CROWN: Curated Repository Of Well-resolved Noncovalent interactions

이 논문은 PDBBind 와 HiQBind 의 높은 품질과 PLInder 의 광범위한 커버리지를 모두 충족시키며, 자동화된 전처리 파이프라인과 에너지 최소화 단계를 통해 15 만 3 천 개 이상의 고품질 단백질 - 리간드 복합체로 구성된 머신러닝용 데이터셋 'CROWN'을 소개합니다.

핵심

1. 왜 이 연구가 필요했을까요? (문제 상황)

약 개발이나 생명공학 연구에서 인공지능 (AI) 을 가르치려면 '데이터'가 필요합니다. 그런데 기존에 있던 데이터들은 두 가지 큰 문제가 있었습니다.

• 문제 A: '고급 레스토랑'은 맛있지만 양이 너무 적음 (PDBBind, HiQBind)
  • 이 데이터들은 전문가들이 하나하나 손으로 다듬어서 아주 정확하고 깨끗합니다. 하지만 양이 너무 적어서 (약 3 만 개 정도), AI 가 다양한 상황을 배우기엔 부족합니다. 마치 맛있는 요리책 한 권만 가지고 모든 요리를 배우려는 것과 같습니다.
• 문제 B: '대형 마트'는 양은 많지만 품질이 들쑥날쑥함 (PLInder)
  • 이 데이터는 약 65 만 개로 양이 엄청납니다. 하지만 전문가가 다듬지 않아서, 깨진 그릇이나 상한 식재료가 섞여 있습니다. AI 가 이런 '쓰레기' 데이터를 배우면 엉뚱한 결론을 내리게 됩니다.

결론: 연구자들은 "정확한 데이터가 필요하지만 양도 많아야 한다"는 딜레마에 빠져 있었습니다.

2. CROWN 이 해결책입니다 (해결책)

이 논문은 PLInder(대형 마트) 에서 가져온 65 만 개의 데이터를, AI 가 바로 쓸 수 있도록 완벽하게 다듬어 15 만 3 천 개의 '최고급 데이터'로 만들었습니다.

이를 위해 다음과 같은 **'자동 정제 공장 (파이프라인)'**을 가동했습니다.

🏭 CROWN 의 정제 과정 (5 단계 필터 + 2 단계 가공)

1. 품질 검사 (Filter 1): 3D 구조가 흐릿하게 찍힌 사진 (해상도가 낮은 것) 은 버립니다. 선명한 사진만 남깁니다.
2. 불필요한 것 제거 (Filter 2): 약이 아니라 결정화 과정에서 생긴 불순물이나 이온, 혹은 단백질과 딱 붙어 떨어지지 않는 (공유결합) 것들은 버립니다. 진짜 '약'과 단백질의 상호작용만 남깁니다.
3. 주변 환경 확인 (Filter 3): 약이 들어갈 자리 (주머니) 가 온전하게 보이어야 합니다. 주변이 잘려 있거나 이상한 아미노산이 있으면 버립니다.
4. 구조 수리 (Processing 1): 원자 간격이 너무 가까워 충돌하거나, 끊어진 연결고리가 있으면 컴퓨터가 자동으로 고칩니다. 마치 3D 모델링 프로그램이 깨진 부분을 자동으로 복구하는 것과 같습니다.
5. 최종 다듬기 (Processing 2 - 핵심 기술):
   • 가장 중요한 부분입니다. 기존 데이터에는 없던 단계입니다.
   • 단백질과 약이 서로 너무 빡빡하게 끼어 있거나 (스트레스), 물리적으로 불가능한 형태로 고정되어 있는 경우가 많습니다.
   • CROWN 은 **특수한 '스프링' (Flat-bottomed restraints)**을 이용해 약을 원래 위치에서 살짝만 움직이게 합니다.
   • 비유: 마치 조각상 (결정 구조) 을 보존하면서, 옷 주름만 자연스럽게 펴주는 것과 같습니다. 실험에서 본 원래 모양을 해치지 않으면서, 물리적으로 자연스러운 상태만 만들어줍니다.

3. CROWN 의 특징 (기존 데이터와 다른 점)

• 양과 질의 조화: 기존 최고의 데이터 (PDBBind) 보다 약 4 배 더 많은 단백질 종류와 생물 종을 포함하면서도, 품질은 매우 높습니다.
• 약의 다양성: 기존 데이터에는 작고 단순한 분자만 많았는데, CROWN 은 크고 복잡한 최신 약물 (PROTAC 등) 도 포함하고 있습니다.
• 결합력 (Affinity) 에 의존하지 않음:
  • 기존 데이터는 "이 약이 얼마나 잘 붙는가 (결합력)"라는 숫자 데이터가 있는 경우만 썼습니다. 하지만 이 숫자는 실험마다 달라서 편향이 생깁니다.
  • CROWN 은 "약과 단백질이 어떻게 3 차원적으로 붙어 있는가 (기하학적 구조)" 자체에 집중합니다. 결합력 숫자가 없어도, 3D 모양만 보면 AI 가 충분히 배울 수 있다는 철학입니다.

