold 예측) 데이터를 결합.
  • MMseqs2 를 사용하여 시퀀스 기반 클러스터링 수행 (81% 의 ESMatlas 조각을 완전한 단백질과 매칭).
  • 대표 단백질 선정: 각 클러스터 내에서 길이가 70% 이상이고 예측 신뢰도 (pLDDT) 가 가장 높은 단백질을 대표로 선정 (pLDDT < 60 인 클러스터는 제외). 이를 통해 1 억 200 만 개의 고품질 대표 단백질 확보.
• 구조 기반 클러스터링:
  • Foldseek를 활용하여 위터닝 존 (twilight zone) 이하의 낮은 시퀀스 유사성에서도 구조적 유사성을 기반으로 클러스터링 수행.
  • 결과: 7,260 만 개의 구조 클러스터 생성 (이 중 512 만 개가 단일 원소가 아닌 'non-singleton' 클러스터).
• 주석 (Annotation) 및 분석:
  • 분류학적 (Taxonomic) 분석: ESMatlas 시퀀스에 대해 UniRef90 과 GTDB 를 활용한 MMseqs2 Taxonomy 로 분류학적 라벨 할당 (4 억 4 천만 개, 72% 라벨링). 각 클러스터의 최저 공통 조상 (LCA) 계산.
  • 생태계 (Biome) 분석: MGnify 메타데이터를 활용하여 각 클러스터의 최저 공통 생태계 (LCB) 라벨링. 극한 환경 (온천, 고염분 등) 과 일반 환경별 구조 특성 분석.
  • 도메인 분석: CATH 데이터베이스를 기반으로 도메인 분할 (Merizo, Chainsaw, UniDoc 활용) 및 구조적 유사성 검색.
  • 새로운 폴드 (Novel Fold) 식별: CATH 와 TED(Encyclopedia of Domains) 에 매칭되지 않는 도메인을 필터링하고, ColabFold 를 이용한 재예측 (Reprediction) 을 통해 저품질 도메인의 구조적 신뢰도를 높여 새로운 폴드 확인.
  • 다중 도메인 단백질 (MDP) 분석: 기존에 관찰되지 않은 도메인 조합 (Co-occurrence) 을 식별.

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

• 대규모 통합 데이터셋 (AFESM) 구축:
  • 8 억 2 천만 개의 예측 구조를 통합하여 512 만 개의 비단일 (non-singleton) 구조 클러스터를 생성. 이는 현재까지 가장 큰 통합 예측 구조 데이터셋입니다.
• 구조적 다양성과 생태계 특이성:
  • 클러스터의 78% 는 초계 (Superkingdom) 이상 수준에서 분류되었으며, 83.5% 는 특정 환경에 국한되지 않음을 확인.
  • 생태계 특이적 구조: 온천 (Thermal Spring) 과 고염분 (Hypersaline) 환경에서 각각 고세균 (Thermoproteota, Halobacteriota) 및 세균 (Bacteroidota) 과 연관된 특이적 구조가 발견됨.
  • 특정 생태계 (예: 해양, 인간 장내) 에서 우세한 도메인 (예: EF-hand, ABC 수송체 등) 이 환경 적응과 연관됨을 규명.
• 새로운 폴드 (Novel Folds) 발견의 한계와 재평가:
  • ESMatlas 만의 클러스터에서 12 개의 새로운 도메인 폴드를 발견.
  • 예측 품질의 중요성: 초기 저품질 (pLDDT < 70) 로 분류되어 제외되었던 230 만 개 도메인을 ColabFold 로 재예측한 결과, 33 개의 추가적인 새로운 폴드가 발견됨. 이는 구조적 혁신 발견을 위해 예측 품질 관리가 필수적임을 시사.
  • 전체적으로 반복적으로 관찰되는 새로운 폴드는 드물며 (약 0.3%), 기존 폴드의 재조합이 주된 혁신 방식임을 보여줌.
• 새로운 도메인 조합 (Novel Domain Combinations) 의 대량 발견:
  • 완전히 새로운 폴드보다는 기존 도메인의 새로운 조합이 메타게놈 단백질의 다양성을 주도함.
  • AFDB 에 존재하지 않는 11,941 개의 새로운 다중 도메인 아키텍처를 식별.
  • 특히 막 관련 도메인 (예: TonB 수용체, 다약제 배출 수송체) 과 세포질/핵 내 도메인의 예상치 못한 조합이 발견되어, 새로운 기능적 메커니즘의 가능성을 제시.

4. 의의 및 결론 (Significance)

• 단백질 구조 우주의 확장: 배양되지 않은 미생물 데이터 (ESMatlas) 를 대규모로 분석함으로써 단백질 구조 공간의 미탐사 영역을 조명했습니다.
• 진화적 통찰: 새로운 폴드 자체의 발견보다는, 기존 도메인들의 **재조합 (Recombination)**을 통한 기능적 다양화가 진화적 혁신의 주요 동력임을 입증했습니다.
• 예측 품질의 중요성 강조: 메타게놈 데이터의 특성상 예측 신뢰도가 낮을 수 있으며, 이를 개선하기 위한 재예측 (Reprediction) 이 새로운 구조 발견의 핵심 열쇠임을 강조했습니다.
• 자원 공개: 분석 결과와 데이터는 **AFESM 웹서버 (afesm.foldseek.com)**를 통해 공개되어, 향후 연구자들이 메타게놈 단백질 구조를 탐색하고 생태계별 적응 메커니즘을 연구하는 데 기여할 것입니다.

이 연구는 단백질 구조 예측 기술의 한계를 극복하고, 메타게놈 데이터를 활용한 대규모 구조 생물정보학 분석의 새로운 표준을 제시했다는 점에서 의의가 큽니다.