Breaking Barriers: Transitioning from X-ray Crystallography to Cryo-EM for Structural Studies

이 논문은 X 선 결정학에서 단일 입자 Cryo-EM 으로 전환하여 ATAD2B 단백질의 구조를 규명하는 과정에서 겪은 기술적 난제와 해결 전략, 데이터 처리 및 모델링 워크플로우를 상세히 기술하여 구조 생물학자들에게 실용적인 통찰을 제공합니다.

핵심

🎬 제목: 거대한 퍼즐을 맞추기 위한 여정: "결정"에서 "얼음"으로

1. 시작: 낡은 지도와 새로운 나침반

과거 과학자들은 거대한 분자 (세포를 움직이는 기계 같은 것들) 의 모양을 알기 위해 **'X 선 결정학'**이라는 방법을 썼습니다.

• 비유: 마치 거대한 퍼즐 조각들을 **완벽하게 정렬된 벽돌 (결정)**처럼 쌓아 올린 뒤, X 선을 쏘아 그 그림자를 통해 모양을 유추하는 방식입니다.
• 문제점: 하지만 ATAD2B 라는 거대한 단백질은 너무 유연하고 복잡해서, 벽돌처럼 딱딱하게 쌓아 올리는 (결정화) 것이 거의 불가능했습니다. 마치 젤리 같은 것을 벽돌로 만들려고 애쓰는 것과 같았습니다.

그래서 연구진은 새로운 나침반인 **'크라이오-EM(초저온 전자현미경)'**을 선택했습니다.

• 비유: 이 방법은 분자들을 순간 얼음 (액체 질소) 속에 얼려서, 마치 자연 그대로의 모습을 카메라로 찍는 것과 같습니다. 결정화라는 어려운 과정 없이도, 거대하고 복잡한 기계의 3D 지도를 그릴 수 있습니다.

2. 첫 번째 시련: "도둑"이 섞여 들어오다

연구진은 ATAD2B 단백질을 대량으로 만들어내려 했습니다. 하지만 여기서 예상치 못한 도둑이 나타났습니다.

• 상황: 대장균 (E. coli) 에서 단백질을 키우는데, 우리 단백질 (ATAD2B) 과 함께 GroEL이라는 다른 단백질이 붙어 나왔습니다. GroEL 은 세포가 스트레스를 받을 때 나오는 '보조 기계' 같은 존재입니다.
• 비유: 우리가 **고급 스포츠카 (ATAD2B)**를 조립하려고 했는데, 공장에서 **거대한 트럭 (GroEL)**이 같이 섞여 나온 겁니다. 둘의 크기가 비슷해서 구별하기 어려웠습니다.
• 결과: 연구진은 이 혼합물을 전자현미경으로 찍어봤습니다. 그런데 화면에 나온 것은 스포츠카가 아니라, 트럭 (GroEL) 들이 가득 차 있었습니다. 마치 스포츠카 사진을 찍으려다 트럭 사진만 100 장 찍은 꼴이 된 것입니다.

3. 데이터 처리의 마법: AI 가 찾아낸 숨은 보석

연구진은 처음에 실망했습니다. "우리가 찍은 건 트럭인데, 왜 스포츠카를 찾지?"라고 생각했죠. 하지만 그들은 포기하지 않고 **데이터 처리 소프트웨어 (Topaz)**라는 AI의 도움을 받았습니다.

• 비유: AI 는 "내가 트럭을 잘 찾아내는 법을 배웠으니, 트럭 사진 속에서 스포츠카를 찾아보자"고 했습니다. AI 가 수만 장의 사진 속에서 **트럭 (GroEL)**을 먼저 찾아내고, 그중에서 **드문드문 숨어 있던 스포츠카 (ATAD2B)**를 찾아냈습니다.
• 한계: 하지만 스포츠카가 너무 적어서 (트럭에 비해 10 배 이상 적음), 선명한 스포츠카의 3D 모델을 만들 수 있을 만큼의 데이터를 모으는 데는 시간이 너무 오래 걸릴 것 같았습니다.

4. 결정적 전환: 공장을 바꾸다

연구진은 깨달았습니다. "이 도둑 (GroEL) 을 계속 쫓아내려고 시간을 낭비하기보다, 공장을 아예 바꾸자."

• 해결책: 대장균 (E. coli) 공장을 버리고, 곤충 세포 (Sf9) 공장으로 옮겼습니다.
• 결과: 곤충 세포에서는 GroEL 이라는 도둑이 나오지 않았습니다. 이제 **순수한 스포츠카 (ATAD2B)**만 깔끔하게 분리되어 나왔습니다.
• 성공: 깨끗한 샘플로 다시 촬영한 결과, 연구진은 ATAD2B 라는 거대 단백질의 정밀한 3D 지도를 성공적으로 완성했습니다.

