Reaction-Conditioned Enzyme Discovery with Multimodal Deep Learning

이 논문은 화학 반응과 효소 서열 간의 정밀한 매핑을 가능하게 하는 멀티모달 딥러닝 프레임워크 'VenusRXN'을 제안하여, 기존 동源性 기반 방법을 넘어 알려지지 않은 새로운 반응에 대한 제로샷 효소 발견을 실험적으로 입증하고 생촉매 발견의 패러다임을 전환했다고 요약할 수 있습니다.

핵심

🧪 1. 문제: "어떤 열쇠가 어떤 자물쇠를 여는지 모른다"

우리의 몸이나 자연계에는 수많은 화학 반응이 일어납니다. 예를 들어, 설탕을 분해하거나 약을 만드는 과정이죠. 이 일을 도와주는 것이 효소라는 단백질입니다.

• 기존 방식의 문제: 과학자들은 그동안 "비슷한 모양 (구조) 이나 이름 (서열) 을 가진 효소를 찾아서" 이 일을 시켰습니다. 마치 비슷한 열쇠 모양을 가진 것들만 모아봐야 한다는 뜻이죠.
• 한계: 하지만 자연에는 우리가 아직 발견하지 못한 '새로운 열쇠 (반응)'가 무수히 많습니다. 기존 방식으로는 아예 존재를 모르는 새로운 반응을 할 수 있는 효소를 찾을 수 없었습니다. 마치 "새로운 자물쇠"가 생겼는데, 기존 열쇠만 가지고는 열 수 없는 상황과 같습니다.

🚀 2. 해결책: '베누스 RXN (VenusRXN)'이라는 새로운 나침반

연구팀은 베누스 베누스 RXN이라는 인공지능을 개발했습니다. 이 AI 는 두 가지 능력을 동시에 가지고 있습니다.

1. 화학 반응의 언어를 읽는 능력: 분자 구조를 그림처럼 보고, "이게 어떻게 변하는지" 이해합니다.
2. 단백질 (효소) 의 언어를 읽는 능력: 아미노산 서열을 보고, "이 단백질이 어떤 일을 할 수 있는지" 이해합니다.

🌟 핵심 비유: "요리 레시피와 요리사 매칭"

• 화학 반응은 **"새로운 요리 레시피"**입니다. (예: "이런 재료를 섞어서 저런 맛을 내는 요리")
• 효소는 **"요리사"**입니다.
• 기존 방식은 "이 요리사는 중국 요리를 잘하니까, 비슷한 중국 요리도 해볼까?"라고 추측했습니다.
• 베누스 RXN은 "이 레시피 (화학 반응) 를 완벽하게 이해하고, 그 레시피를 가장 잘 요리할 수 있는 요리사 (효소) 를 전 세계 3 억 명 중에서 찾아냅니다."

이 AI 는 단백질의 모양 (구조) 을 보지 않아도, 오직 **단백질의 서열 (문자열)**과 화학 반응의 논리만으로도 매칭이 가능합니다.

🏆 3. 놀라운 성과: "바늘 찾기" 성공

이 AI 가 얼마나 뛰어난지, 실제 실험으로 증명했습니다.

• 시나리오: 전 세계에 있는 3 억 개가 넘는 단백질 데이터베이스 (마치 거대한 바늘 더미) 에서, 아예 처음 보는 새로운 반응을 할 수 있는 효소를 찾아야 했습니다.
• 결과:
  1. 당뇨병 치료제 중간체 합성: 기존에 자연계에 존재하지 않는 비정상적인 재료를 이용해 약을 만드는 반응을 시켰습니다. AI 는 전 세계 3 억 개 중 상위 10 개 안에 정답을 찾아냈습니다. (실제 실험에서도 성공!)
  2. 약물 합성: 아카보스 (당뇨병 치료제) 를 만드는 과정에서도 새로운 효소를 찾아냈습니다.

📊 숫자로 보면:
기존 최고의 AI 는 20 개 중 1 개 정도만 맞추는데, 베누스 RXN 은 20 개 중 76.5 개나 맞추었습니다. 이는 약 3 배 이상 더 정확한 것입니다.

💡 4. 왜 이것이 중요한가요? (패러다임의 변화)

이 연구는 과학계의 사고방식을 완전히 바꿉니다.

