Large-scale exploration of protein space by automated NMR

이 논문은 자동화된 NMR 과 단백질 설계를 결합하여 대규모로 단백질 구조와 역학을 고해상도로 분석할 수 있는 새로운 실험 파이프라인을 구축하고, 이를 통해 384 개의 설계 단백질 중 상당수를 성공적으로 분석하여 기존 계산 모델이 포착하지 못한 국부적 역동성을 규명했습니다.

핵심

이 논문은 **"단백질이라는 거대한 도서관에서, 우리가 아직 보지 못한 책들 **(단백질)에 대한 이야기입니다.

기존의 과학 기술로는 단백질의 구조를 예측하는 것은 가능해졌지만, 실제로 그 단백질이 어떻게 움직이고 변하는지 (동역학) 를 실험적으로 확인하는 것은 매우 느리고 비싼 일이었다고 합니다. 이 연구는 그 '속도'와 '비용'의 벽을 무너뜨린 획기적인 방법을 소개합니다.

이 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 문제: "설계도는 완벽하지만, 실제 건물을 짓고 확인하는 건 너무 느려요"

최근 인공지능 (AI) 이 단백질의 모양을 아주 정확하게 그려줄 수 있게 되었습니다. 마치 건축가가 컴퓨터로 수천 개의 건물을 설계해 줄 수 있는 것과 같습니다. 하지만 설계도만 보고는 그 건물이 실제로 바람에 흔들리는지, 어떤 소리를 내는지, 내부가 어떻게 움직이는지 알 수 없습니다.

과거에는 과학자들이 하나하나 실험실로 가서 직접 건물을 짓고 (단백질을 만들고), 그 움직임을 측정하는 데 수개월에서 수년이 걸렸습니다. 그래서 AI 가 설계한 수만 개의 '가상 건물' 중 실제로 확인된 것은 손에 꼽을 정도였습니다.

2. 해결책: "자동화 공장 + NMR 스캐너"

이 연구팀은 세 가지 기술을 결합하여 이 문제를 해결했습니다.

• **생성형 AI **(설계자) AI 가 다양한 모양의 단백질 설계도를 대량으로 그립니다.
• **자동화 로봇 **(건설 현장) 이 설계도들을 바탕으로, 로봇이 자동으로 DNA 를 조립하고 박테리아 공장 (E. coli) 에서 단백질을 대량 생산합니다. 마치 공장에서 자동차를 조립하듯, 한 사람이 일주일 만에 수백 개의 단백질을 만들어냅니다.
• **NMR **(초정밀 스캐너) 만들어진 단백질에 자기장을 쏘아, 그 내부의 미세한 움직임까지 포착하는 'NMR'이라는 장비를 사용합니다. 보통 NMR 은 한 번에 하나만 측정하지만, 이 연구팀은 이를 자동화하여 하루에 32 개, 일주일에 200 개 이상의 단백질을 빠르게 스캔했습니다.

비유하자면: 과거에는 한 명의 장인이 수년 걸려 하나의 정교한 시계를 만들고 그 소리를 들어봤다면, 이제는 로봇 공장이 하루에 수백 개의 시계를 만들고, 자동 스캐너가 그 소리를 일일이 녹음하는 것과 같습니다.

3. 실험 결과: "예상치 못한 움직임과 새로운 발견"

연구팀은 AI 가 설계한 384 개의 새로운 단백질을 이 방법으로 실험해 보았습니다.

• 성공률: 384 개 중 **239 개 **(약 62%)가 아주 선명한 신호를 보였습니다. 이는 설계된 대로 잘 접혀서 움직인다는 뜻입니다.
• 놀라운 발견: AI 는 단백질이 '고정된 모양'으로만 움직일 것이라고 예측했지만, 실험 결과 예상치 못한 부분들이 흔들리거나, 두 가지 다른 모양을 오가는 것이 발견되었습니다. 마치 AI 가 설계한 의자가 '단단하게 고정된 의자'라고 했지만, 실제로는 '살짝 흔들리는 의자'나 '접히는 의자'가 된 것과 같습니다.
• 의미: 이는 현재의 AI 모델이 단백질의 '움직임'을 완벽하게 예측하지 못한다는 것을 보여줍니다. 즉, 단백질의 움직임에 대한 새로운 데이터가 필요하다는 신호입니다.