5. 교훈: "깨끗한 샘플"이 모든 것의 시작

이 논문이 우리에게 주는 가장 큰 메시지는 다음과 같습니다.

• 비유: 아무리 최신식 카메라 (전자현미경) 와 최고의 사진 편집 프로그램 (AI 소프트웨어) 을 써도, 원본 사진 (샘플) 이 흐릿하거나 잡음이 많으면 좋은 결과물을 얻을 수 없습니다.
• 핵심: 크라이오-EM 기술은 강력하지만, 여전히 **생화학적 노력 (단백질 정제)**이 가장 중요합니다. 잡초를 뽑아내지 않고는 아름다운 꽃을 볼 수 없는 것과 같습니다.

🌟 요약

이 연구는 **"새로운 기술 (크라이오-EM) 을 배우는 것은 어렵지만, 실패를 통해 배우고, 때로는 근본적인 방법 (공장 변경) 을 바꾸는 용기가 있어야만 거대한 비밀 (단백질 구조) 을 풀 수 있다"**는 이야기를 담고 있습니다.

과학자들은 이 과정을 통해 ATAD2B 라는 단백질이 어떻게 우리 세포의 유전자를 조절하는지 그 정밀한 작동 원리를 밝혀냈으며, 이는 향후 새로운 약물 개발의 중요한 열쇠가 될 것입니다.

기술 요약

제공된 논문은 X-선 결정학 (X-ray crystallography) 에서 단일 입자 Cryo-EM(저온 전자 현미경) 으로 연구 기법을 전환하는 과정에서 겪은 기술적 도전과 해결 과정을 상세히 기록한 사례 연구입니다. 하산 자파 (Hassan Zafar) 와 카렌 글래스 (Karen C. Glass) 연구실의 ATAD2B 단백질 구조 규명 과정을 중심으로 한 이 논문의 기술적 요약은 다음과 같습니다.

1. 연구 배경 및 문제 제기 (Problem)

• 목표: 에피유전적 신호 전달 및 크로마틴 조절에 관여하는 인간 ATPase 패밀리 AAA+ 도메인 함유 단백질 2B(ATAD2B) 의 구조와 기능을 규명하는 것.
• 도전 과제:
  • ATAD2B 는 1,458 개의 아미노산으로 구성된 대형 단백질 (약 150 kDa) 로, N 말단 비정렬 영역을 제거한 380-1458 잔기 조각을 발현시켰음에도 불구하고, $E. coli$에서 발현 시 정제 효율이 낮고 불순물이 많았다.
  • 기존에 사용하던 X-선 결정학은 고순도, 고농도의 결정화가 필수적이었으나, ATAD2B 의 경우 결정화가 불가능했다.
  • Cryo-EM 으로 전환하려 했으나, $E. coli$ 발현 시스템에서 발현된 샘플에 **GroEL(그로엘)**이라는 박테리아 샤페로닌이 대량으로 공정제 (co-purification) 되어 있었다.
  • GroEL(7 중체, 약 812 kDa) 과 ATAD2B(6 중체, 약 900 kDa) 는 크기가 비슷하여 크기 배제 크로마토그래피 (SEC) 로 분리되지 않았으며, Cryo-EM 데이터에서 GroEL 입자가 ATAD2B 입자보다 약 10 배 이상 우세하여 목표 단백질의 고해상도 구조 규명을 방해했다.

2. 방법론 (Methodology)

연구팀은 Cryo-EM 워크플로우의 각 단계에서 다음과 같은 방법론적 접근과 기술적 도전을 극복하기 위한 전략을 수립했다.

