AptaBLE: A Deep Learning Platform for Aptamer Generation and Analysis

이 논문은 실험적 편향과 비용 문제를 해결하기 위해 고안된 딥러닝 플랫폼 'AptaBLE'를 소개하며, 이를 통해 새로운 아프타머를 생성하고 나노몰 (nM) 수준의 결합 친화도를 달성하는 방법을 제시합니다.

핵심

1. 아프타머란 무엇인가요? (열쇠와 자물쇠)

먼저 **'아프타머'**가 무엇인지 알아야 합니다.

• 비유: 우리 몸속에는 수많은 '자물쇠' (병원 세포나 바이러스 같은 표적) 가 있습니다. 이 자물쇠를 열 수 있는 아주 정교한 **'열쇠'**가 필요합니다.
• 아프타머는 바로 그 열쇠 역할을 하는 DNA 나 RNA 조각입니다. 특정 자물쇠에 딱 맞는 모양으로 접혀서, 그 자물쇠만 꽉 잡고 다른 건 건드리지 않습니다.

2. 기존 방식의 문제점 (바늘 찾기)

기존에 이 열쇠를 찾는 방법은 **'SELEX(셀렉스)'**라는 과정이었습니다.

• 비유: 거대한 바늘더미 (수조 개의 무작위 DNA 조각) 에서 딱 맞는 바늘 하나를 찾는 것과 같습니다.
• 문제점: 이 과정은 시간이 매우 오래 걸리고 (몇 달), 비용도 비싸며, 실험 과정에서 실수로 잘못된 바늘을 골라낼 수도 있습니다. 마치 바늘더미에서 눈으로만 찾아내는 것처럼 비효율적입니다.

3. AptaBLE 의 등장 (지능형 바늘 찾기 로봇)

이제 **'AptaBLE'**라는 AI 가 등장했습니다. 이 AI 는 두 가지 놀라운 일을 합니다.

A. 기존 열쇠들을 빠르게 분류하기 (스마트 필터)

• 상황: 실험실에서 바늘더미 (수많은 DNA 조각) 를 얻어냈습니다.
• AptaBLE 의 역할: 이 AI 는 그 바늘더미를 한 번에 훑어보며, "이건 자물쇠에 잘 맞을 것 같아 (높은 점수)", "이건 안 맞을 것 같아 (낮은 점수)"라고 순식간에 점수를 매겨줍니다.
• 결과: 연구자들은 점수가 높은 바늘들만 골라 실험하면 되므로, 시간과 비용을 획기적으로 줄일 수 있습니다. 실제로 기존에 놓쳤던 좋은 열쇠들을 다시 찾아내기도 했습니다.

B. 아예 새로운 열쇠를 디자인하기 (창의적인 건축가)

• 상황: 아직 존재하지 않는 새로운 자물쇠 (예: 특정 암세포) 를 열 열쇠가 필요할 때.
• AptaBLE 의 역할: AI 는 "이런 모양의 열쇠를 만들면 저 자물쇠에 딱 맞겠구나"라고 상상해서 처음부터 새로운 열쇠 (아프타머) 를 직접 디자인해냅니다.
• 방법: 두 가지 전략을 사용합니다.
  1. AptaBLE-MCTS: 무작위로 열쇠 조각을 붙여가며 가장 좋은 조합을 찾아내는 '탐험가' 방식입니다.
  2. AptaBLE-MCTG: 확산 모델 (Diffusion) 을 이용해, 안개 속에서 점차 선명한 열쇠 모양을 그려내는 '예술가' 방식입니다.

4. 실제 성과 (실제 시험 통과!)

이론만 좋았던 게 아니라, 실제로 실험실에서 검증했습니다.

