Influence of molecular representation and charge on protein-ligand structural predictions by popular co-folding methods

본 논문은 알파폴드 3, 볼츠만 -2, 차이 -1, 프로테닉스 -v1 등 주요 단백질 -리간드 구조 예측 도구들이 리간드 입력 형식 (CCD 대 SMILES) 에 따라 예측 결과가 크게 달라지는 반면, 전하 (양성자화 상태) 변화에는 민감하게 반응하지 않는다는 점을 규명하고, 향후 알고리즘 개선을 위해 입력 형식 무관성 확보 및 양성자화 과정의 통합이 필요함을 주장합니다.

핵심

🍳 비유: 요리사와 레시피 (AI 모델과 단백질)

상상해 보세요. AlphaFold 3, Boltz-2, Chai-1, Protenix-v1 같은 최신 AI 모델들은 초고급 요리사입니다. 이 요리사들은 수많은 레시피 (데이터) 를 보고 훈련받아서, 어떤 재료 (단백질) 에 어떤 소스 (약물/리간드) 를 넣으면 어떻게 결합되는지 그릇 (구조) 을 만들어냅니다.

연구자들은 이 요리사들에게 아주 간단한 두 가지 재료를 주고 실험을 했습니다.

1. 메틸아민 (Methylamine): 마치 '아미노산'의 일부처럼 단백질에 흔한, 전하를 띠거나 띠지 않을 수 있는 물질.
2. 아세트산 (Acetic Acid): 식초의 주성분으로, 역시 전하를 띠거나 띠지 않을 수 있는 물질.

이 재료들은 전하 (Charge) 상태에 따라 성질이 완전히 달라집니다.

• 중성 (전하 없음): 기름기 있는 구석에 숨어 있기를 원합니다.
• 양이온/음이온 (전하 있음): 전기적으로 반대되는 성질을 가진 단백질 부분과 강하게 달라붙기를 원합니다.

연구자들은 이 요리사들에게 두 가지 방식으로 레시피를 주었습니다.

• 방식 A (CCD): 화학 구조를 아주 정밀하게 정의한 공식적인 코드.
• 방식 B (SMILES): 분자를 문자열로 간단히 적은 코드.

그리고 **"전하가 있는 상태"**와 **"전하가 없는 상태"**로 각각 레시피를 바꿔주며 요리사들이 만든 결과물을 비교했습니다.

---

🔍 놀라운 발견: 요리사들이 겪은 혼란

연구 결과, 이 초고급 요리사들이 만든 요리는 예상과 많이 달랐습니다.

1. 레시피 형식에 따라 요리가 달라졌다! (가장 큰 충격)

요리사들에게 같은 재료를 줬는데, 레시피를 적는 방식 (CCD vs SMILES) 만 바꿔주면 만들어진 요리의 모양이 완전히 달라졌습니다.

• 비유: 같은 '토마토'를 줬는데, 레시피에 "토마토"라고 적으면 스프가 되고, "TOMATO"라고 적으면 샐러드가 되는 것과 같습니다.
• 현실: AI 모델들은 분자의 '전하'보다는 우리가 입력한 문자 형식 (CCD 또는 SMILES) 에 훨씬 더 민감하게 반응했습니다. 이는 AI 가 분자의 물리화학적 성질보다는 입력된 데이터의 '패턴'을 외우고 있다는 뜻입니다.

2. 전하를 바꿔도 요리사는 무감각했다!

연구자들은 "전하가 있는 상태 (예: 양이온)"와 "전하가 없는 상태 (중성)"를 구분해서 레시피를 줬습니다. 이론적으로는 전하가 있는 분자는 단백질의 반대 전하 부분과 달라붙어야 합니다.

• 비유: 자석의 N 극과 S 극을 바꿔주면 붙는 위치가 달라져야 하는데, 요리사는 "아, 그냥 토마토네?" 하고 똑같은 곳에 아무렇게나 올려놓았습니다.
• 현실: 대부분의 AI 모델은 분자의 전하 상태를 제대로 반영하지 못했습니다. 중성 분자와 이온 분자가 단백질의 같은 자리에 붙는 등, 화학적 상식과 맞지 않는 결과를 내놓았습니다.

3. 재료의 모양도 엉망이었다!

분자의 결합 길이 (원자 사이의 거리) 를 측정해 보니, 실제 화학 이론과 맞지 않는 값들이 나왔습니다.

• 비유: 요리사가 만든 토마토의 크기가 실제 토마토보다 10 배 작거나, 반대로 100 배 커진 것처럼, 원자 사이의 거리가 물리적으로 불가능한 수준으로 왜곡되기도 했습니다. (특히 Protenix-v1 모델에서 이런 현상이 심했습니다.)

---

💡 결론: 무엇을 배웠을까?

