Improved multimodal protein language model-driven universal biomolecules-binding protein design with EiRA

이 논문은 도메인 적응 마스킹 훈련과 결합 부위 기반 선호도 최적화를 통해 다중 모달 단백질 언어 모델을 기반으로 한 범용 생체 분자 결합 단백질 설계 모델 'EiRA'를 제안하고, 이를 통해 구조적 신뢰도, 다양성, 신규성 및 설계 가능성을 크게 향상시켰으며, 실험적 검증과 함께 글루카곤 펩타이드 결합체와 같은 고친화성 결합 단백질의 '원샷' 설계를 성공적으로 입증했습니다.

핵심

🍳 핵심 비유: "단백질 요리사"와 "새로운 레시피"

생체 내에서 일어나는 모든 일은 단백질이라는 '요리사'들이 특정 물질을 '잡아당기거나 결합'하는 방식으로 이루어집니다. 예를 들어, 면역 세포가 바이러스를 잡거나, 약물이 세포에 들어가는 것도 모두 이 결합 때문입니다.

기존의 AI 모델들은 단백질이라는 '요리사'를 만드는 데는 능숙했지만, 특정 물질 (약물, DNA 등) 을 잡는 '전문 요리사'를 만들 때는 약점이 있었습니다.

이 논문은 EiRA라는 새로운 AI 요리사를 소개하며, "이 요리사는 어떤 재료를 잡든 완벽하게 결합할 수 있는 레시피를 한 번에 만들어낸다"고 주장합니다.

---

🚀 EiRA 가 기존 모델과 다른 4 가지 놀라운 점

1. "전문가 교육"을 받은 요리사 (도메인 적응 학습)

• 기존 모델 (ESM3): 모든 단백질에 대한 지식을 가진 '만능 요리사'입니다. 하지만 특정 재료 (예: DNA) 를 잡는 법은 잘 모를 수 있습니다.
• EiRA: 이 모델은 '만능 요리사'를 바탕으로, 수백만 개의 '결합 전문 요리사' 레시피를 추가로 공부했습니다. 마치 일반 요리사가 '특수 재료 매칭'을 위한 집중 훈련을 받은 것과 같습니다.
• 결과: EiRA 는 특정 물질을 잡는 단백질을 설계할 때, 기존 모델보다 훨씬 더 안정적이고 신뢰할 수 있는 구조를 만들어냅니다.

2. "지루한 반복"을 막는 마법 (중복 생성 방지)

• 문제점: 기존 AI 모델 (특히 큰 모델) 은 특정 조건을 입력하면, "아미노산 A, A, A, A..."처럼 같은 글자만 반복하는 지루한 레시피를 만들어내는 버그가 있었습니다. 이는 실제 단백질이 작동하지 못하게 만듭니다.
• 해결책: EiRA 는 이 반복 버그를 잡기 위해 특별한 벌칙 규칙을 도입했습니다. AI 가 같은 글자를 계속 쓰려고 하면 점수를 깎아주는 식입니다.
• 결과: 다양한 재료가 골고루 섞인, 실제 작동 가능한 단백질 레시피를 만들어냅니다.

3. "DNA 주문"도 가능한 다재다능함 (DNA 조건부 설계)

• 기존: 보통 "이런 모양의 단백질을 만들어줘"라고 해야 했습니다.
• EiRA: 이제는 **"이 DNA 서열을 잡는 단백질을 만들어줘"**라고 직접 DNA 정보를 입력할 수 있습니다. 마치 "이 특정 손잡이에 맞는 열쇠를 만들어줘"라고 주문하는 것과 같습니다.
• 의미: 유전자 편집이나 DNA 관련 치료제 개발에 획기적인 도구가 될 수 있습니다.

4. "한 번에 성공"하는 마법 (One-shot Design)

• 기존: 좋은 단백질을 만들려면 AI 가 만들어낸 수천 개의 후보를 실험실에서 테스트하고, 실패하면 다시 고치는 과정을 반복해야 했습니다.
• EiRA: **한 번의 시도 (One-shot)**로 실험실에서 바로 작동하는 단백질을 만들어냈습니다.
  • 실제 성과: 인슐린과 관련된 '글루카곤'이라는 물질을 잡는 단백질을 한 번에 설계했고, 실험실에서 실제로 결합하는 것을 확인했습니다. 이는 마치 처음 만든 레시피로 바로 별미 요리를 성공시킨 것과 같습니다.

---

🧪 실험실에서의 검증: "이건 진짜다!"

이론만 좋으면 안 되죠. 연구진은 EiRA 가 만든 단백질 10 개를 실험실에서 직접 만들어봤습니다.

• 결과: 10 개 모두 100% 성공했습니다. (세포에서 잘 만들어지고, 정제할 수 있었음)
• 안정성: 컴퓨터 시뮬레이션으로 100 시간 동안 움직임을 지켜봤는데, DNA 와 단단히 붙어있으며 흔들리지 않았습니다.
• 다양성: 기존 자연계에 있는 단백질과 50% 이상 다른 새로운 디자인이었음에도 불구하고, 구조는 매우 튼튼했습니다.