• 샘플 준비 및 최적화:
  • 초기에는 $E. coli$ 발현 시스템을 사용했으나 GroEL 오염으로 인해 실패.
  • 발현 시스템 변경: $E. coli$에서 Sf9 곤충 세포 (Sf9 insect cells) 시스템으로 전환하여 GroEL 오염을 제거하고 고순도 ATAD2B 단백질을 확보함.
  • 그리드 준비: Vitrobot Mark IV 를 사용하여 1.2/1.3 UltrAuFoil 그리드에 시료를 vitrification(비트리피케이션) 함. 버퍼 조건 (Tris pH 7.5, 150 mM NaCl, 5% 글리세롤) 을 최적화.
• 데이터 수집:
  • NCCAT(국립 Cryo-EM 접근 및 훈련 센터) 의 Krios 현미경을 활용하여 Apo, ADP, $\gamma$ATP 결합 상태의 세 가지 데이터셋 수집.
  • 총 30,000 개 이상의 마이크로그래프 수집.
• 데이터 처리 (Data Processing):
  • 소프트웨어: CryoSPARC, cisTEM, Topaz, RELION 등 다양한 소프트웨어 활용.
  • 입자 선별 (Particle Picking): 초기 Blob picker 및 템플릿 피커는 GroEL 입자만 많이 선택. **Topaz(딥러닝 기반 입자 선별 도구)**를 사용하여 GroEL 입자로 모델을 학습시킨 후, 이를 통해 ATAD2B 입자도 함께 선출하는 전략을 사용 (GroEL 이 우세한 데이터에서도 소수인 ATAD2B 입자를 찾아냄).
  • 분류 (Classification): 2D 분류 및 3D 분류를 통해 GroEL(7 중체) 과 ATAD2B(6 중체) 입자를 분리.
• 모델 빌딩 및 정밀화:
  • AlphaFold 예측 모델 및 기존 PDB 구조 (8BL7, 9C0C) 를 초기 모델로 사용.
  • ChimeraX, Coot, Phenix(real_space_refine) 를 이용한 모델 빌딩 및 정밀화 수행.
  • MolProbity 를 통한 구조 검증 (Ramachandran 플롯, Clash score 등).

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

• GroEL 오염 문제의 해결:
  • 초기 $E. coli$ 샘플에서 GroEL 오염이 Cryo-EM 데이터의 주요 장벽이었음을 확인.
  • Topaz 를 활용한 머신러닝 기반 입자 선별이 오염된 샘플에서 목표 단백질 입자를 찾는 데 일시적으로 도움이 되었으나, 고해상도 구조를 위해서는 **발현 시스템 변경 ($E. coli \rightarrow Sf9$)**이 필수적임을 증명.
  • Sf9 세포를 사용한 결과, GroEL 오염이 제거된 균일한 샘플을 확보하여 고해상도 구조 규명이 가능해짐.
• GroEL 구조 규명 (부수적 성과):
  • 오염물질이었던 GroEL 을 이용하여 다양한 뉴클레오타이드 결합 상태 (Apo, ADP, $\gamma$ATP) 에서의 고해상도 구조를 규명함.
  • 해상도: $\gamma$ATP 결합 상태 3.3 Å, ADP 결합 상태 4.2 Å, Apo 상태 3.7 Å.
  • PDB 등록: 9YKC ($\gamma$ATP), 9YNJ (ADP), 9YKE (Apo).
• ATAD2B 구조 규명:
  • Sf9 세포에서 정제된 샘플을 통해 ATAD2B 의 6 중체 구조를 5.1 Å 해상도로 규명 (초기 데이터 처리 결과).
• 실용적 가이드라인 제시:
  • Cryo-EM 초보 연구자를 위한 워크플로우, 계산 자원 요구사항 (GPU, RAM, 저장 공간), 소프트웨어 선택 가이드, 그리고 샘플 오염 관리 전략을 체계적으로 정리.

4. 의의 및 시사점 (Significance)

• 기술적 전환의 교훈: 대형 복합체 구조 규명 시 X-선 결정학에서 Cryo-EM 으로 전환할 때, 샘플의 순도와 균일성이 결정적임을 강조. 특히 $E. coli$ 발현 시스템에서 발생하는 샤페로닌 오염 (GroEL) 은 흔한 문제이며, 이를 해결하기 위해 발현 시스템 변경이 가장 효과적인 전략임을 보여줌.
• 계산적 접근의 한계와 가능성: Topaz 와 같은 AI 도구를 통해 오염된 데이터에서 목표 입자를 선별할 수는 있으나, 오염 비율이 너무 높을 경우 (예: 10 배 이상) 고해상도 구조를 얻기 위한 데이터 수집 시간과 계산 비용이 비효율적이 될 수 있음을 지적. 따라서 생화학적 샘플 최적화가 계산적 처리보다 우선시되어야 함을 강조.
• 교육적 가치: Cryo-EM 도입을 고려하는 연구실들을 위해 샘플 준비, 데이터 수집, 처리, 모델링, 검증에 이르는 전 과정의 구체적인 사례와 리소스 (교육 자료, 데이터베이스 등) 를 제공하여 진입 장벽을 낮추는 데 기여.
• 미래 전망: Cryo-EM 이 대형 유연한 단백질 복합체 연구의 핵심 도구로 자리 잡았으며, 기계 학습과 통합적 접근법이 구조 생물학의 미래를 이끌 것임을 전망.

요약하자면, 이 논문은 ATAD2B 연구 과정에서 겪은 GroEL 오염 문제를 해결하기 위한 실패와 성공의 과정을 통해, Cryo-EM 연구에서 샘플 품질 관리의 중요성과 발현 시스템 선택의 전략적 판단이 고해상도 구조 규명의 성패를 좌우함을 보여주는 귀중한 사례 연구입니다.