이 연구는 현재 가장 핫한 AI 단백질 구조 예측 도구들이 **"완벽하지 않다"**는 것을 보여줍니다.

1. 입력 방식의 불일치: 같은 분자를 다른 방식으로 입력하면 결과가 달라지면 안 됩니다. AI 는 입력 형식에 상관없이 일관된 결과를 내야 합니다.
2. 전하 이해 부족: AI 는 분자가 전하를 띠는지, 띠지 않는지 그 물리화학적 의미를 제대로 이해하지 못합니다. 이는 pH(산성/염기성) 에 따라 단백질 모양이 바뀌는 현상을 예측하는 데 큰 걸림돌이 됩니다.

요약하자면:
지금의 AI 요리사들은 레시피 (입력 데이터) 를 외우는 데는 능숙하지만, 재료의 본질 (전하와 화학적 성질) 을 이해하는 데는 아직 초보 수준입니다. 따라서 앞으로 이 도구들을 사용할 때는 결과를 맹신하기보다, 입력 방식과 전하 상태를 여러 번 바꿔가며 검증해야 한다는 교훈을 줍니다.

이 연구는 AI 기술이 더 발전하기 위해 **"입력 형식의 통일"**과 **"전하 상태 학습"**이라는 두 가지 길을 가야 한다고 제안합니다.

기술 요약

논문 요약: 분자 표현 방식과 전하가 인기 있는 공동 접힘 (Co-folding) 방법의 단백질 - 리간드 구조 예측에 미치는 영향

1. 연구 배경 및 문제 제기 (Problem)

최근 딥러닝 기반 도구 (AlphaFold 3, Boltz-2, Chai-1, Protenix-v1 등) 는 단백질 - 리간드 복합체의 구조 모델을 생성하는 능력을 보여주며 구조 생물학 분야를 혁신하고 있습니다. 그러나 이러한 도구들의 예측 능력, 특히 **리간드의 전하 (protonation 상태) 와 입력 형식 (Input Format)**에 대한 민감성은 아직 충분히 검증되지 않았습니다.

• 핵심 문제: 단백질 - 리간드 상호작용에서 리간드의 전하 상태 (예: 중성 vs 이온화) 는 결합 친화도와 위치 결정에 결정적인 역할을 합니다. 또한, 동일한 분자를 나타내는 서로 다른 입력 형식 (CCD: Chemical Component Dictionary vs SMILES) 이 예측 결과에 일관된 영향을 미치는지 여부는 불명확합니다.
• 가설: 연구진은 인기 있는 4 가지 공동 접힘 알고리즘이 명시적으로 지정된 리간드 전하와 입력 형식에 민감하게 반응할 것이라고 가정하고 이를 검증하고자 했습니다.

2. 연구 방법론 (Methodology)

• 대상 모델: AlphaFold 3 (v3.0.1), Boltz-2 (v2.2.1), Chai-1 (v0.5.2), Protenix-v1 (v1.0.0).
• 테스트 리간드: 단백질 내 아미노기 (-NH2) 와 카르복실기 (-COOH) 로서 가장 흔하게 존재하며 전하 상태가 변할 수 있는 두 가지 단순한 분자 선택.
  • 메틸아민 (Methylamine): 중성 (NME, SMILES: CN) 과 양이온 (메틸암모늄, 3P8, SMILES: C[NH3+]).
  • 아세트산 (Acetic Acid): 중성 (ACY, SMILES: CC(=O)O) 과 음이온 (아세테이트, ACT, SMILES: CC(=O)[O-]).
• 표적 단백질:
  • DRD1 (인간 도파민 D1 수용체): 메틸아민/암모늄 테스트용. D103 잔기와 이온 결합을 형성하는 것으로 알려진 부위.
  • BarA (E. coli 센서 키나제 도메인): 아세테이트/아세트산 테스트용. 소수성 및 극성 잔기 (L95, T98, I136 등) 로 구성된 결합 주머니.
• 실험 설정:
  • 각 모델은 100 개의 서로 다른 랜덤 시드 (seed) 로 실행되었으며, 각 시드당 510 개의 확산 샘플 (diffusion samples) 을 생성하여 총 5001000 개의 구조를 분석했습니다.
  • 분석 지표:
    • 결합 길이: 양자 화학 계산 (Reference) 과 비교하여 C-N, C-C, C-O 결합 길이의 정확도 및 전하/입력 형식 의존성 분석.
    • 리간드 위치: 주성분 분석 (PCA) 을 통해 리간드 원자 위치의 분포를 시각화하고, Kolmogorov-Smirnov (K-S) 통계량을 사용하여 서로 다른 조건 (전하, 형식) 간의 분포 차이를 정량화했습니다.