---

💡 요약: 왜 이것이 중요한가요?

이 연구는 **"AI 가 이제 단백질 설계의 '마법'을 부릴 준비가 되었다"**는 것을 보여줍니다.

1. 빠름: 수년 걸리던 실험을 몇 번의 클릭으로 대체할 수 있습니다.
2. 정확함: 원하는 물질을 잡는 단백질을 정확히 설계할 수 있습니다.
3. 새로운 가능성: 유전자 치료, 새로운 백신, 암 치료제 등 우리가 상상하지 못했던 새로운 의약품을 개발하는 길이 열렸습니다.

결론적으로, EiRA는 생명공학 분야에서 AI 가 단순한 '도구'를 넘어, 인류의 건강을 위한 창의적인 파트너가 될 수 있음을 증명하는 획기적인 연구입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 단백질과 생체 분자 (DNA, RNA, 금속, 펩타이드 등) 간의 상호작용은 생명 활동의 핵심입니다. 이를 표적화하여 결합하는 단백질을 설계하는 것은 단백질 공학 및 유전자 치료에 필수적입니다. 최근 AI 기반 생성 모델 (ESM3 등) 이 등장하며 단백질 설계 패러다임이 혁신되고 있습니다.
• 문제점:
  1. 범용 모델의 한계: 기존 대규모 멀티모달 단백질 언어 모델 (PLM) 인 ESM3 은 일반적인 단백질 생성에는 뛰어나지만, 특정 생체 분자 (리간드) 와의 복잡한 결합 모드나 보존된 모티프 (motif) 를 고려한 설계에는 최적화되지 않았습니다.
  2. 중복 생성 (Repetitive Generation): ESM3 의 대형 모델 (Medium, Large) 은 결합 모티프 조건 하에서 특정 아미노산 (예: 알라닌, 류신) 이 과도하게 반복되는 '중복 생성' 현상이 발생하여 구조적 신뢰도와 접힘 가능성 (foldability) 을 크게 저해했습니다.
  3. 비단백질 정보 부재: ESM3 은 단백질 정보에 집중되어 있어, DNA 서열을 조건으로 한 결합 단백질 (DNA-binder) 설계와 같은 실제 응용 시나리오를 지원하지 못했습니다.
  4. 실험적 검증 부족: 많은 생성 모델이 계산적 예측에 그치고 있으며, 실제 실험실 (wet-lab) 에서 발현, 정제 및 기능성을 검증한 사례는 드뭅니다.

2. 방법론 (Methodology)

저자들은 EiRA (Enhanced Interaction-aware Representation & Architecture) 라는 새로운 생성 모델을 제안했습니다. 이는 ESM3-small(14 억 파라미터) 을 기반으로 2 단계의 후속 학습 (Post-training) 을 거칩니다.

• 데이터 구축 (UniBind40):

  • UniProtKB 에서 약 5,400 만 개의 생체 분자 상호작용 단백질 서열을 수집하고, MMseqs2 를 통해 40% 서열 동일성 기준으로 클러스터링하여 640 만 개의 대표 서열을 추출했습니다.
  • AlphaFold2, ESM3, ESMFold 를 활용하여 구조적 신뢰도 (pLDDT > 0.7) 가 높은 370 만 개 이상의 고품질 데이터셋 (UniBind40) 을 구축했습니다.
  • BioLip2 데이터베이스에서 DNA, RNA, 금속, 펩타이드, 일반 리간드 결합 데이터를 수집하여 선호도 최적화 (DPO) 학습용 데이터 (BioDPO) 를 구성했습니다.

• 2 단계 후속 학습 전략:

  1. 도메인 적응형 마스킹 학습 (Domain-adaptive masking training):
     • ESM3-small 의 마지막 16 개의 트랜스포머 블록에 LoRA(Low-Rank Adaptation) 를 적용하여 UniBind40 데이터셋으로 사전 학습을 수행했습니다.
     • 기존 ESM3 보다 높은 마스킹 비율과 페널티를 도입하여 결합 부위에서의 중복 생성을 억제하는 손실 함수 (Loss) 를 설계했습니다.
  2. 결합 부위 기반 선호도 최적화 (Binding site-informed preference optimization):
     • DPO (Direct Preference Optimization) + SFT (Supervised Fine-Tuning): 결합 모티프 조건에서 고품질 (높은 pTM, 낮은 RMSD) 생성물을 선호하도록 학습시켰습니다.
     • 중복 생성 해결: 연속된 5 개 이상의 위치에서 동일한 아미노산이 예측될 경우 손실에 페널티를 가하는 전략을 도입하여 ESM3 의 치명적인 중복 생성 문제를 해결했습니다.

• 멀티모달 확장 (DNA 조건부 생성):

  • DNA 언어 모델인 Evo2 의 임베딩을 EiRA 에 통합하여, 단백질 서열/구조 정보 없이 DNA 서열만으로 결합 단백질을 설계할 수 있도록 크로스 어텐션 (Cross-attention) 메커니즘을 도입했습니다.