• **TIGIT(면역 수용체) 와 CD25(면역 세포 표지자)**라는 두 가지 표적을 대상으로 새로운 열쇠를 만들었습니다.
• 결과: AI 가 디자인한 열쇠들은 실험실에서 매우 강력하게 표적에 붙었습니다. 특히 'Aptamer 77'이라는 열쇠는 **31 나노미터 (nM)**라는 놀라운 정밀도로 자물쇠를 잠갔습니다. (이는 아주 미세한 힘으로도 꽉 잡는다는 뜻입니다.)
• 약물 전달: 이 열쇠에 '살인적인 약 ( Daunorubicin)'을 달아서 실험했습니다. 그 결과, 아픈 세포 (CD25 양성 세포) 만 골라 죽이고, 건강한 세포는 건드리지 않았습니다. 마치 정밀 타격 미사일처럼 작동한 것입니다.

5. 요약: 왜 이것이 중요한가요?

• 과거: 아프타머를 찾으려면 몇 달 동안 실험실에서 바늘더미를 뒤져야 했습니다.
• 현재 (AptaBLE): AI 가 몇 시간 만에 가장 유망한 후보를 찾아내고, 아예 새로운 열쇠를 설계해줍니다.
• 미래: 이 기술은 암 치료제나 진단 키트를 개발하는 속도를 획기적으로 높여줄 것입니다. 마치 의약품 개발을 '수공예'에서 '스마트 팩토리'로 바꾸는 것과 같습니다.

한 줄 요약:

AptaBLE는 거대한 바늘더미에서 최고의 열쇠를 찾아내고, 아예 새로운 열쇠를 디자인하는 초지능 AI로, 앞으로 더 빠르고 정확한 맞춤형 의약품을 만드는 데 혁명을 일으킬 것입니다.

기술 요약

AptaBLE: 어프타머 생성 및 분석을 위한 딥러닝 플랫폼

1. 문제 정의 (Problem)

• 기존 기술의 한계: 어프타머 (단일 가닥 DNA 또는 RNA 올리고뉴클레오타이드) 는 항체와 유사한 고친화성 및 특이성을 가지지만, 발견 과정인 SELEX(Systematic Evolution of Ligands by EXponential enrichment) 는 시간과 비용이 많이 들고 실험적 편향 (PCR 증폭 시 발생하는 서열 편향 등) 에 취약합니다.
• 계산적 방법의 부족: 기존 계산적 접근법은 주로 서열 클러스터링에 의존하여 기계적 통찰력이 부족합니다. 또한, 기존 딥러닝 모델들은 긴 범위의 분자 간 상호작용을 모델링하는 데 한계가 있으며, 어프타머 - 단백질 구조 데이터의 부족과 핵산 고분자의 유연성으로 인해 구조 기반 접근법의 성능이 낮았습니다.

2. 방법론 (Methodology)

저자들은 AptaBLE(Aptamer Binding LanguagE) 라는 새로운 딥러닝 프레임을 제안했습니다.

• 아키텍처:
  • 양방향 인코더: 단백질 서열에는 ESM-2(1.5 억 파라미터), DNA 어프타머에는 Nucleotide Transformer v2, RNA 어프타머에는 RNA-FM과 같은 사전 훈련된 인코더를 사용합니다.
  • 퓨전 메커니즘: 단백질과 어프타머 임베딩을 결합하기 위해 교차 어텐션 (Cross-attention) 과 자기 어텐션 (Self-attention) 모듈을 사용합니다. 이는 구조 정보 없이도 서열 데이터만으로 복잡한 상호작용 패턴을 포착합니다.
  • 출력: 결합 확률 (0~1 점수) 을 예측하는 MLP(다층 퍼셉트론) 를 통해 이진 분류 (결합/비결합) 를 수행합니다.
• 데이터셋:
  • 공개 데이터베이스 (UTexas, Li et al.) 와 자체 소유 데이터를 기반으로 1,089 개의 DNA 어프타머와 757 개의 RNA 어프타머를 학습에 사용했습니다.
  • 음성 데이터는 서열을 셔플 (Shuffle) 하되 뉴클레오타이드 조성을 유지하여 생성했습니다.
  • 데이터 분할은 단백질 서열의 동源性 (Homology) 을 기준으로 하여 일반화 성능을 검증했습니다.
• De Novo 생성 알고리즘:
  • AptaBLE-MCTS: AptaBLE 점수를 보상 (Reward) 으로 사용하는 몬테카를로 트리 탐색 (MCTS) 기반 생성법.
  • AptaBLE-MCTG: 마스킹 확산 모델 (Masked Diffusion Model) 과 MCTS 를 결합하여 더 정교한 서열 탐색을 수행하는 방법.
  • 두 방법 모두 표적 단백질에 대한 결합 점수를 최대화하고, 오프-타겟 (예: 인간 알부민) 에 대한 결합은 최소화하도록 설계되었습니다.