4. 미래: "단백질 통계학의 시대"

이 연구의 가장 큰 의의는 **'데이터의 양'**을 바꾼 점입니다.

• 과거: "하나의 단백질을 깊이 있게 연구한다."
• 미래: "수백 개의 단백질을 한 번에 연구하여 통계적인 법칙을 찾는다."

이제 과학자들은 AI 가 설계한 단백질들의 움직임을 대량으로 분석함으로써, "어떤 모양의 단백질은 왜 흔들리는가?", "어떤 조건에서 움직이는가?"와 같은 단백질 물리학의 새로운 법칙을 찾아낼 수 있게 되었습니다.

요약

이 논문은 "AI 가 설계한 수백 개의 새로운 단백질을 로봇과 자동화 장비를 이용해 일주일 만에 대량으로 만들고, 그 움직임을 빠르게 분석했다"는 내용입니다.

이는 마치 우주 탐사선을 보내는 것과 같습니다. 과거에는 한 번에 한 행성만 탐사했다면, 이제는 **수백 개의 행성 **(단백질)을 동시에 스캔하여 우주의 지도 (단백질 세계의 법칙) 를 훨씬 더 빠르고 정확하게 그려나갈 수 있게 된 것입니다. 이제 우리는 단백질이 어떻게 움직이고 기능하는지에 대한 더 깊은 이해를 얻을 수 있게 되었습니다.

기술 요약

이 논문은 대규모 단백질 공간 (protein space) 을 자동화된 NMR 을 통해 탐구하는 새로운 실험 파이프라인을 제시합니다. 단백질 설계 (protein design) 와 자동화된 대량 생산, 그리고 핵자기 공명 (NMR) 분광학을 결합하여, 수백 개의 단백질의 구조와 역동성을 원자 수준에서 고처리량 (high-throughput) 으로 분석하는 체계를 확립했습니다.

주요 내용은 다음과 같습니다.

1. 연구 배경 및 문제 제기 (Problem)

• 현황: 딥러닝의 발전으로 단백질 구조 예측 및 설계가 대규모로 가능해졌으나, 실험적으로 단백질의 역동성 (dynamics), 구조적 이질성, 접힘 행동을 대규모로 분석하는 것은 여전히 제한적입니다.
• 한계: 기존 NMR 기술은 원자 수준의 해상도와 다양한 시간 규모의 역동성 정보를 제공하지만, 저처리량 기술로 남아 있어 개별 단백질이나 소규모 세트에만 적용되었습니다.
• 필요성: 단백질 서열이 어떻게 운동과 기능적 유연성을 인코딩하는지 체계적으로 이해하기 위해서는, 대규모 실험 데이터셋이 필요하며 이는 기존의 구조 예측 모델만으로는 불가능합니다.

2. 방법론 (Methodology)

저자들은 NMR-APP (NMR-Automated Protein Production) 이라고 명명한 확장 가능한 실험 플랫폼을 구축했습니다.

• 단백질 라이브러리 설계:
  • RFdiffusion 과 Proteína(Flow-matching 기반) 라는 두 가지 생성 모델을 사용하여 17,500 개의 백본을 생성하고, ProteinMPNN 을 통해 서열을 설계했습니다.
  • Boltz-1 로 재접힘 (refolding) 시뮬레이션을 거친 후, 구조적 일관성과 신뢰도 지표를 기준으로 필터링했습니다.
  • 단순한 나선 구조의 편향을 피하고 구조 공간의 다양성을 확보하기 위해 Foldseek 를 이용한 클러스터링을 수행하여 최종 384 개의 de novo 설계 단백질을 선정했습니다.
• 자동화된 고처리량 생산:
  • 합성 DNA 를 E. coli 에서 15N 동위원소 표지된 상태로 자동 발현시켰습니다.
  • 음향 액체 로봇 (acoustic liquid robot) 을 이용한 Golden Gate 조립, 96 웰 딥웰 플레이트에서의 자동 배양, 화학적 용해, IMAC 정제, 자동화된 크기 배제 크로마토그래피 (SEC) 를 거쳤습니다.
  • 단일 운영자가 주당 수백 개의 동위원소 표지 단백질을 생산할 수 있으며, 비용은 주로 DNA 합성 비용에 의해 결정됩니다.
• 자동화된 NMR 스크리닝:
  • 생산된 379 개 샘플에 대해 표준화된 2D [15N, 1H]-HMQC 실험을 45 분간 자동 기록했습니다.
  • 스펙트럼 품질 평가 (피크 수, 강도 분포, 신호 대 잡음비) 를 자동화하여 데이터 분석을 수행했습니다.