3. 주요 기여 (Key Contributions)

1. 대규모 생체 분자 결합 데이터셋 (UniBind40): 370 만 개 이상의 고품질 결합 단백질 데이터셋을 구축하여 맞춤형 학습을 가능하게 함.
2. 성능 향상 및 효율성: 14 억 파라미터의 EiRA 가 980 억 파라미터의 ESM3-Large 모델과 유사하거나 더 나은 성능을 보이며, 파라미터 효율성을 입증함.
3. 중복 생성 문제 해결: 손실 함수 최적화 및 DPO 전략을 통해 ESM3 의 심각한 중복 생성 문제를 해결하고 구조적 신뢰도를 획기적으로 개선함.
4. 표현 학습 (Representation Learning) 강화: EiRA 의 임베딩은 DNA/RNA/ATP 결합 예측 등 다양한 다운스트림 작업에서 ESM3 보다 우수한 성능을 보임.
5. DNA 조건부 설계: DNA 서열을 입력으로 받아 결합 단백질을 생성하는 새로운 패러다임 제시.
6. 실험적 검증: "원샷 (One-shot)" 설계로 글루카곤 (Glucagon) 펩타이드 결합체를 성공적으로 설계하고, SPR 실험을 통해 마이크로몰 (µM) 수준의 친화력을 검증함.

4. 결과 (Results)

• 생성 품질 평가:
  • 무조건부 생성: 10 만 개의 생성된 시퀀스 평가에서 EiRA 는 ESM3-small 보다 평균 pTM(0.473) 과 pLDDT(0.707) 점수가 각각 35.7%, 65.4% 향상되었습니다.
  • 다양성: 생성된 시퀀스는 높은 다양성과 신규성 (Novelty) 을 보였으며, 기능적 도메인 (PAS, ATP 결합 등) 을 포함하고 있었습니다.
  • 단일 시퀀스 및 복합체 평가: 8 개의 테스트 세트 (DNA, RNA, 금속, 펩타이드 결합 등) 에서 EiRA(DPO 적용) 는 ESM3-Medium/Large 및 RFdiffusion+ProteinMPNN 기반 방법보다 높은 구조적 신뢰도 (pTM, ipTM) 를 기록했습니다. 특히 PPI(단백질 - 단백질 상호작용) 를 제외한 대부분의 리간드 결합 테스트에서 우위를 점했습니다.
• 중복 생성 완화: ESM3-Large/Medium 모델은 결합 모티프 조건에서 700 개 이상의 반복 시퀀스를 생성했으나, EiRA 는 이를 효과적으로 억제하고 아미노산 분포를 균일하게 만들었습니다.
• 실험적 검증 (Wet-lab Validation):
  • TnpB 및 DNA 결합 단백질 변이체: 자연계와 41.82%~77.30% 의 높은 변이율을 가진 10 개의 변이체를 설계했습니다. 100% 발현 및 정제 성공률을 기록했으며, 일부 변이체는 야생형보다 높은 발현량을 보였습니다.
  • 분자동역학 (MD) 시뮬레이션: 100 ns 시뮬레이션 결과, 설계된 단백질 - DNA 복합체는 천연 단백질과 유사한 구조적 안정성과 수소 결합 네트워크를 유지했습니다.
  • 글루카곤 (Glucagon) 결합체 "원샷" 설계: 템플릿과 49.45% 의 낮은 서열 동일성에도 불구하고, 표면 플라즈몬 공명 (SPR) 실험을 통해 KD = 23.08 µM의 친화력을 가진 결합체를 성공적으로 설계하고 검증했습니다.

5. 의의 및 결론 (Significance)

• 구조적 무결성과 서열 동질성의 분리: EiRA 는 템플릿 단백질과 서열이 매우 달라도 (Low Sequence Identity) 구조적 안정성과 기능적 결합 능력을 유지할 수 있음을 입증했습니다. 이는 기존 진화적 접근법의 한계를 넘어 새로운 단백질 공간을 탐색할 수 있음을 의미합니다.
• 실용적 적용 가능성: 계산적 설계에서 실험적 검증 (발현, 정제, 결합 친화도 측정) 까지 성공적으로 연결하여, AI 기반 단백질 설계의 신뢰성을 높였습니다.
• 미래 전망: 유전자 편집 (TnpB), 면역 치료, 신약 개발 등 다양한 바이오의약품 분야에서 고품질 결합 단백질 설계 도구로 활용될 수 있으며, 특히 DNA 서열 기반의 표적 단백질 설계라는 새로운 가능성을 열었습니다.

이 논문은 대규모 언어 모델을 생체 분자 결합 특성에 맞게 최적화하고, 실험적 검증을 통해 그 유효성을 입증했다는 점에서 단백질 공학 및 AI 생물학 분야에서 중요한 이정표가 될 것으로 평가됩니다.