3. 주요 결과 (Key Results)

가. 결합 길이 (Bond Lengths) 의 비정확성

• 모든 도구에서 예측된 결합 길이는 양자 화학 계산으로 얻은 이론적 범위보다 평균적으로 짧았습니다.
• Protenix-v1: 메틸암모늄의 경우 0.075 Å까지의 비현실적으로 짧은 결합 길이를 생성하는 등 심각한 오류를 보였습니다.
• 전하 의존성 부재: 아세테이트 (대칭적 C-O 결합) 와 아세트산 (비대칭적 C-O 결합) 의 경우, 이론적으로 전하 상태에 따라 결합 길이가 달라져야 하지만, 대부분의 도구 (특히 Chai-1, Protenix-v1) 는 전하 변화에 따라 결합 길이가 변하지 않았습니다.
• 입력 형식 의존성: 동일한 분자라도 CCD 와 SMILES 입력 형식에 따라 결합 길이 분포가 크게 달라지는 경우가 많았습니다.

나. 리간드 결합 위치 (Binding Poses) 예측

• DRD1 (도파민 수용체):
  • 이론적으로 양이온 (메틸암모늄) 은 D103 잔기 근처에 결합해야 하지만, 중성 (메틸아민) 은 다른 곳에 위치하거나 결합하지 않아야 합니다.
  • 결과: 대부분의 도구 (AlphaFold 3, Protenix-v1 등) 는 전하 상태 (중성 vs 양이온) 에 관계없이 리간드를 거의 동일한 위치 (D103 근처) 에 배치했습니다. 이는 물리화학적 원리 (전하 상호작용) 와 모순됩니다.
  • Boltz-2만이 입력 형식 (SMILES vs CCD) 에 매우 민감하게 반응하여 위치 분포가 크게 달라졌습니다.
• BarA (센서 도메인):
  • 실험적 결합 부위 (소수성 주머니) 를 재현한 도구는 없었습니다.
  • AlphaFold 3를 제외하고는 전하 상태에 따른 결합 위치 차이가 거의 관찰되지 않았습니다.

다. 입력 형식 (CCD vs SMILES) 의 영향

• 놀랍게도, 리간드 전하의 명시적 지정보다 입력 형식 (CCD 또는 SMILES) 이 예측 결과에 더 큰 영향을 미쳤습니다.
• 동일한 분자라도 입력 형식이 다르면 결합 길이 분포나 리간드 위치 분포가 통계적으로 유의미하게 다르게 나타났습니다.

4. 주요 기여 및 결론 (Contributions & Conclusions)

주요 기여:

1. 현재 모델의 한계 규명: AlphaFold 3, Boltz-2, Chai-1, Protenix-v1 등 최신 공동 접힘 도구들이 리간드의 전하 상태를 물리화학적 원리에 맞게 처리하지 못함을 최초로 체계적으로 입증했습니다.
2. 입력 형식 불일치 발견: 동일한 분자를 다른 형식 (CCD/SMILES) 으로 입력할 때 예측 결과가 일관되지 않음을 발견하여, 모델의 내부 표현 학습 (representation learning) 에 문제가 있음을 지적했습니다.
3. 향후 개선 방향 제시:
   • (i) 입력 형식 무관성 확보: 동일한 분자에 대해 입력 형식과 무관하게 일관된 결과를 보장해야 함.
   • (ii) 양성자화 (Protonation) 파이프라인 통합: 훈련 데이터 및 예측 파이프라인에 전하 상태 및 양성자화 단계를 명시적으로 포함시켜, pH 에 따른 구조적 변화를 모델링할 수 있어야 함.

의의 (Significance):

• 현재 사용 가능한 단백질 - 리간드 구조 예측 도구들은 약물 개발 및 기초 생물학 연구에 사용할 때 신중하게 해석해야 함을 경고합니다.
• 특히 전하에 민감한 상호작용 (이온 결합 등) 을 예측할 때, 단순히 입력 형식이나 전하를 임의로 지정하는 것만으로는 신뢰할 수 있는 결과를 얻기 어렵습니다.
• 이 연구는 차세대 AI 구조 예측 모델이 단순한 구조 재현을 넘어, 분자의 화학적 성질 (전하, pH 의존성) 을 정확히 이해하고 반영하도록 발전해야 할 필요성을 강조합니다.

---

요약: 본 논문은 최신 AI 기반 단백질 - 리간드 예측 도구들이 리간드의 전하 상태를 무시하거나, 입력 형식에 따라 예측 결과가 일관되지 않게 나타나는 중대한 결함을 가지고 있음을 규명했습니다. 이는 약물 설계 및 구조 생물학 분야에서 이러한 도구들의 결과를 맹신하기보다, 물리화학적 원리를 고려한 추가 검증과 모델 개선이 시급함을 시사합니다.