3. 주요 결과 (Key Results)

• 성공적인 고처리량 분석:
  • 384 개 설계 중 379 개가 정제되었으며, 이 중 239 개 (62%) 에서 고품질의 NMR 스펙트럼을 획득하여 상세 분석이 가능했습니다.
  • 단백질 농도가 10 µM 이상일 때 성공률이 87% 에 달했습니다.
• 설계된 구조의 검증:
  • 9 개의 대표 단백질을 선정하여 13C 표지 및 3D/4D NMR 실험을 통해 서열 특이적 공명 할당 (resonance assignment) 을 수행했습니다.
  • 모든 9 개 단백질에서 설계된 모델과 일치하는 2 차 구조가 확인되었으며, 한 단백질의 경우 설계 모델과의 RMSD 가 1.3 Å으로 매우 정확함이 입증되었습니다.
• 예상치 못한 역동성 발견:
  • 설계된 단백질들이 정적 (static) 으로 설계되었음에도 불구하고, 루프 (loop) 영역 등에서 국소적인 역동성 (local dynamics) 이 관찰되었습니다.
  • 일부 단백질에서는 주요 상태 외에 5% 수준의 이중 상태 (minor conformations, 예: cis/trans 이성질체) 가 관측되어, 이 플랫폼이 다중 상태 단백질 연구에 민감함을 보였습니다.
• 계산 모델과의 괴리:
  • NMR relaxation 실험을 통해 측정한 잔기 수준의 역동성과 AlphaFold 등 기존 구조 예측 모델의 pLDDT 점수 간에는 거의 상관관계가 없었습니다 (R² < 0.12).
  • 이는 진화적 정보를 학습한 기존 모델이 설계된 단백질의 역동성을 예측하는 데 한계가 있음을 시사합니다.
• 통계적 구조 생물학의 가능성:
  • 스펙트럼의 전체적 특성 (평균 화학적 이동, 피크 강도 변동 계수 등) 을 분석하여 이차 구조 조성 및 역동성 특성을 추출할 수 있음을 보였습니다.

4. 기여 및 의의 (Significance)

• 처리량 장벽 극복: 기존 구조 유전체학 프로젝트에 비해 데이터 수집 시간과 비용을 수 배에서 수 십 배 단축하여, NMR 을 고처리량 기술로 전환했습니다.
• 데이터 기반 모델링의 기반 마련: 단백질 서열 - 구조 - 역동성 관계를 학습할 수 있는 대규모 표준화된 실험 데이터셋을 생성하는 토대를 마련했습니다.
• 새로운 연구 패러다임: 단일 단백질 중심의 구조 생물학에서, 설계된 단백질 군집 (ensemble) 에 대한 대규모 실험을 통해 통찰을 얻는 통계적 구조 생물학 (Statistical Structural Biology) 시대를 열었습니다.
• 미래 전망: 이 플랫폼은 단백질 언어 모델이 진화적 정보 없이도 역동성을 예측할 수 있도록 훈련하는 데 필수적인 데이터를 제공할 것이며, 알로스테리 (allostery), 에너지 지형, 본질적으로 무질서한 단백질 (IDP) 연구 등으로 확장될 수 있습니다.

요약하자면, 이 연구는 자동화된 단백질 생산과 NMR 의 결합을 통해 단백질의 구조적 다양성과 역동성을 대규모로 실험적으로 규명할 수 있는 길을 열었으며, 이는 차세대 단백질 설계 및 역동성 예측 AI 모델 개발에 결정적인 기여를 할 것으로 기대됩니다.