• 과거: "이 효소와 생김새가 비슷하니까, 이 반응도 할 거야." (유사성 중심)
• 현재 (베누스 RXN): "이 반응의 논리를 이해했으니, 이 반응을 할 수 있는 효소는 누구든 찾아낼 수 있어." (기능 중심)

이는 마치 **우주에 있는 어둠의 물질 (Dark Matter)**처럼, 아직 이름도 없고 설명도 없는 수많은 단백질들을 AI 가 빛을 비춰 찾아내는 것과 같습니다. 이제 우리는 실험실에서의 수많은 시행착오 없이, 컴퓨터로만 수백만 개의 후보를 순식간에 걸러낼 수 있게 되었습니다.

🎯 5. 요약: 한 문장으로 정리

"베누스 RXN 은 화학 반응이라는 '레시피'를 보고, 전 세계 3 억 명의 '요리사' (효소) 중에서 그 레시피를 가장 잘 요리할 수 있는 사람을 찾아내는, 혁신적인 AI 나침반입니다."

이 기술 덕분에 앞으로 새로운 약, 친환경 연료, 새로운 소재를 만드는 데 걸리는 시간과 비용이 획기적으로 줄어들 것으로 기대됩니다.

기술 요약

논문 개요: VenusRXN

이 논문은 화학 반응과 효소 촉매 사이의 정밀한 매핑을 가능하게 하는 새로운 멀티모달 딥러닝 프레임워크인 VenusRXN을 제안합니다. 기존 방법론의 한계를 극복하고, 훈련 데이터에 존재하지 않는 새로운 반응 (Zero-shot) 에 대해 효소를 발견할 수 있는 능력을 입증했습니다.

1. 문제 정의 (Problem)

• 기존 방법의 한계: 전통적인 효소 발견 방법은 서열 동질성 (Sequence homology) 이나 구조 정렬 (Structural alignment) 에 의존합니다. 이는 기존에 알려진 반응과 유사한 경우에만 작동하며, 완전히 새로운 반응 (New-to-nature) 이나 주석 (Annotation) 이 없는 "암흑 물질 (Dark matter)" 영역의 단백질을 탐색하는 데에는 근본적인 맹점이 있습니다.
• 데이터 부족: 수억 개의 서열이 존재하지만, 기능적으로 주석이 달린 단백질은 1% 미만입니다.
• 기존 딥러닝 모델의 제약: 최근의 단백질 언어 모델 (PLM) 기반 방법들은 주로 기존 주석 (EC 번호 등) 에 의존하여 학습하므로, 훈련 데이터에 없는 새로운 반응을 처리하지 못합니다. 또한, 구조 기반 모델은 구조 데이터가 서열 데이터에 비해 턱없이 부족하다는 스캘러빌리티 문제를 겪습니다.

2. 방법론 (Methodology)

VenusRXN 은 화학 반응과 효소 서열 간의 직접적인 매핑을 학습하기 위해 설계된 멀티모달 딥러닝 프레임워크입니다.

A. 핵심 아키텍처

1. 반응 인코더 (Reaction Encoder):

   • Mol-Graphormer: 그래프 트랜스포머 (Graphormer) 기반의 사전 훈련된 모델로, 반응물과 생성물의 분자 그래프를 인코딩합니다.
   • 자기지도 학습 (Self-supervised Pretraining): 반응 중심 예측 (RCP), 마스킹 원자 속성 예측 (MAP), 그래프 대비 학습 (GCL) 등의 작업을 통해 화학적 규칙과 반응 중심을 학습합니다.
   • CGR (Condensed Graph of Reaction): 반응물과 생성물 그래프를 원자 매핑 (Atom mapping) 을 기반으로 중첩하여 생성된 CGR 을 CGR-Graphormer로 다시 인코딩하여 고차원의 반응 표현을 얻습니다. 이는 반응의 구조적 변화를 효과적으로 포착합니다.

2. 단백질 인코더 (Protein Encoder) 및 조인트 인코더 (Joint Encoder):

   • 기존 단백질 언어 모델 (PLM, ESM-C 기반) 을 변형하여 사용합니다.
   • 단일 모드 인코더: 단백질 서열만 입력받아 임베딩을 생성합니다.
   • 조인트 인코더: 반응 인코더의 출력과 단백질 임베딩을 크로스 어텐션 (Cross-attention) 메커니즘을 통해 융합합니다.

3. 멀티모달 학습 전략:

   • 대조 학습 (Contrastive Learning): 매칭된 반응 - 효소 쌍은 가깝게, 매칭되지 않은 쌍은 멀게 임베딩 공간에 배치합니다. (하나의 반응이 여러 효소에 의해 촉매될 수 있는 'Many-to-Many' 관계를 처리하기 위해 제약된 배치 샘플링 전략을 사용).
   • 소프트 라벨 정렬 (Soft-label Alignment): 반응 간 또는 효소 간의 내모달 (Intra-modal) 유사성을 고려하여 부드러운 정렬을 수행합니다.
   • 분류 작업: 반응 - 효소 쌍의 매칭 여부를 이진 분류하는 작업을 병행하여 미세한 정렬 (Fine-grained alignment) 을 학습합니다.