3. 주요 기여 (Key Contributions)

1. 구조 정보 없이 고품질 결합 예측: 단백질 - 어프타머의 3 차원 구조가 없어도 서열 기반 딥러닝을 통해 높은 정확도로 결합을 예측할 수 있음을 입증했습니다.
2. 새로운 어프타머 생성 (De Novo Generation): 기존 SELEX 라이브러리를 재분석하여 놓친 고친화성 어프타머를 발굴했을 뿐만 아니라, 완전히 새로운 (De Novo) 어프타머 서열을 생성하여 실험적으로 검증했습니다.
3. 실용적인 치료제 개발 가속화: SELEX 과정을 단축하고, 실험 비용과 시간을 절감할 수 있는 통합 플랫폼을 제시했습니다.

4. 실험 결과 (Results)

• 예측 성능:
  • hCD117(인간 CD117) 어프타머 검증: 기존 SELEX 라이브러리를 AptaBLE 로 재분석하여, 기존 분석에서 놓쳤던 4 개의 새로운 고친화성 어프타머 (ABWUC1-4) 를 발굴했습니다. 이 중 ABWUC1 과 UC2 는 50 nM 미만의 친화력을 보였습니다.
  • 벤치마크: 기존 최첨단 방법론 (AptaTrans, AlphaFold3) 보다 DNA 및 RNA 어프타머 결합 예측 성능에서 우월한 결과를 보였습니다. 특히 DNA 어프타머에서 재현율 (Recall) 이 매우 높았습니다.
• De Novo 생성 및 실험 검증:
  • TIGIT 및 CD25 타겟팅: AptaBLE-MCTS 와 MCTG 를 통해 TIGIT 와 CD25 수용체를 타겟으로 하는 새로운 어프타머를 생성했습니다.
  • 결합 친화도 (Kd):
    • Anti-TIGIT: Aptamer 22 (Kd ~7.3 μM), Aptamer 27 (Kd ~12.55 μM).
    • Anti-CD25: Aptamer 64 (Kd ~2.7 μM), Aptamer 77 (Kd ~31 nM). (Aptamer 77 은 매우 높은 친화력을 보임)
  • 특이성: TIGIT 양성/음성 세포, CD25 양성/음성 세포에서 높은 특이적 결합을 확인했습니다.
• 기능성 검증 (세포 독성):
  • 생성된 CD25 어프타머 (Aptamer 77) 에 항암제인 Daunorubicin 을 적재하여 CD4+ T 세포에 투여했습니다.
  • 결과: CD25 양성 (CD4+CD25+) 세포를 선택적으로 고갈시켰으며, CD25 음성 세포에는 영향을 미치지 않아 표적 전달의 정확성을 입증했습니다.

5. 의의 및 결론 (Significance)

• 패러다임 전환: AptaBLE 는 구조 데이터의 부족을 극복하고 서열 데이터만으로 어프타머 - 단백질 상호작용을 정밀하게 모델링할 수 있음을 보여주었습니다.
• 합리적 설계 (Rational Design): 무작위 SELEX 에 의존하지 않고, 원하는 결합 특성 (고친화성, 특이성) 을 가진 어프타머를 컴퓨터로 설계하고 생성할 수 있는 가능성을 열었습니다.
• 치료제 개발 가속: 어프타머 기반 치료제 및 진단키트 개발의 시간과 비용을 획기적으로 줄일 수 있어, 차세대 바이오의약품 개발에 중요한 도구가 될 것으로 기대됩니다.

이 연구는 계산 생물학과 실험 생물학의 긴밀한 협력을 통해 어프타머 발견 프로세스를 혁신적으로 개선한 사례로 평가됩니다.