B. 주요 기능

• 반응 기반 효소 검색: 특정 화학 반응 (SMILES) 을 입력하면 이를 촉매할 수 있는 효소를 대규모 데이터베이스에서 검색.
• 템플릿 기반 효소 검색: 알려진 효소를 템플릿으로 하여 유사한 기능을 가진 다른 효소 검색.
• 미세 조정 (Fine-tuning): 촉매 성능 (예: $k_{cat}$) 레이블이 있는 데이터를 사용하여 특정 작업에 최적화된 효소 추천.

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

A. 벤치마크 성능 (Benchmarks)

• Zero-shot 일반화: 훈련 데이터에 전혀 포함되지 않은 새로운 반응에 대해 효소를 검색하는 능력에서 기존 최첨단 (SOTA) 모델 (CLIPZyme 등) 을 압도적으로 능가했습니다.
  • Top-20 Hit Rate: 훈련되지 않은 반응에 대해 **76.5%**의 성공률을 기록 (CLIPZyme 대비 26% 향상).
  • 구조 데이터 불필요: 단백질 구조 정보 없이 서열만으로 높은 성능을 달성하여, 구조 데이터가 부족한 대규모 서열 데이터베이스 검색에 적합함을 입증했습니다.

B. 자연산물 생합성 경로 재구성

• 최근 (2025 년 2 월 이후) 에 규명된 4 가지 자연산물 (Taxol, 살리실산, S-TeA, Sulfenicin) 의 생합성 경로를 대상으로 실험했습니다.
• VenusRXN 은 10 가지 반응 중 **90% (Top-20 Hit Rate)**의 정확도로 목표 효소를 찾아냈으며, 기존 동질성 기반 도구 (antiSMASH 등) 가 놓친 새로운 효소들을 성공적으로 식별했습니다.

C. wet-lab 실험 검증 (Zero-shot Discovery)

• NCBI NR 데이터베이스 (>3 억 개 서열) 검색: 훈련 데이터에 없는 두 가지 복잡한 반응을 대상으로 대규모 스크리닝을 수행했습니다.
  1. 제 2 형 당뇨병 약물 중간체 합성: 비자연적 기질 (Non-natural substrate) 을 사용하는 $\omega$-트랜스아미네이스 반응. VenusRXN 이 선정한 상위 10 개 후보 중 TA-3가 45% 전환율과 99% 이상의 입체 선택성을 보이며 실험적으로 검증되었습니다.
  2. 아카르보스 생합성 중간체 인산화: Valienol-7-phosphate 합성 반응. 후보 C9가 높은 전환 효율을 보였습니다.
• 이는 "수백만 개의 바늘 더미에서 바늘 찾기"를 성공적으로 수행한 사례로, 새로운 효소 발견의 가능성을 입증했습니다.

D. 성능 예측 ($k_{cat}$)

• TurNup 데이터셋을 사용하여 $k_{cat}$ 예측 작업을 수행했습니다. 반응과 효소 정보를 결합한 조인트 인코더를 미세 조정 (Fine-tuning) 한 결과, 기존 모델 (TurNup) 보다 우수한 상관관계 (Spearman correlation > 0.6) 를 보였습니다.

4. 의의 및 결론 (Significance)

• 패러다임의 전환: 효소 발견의 기준을 '동질성 (Homology)'에서 '화학 반응 자체 (Chemical Reaction)'로 전환했습니다. 이는 주석이 없는 단백질 우주 (Proteome) 의 "암흑 물질"을 저렴하고 효율적으로 탐색할 수 있게 합니다.
• 확장성: 단백질 구조에 의존하지 않으므로, 서열 데이터의 폭발적 증가에 맞춰 수억 개의 서열을 수 분 내에 검색할 수 있는 확장 가능한 솔루션을 제공합니다.
• 실용적 가치: 합성 생물학, 신약 개발 (특히 2 형 당뇨병 치료제 등), 자연산물 발견 분야에서 실험적 검증 전 후보군을 획기적으로 줄여주어 연구 비용과 시간을 절감합니다.

결론적으로, VenusRXN 은 멀티모달 딥러닝을 통해 화학 반응과 단백질 서열 간의 복잡한 관계를 학습함으로써, 기존에 알려지지 않은 새로운 생체 촉매 (Biocatalyst) 를 발견할 수 있는 강력한 도구를 제시했습니다.