4. 이 데이터가 왜 중요한가요?

이 CROWN 데이터는 약물 개발을 위한 AI 모델 (생성형 AI 등) 을 훈련시키는 데 완벽한 교재가 됩니다.

• 새로운 약 디자인: AI 가 이 데이터를 보고 "어떻게 약을 만들어야 단백질에 딱 맞게 붙을까?"를 스스로 학습할 수 있습니다.
• 정확한 예측: 데이터가 깨끗하고 다양하기 때문에, AI 가 새로운 약을 예측할 때 실패할 확률이 줄어듭니다.

5. 결론

이 연구는 **"방대한 양의 데이터 (PLInder) 를 가져와서, 전문가 수준의 정밀한 필터링과 자동화된 수리 공정을 거쳐, AI 가 바로 쓸 수 있는 '완벽한 교재 (CROWN)'를 만들었다"**는 것입니다.

이제 연구자들은 더 이상 "데이터가 너무 적다"거나 "데이터가 너무 더럽다"고 고민하지 않고, 이 CROWN 을 통해 더 정확하고 혁신적인 약물을 개발할 수 있게 되었습니다. 이 데이터는 누구나 무료로 다운로드하여 사용할 수 있습니다.

기술 요약

1. 문제 제기 (Problem Statement)

단백질 - 리간드 상호작용을 위한 머신러닝 모델 개발은 사용 가능한 구조 데이터의 품질과 다양성에 근본적으로 의존합니다. 기존 데이터베이스는 연구자들에게 만족스럽지 않은 트레이드오프를 제시합니다.

• 고품질 데이터의 한계: PDBBind 나 HiQBind 와 같은 정밀하게 큐레이션된 데이터셋은 구조적 신뢰도가 높지만, PDB(Protein Data Bank) 전체의 극히 일부만을 커버하여 단백질 및 종 다양성이 부족합니다.
• 대규모 데이터의 품질 문제: PLInder 와 같은 대규모 리소스는 광범위한 커버리지를 제공하지만, 엄격한 품질 관리가 부재하여 결함이 있는 구조 (해결되지 않은 원자, 스테릭 충돌, 잘못된 결합 등) 가 포함되어 머신러닝 모델의 신뢰성을 저해할 수 있습니다.
• 친화도 (Affinity) 의존성: 많은 벤치마크가 실험적으로 측정된 결합 친화도에 의존하는데, 이는 데이터 편향을 유발하고 친화도 데이터가 없는 수많은 구조를 학습에서 배제합니다.

2. 방법론 (Methodology)

저자들은 PLInder 데이터베이스 (약 65 만 개 시스템) 를 기반으로 CROWN이라는 머신러닝용 데이터셋을 구축하기 위해 완전 자동화된 전처리 파이프라인을 개발했습니다. 이 파이프라인은 5 단계의 품질 필터링과 2 단계의 구조 처리 단계를 교차하여 적용합니다.

A. 품질 필터링 (Quality Filters)

1. 구조 품질 (Filter 1): X-ray 결정학 해상도 3.0 Å 이하, 리간드 실공간 R-값 (RSR) < 0.3, 실공간 상관 계수 (RSCC) > 0.8 을 충족하는 고신뢰도 구조만 선별합니다.
2. 리간드 품질 (Filter 2): 결정화 부산물, 이온, 공유 결합 리간드, 희소 원소 (B, Se, Si 등) 또는 금속 배위 결합 (HEM, MGD, SF4 제외) 을 제거하여 약물 유사 비공유 상호작용에 집중합니다.
3. 포켓 품질 (Filter 3): 리간드 주변 6 Å 이내의 단백질 원자가 모두 해결 (resolved) 되어 있고, 포켓 내 비표준 아미노산이 없는 경우만 유지합니다.
4. 상호작용 품질 (Filter 4): 리간드가 10~100 개의 무거운 원자를 가지며, 단백질과 10 개 이상의 근접 접촉 (< 4 Å) 을 형성해야 합니다. 중복된 결합 자세 (RMSD < 0.1 Å) 는 제거합니다.
5. 복합체 안정성 (Filter 5): 에너지 최소화 후 구조적 안정성을 검증합니다 (리간드/포켓 RMSD < 0.6 Å, 단백질 스캐폴드 RMSD < 0.2 Å).

B. 구조 처리 (Structural Processing)

1. 구조 수정 (Processing 1): PDBFixer 를 사용하여 대체 컨포머 선택, 누락된 원자/잔기 재구성, 스테릭 충돌 해결, 비표준 아미노산을 표준 아미노산으로 치환 (포켓 내 제외) 합니다.
2. 제약된 에너지 최소화 (Processing 2 - 핵심 기술):
   • 프로톤화: 생리학적 pH 7.4 조건에 맞춰 단백질과 리간드의 프로톤화 상태를 할당합니다.
   • 힘장 (Force Field) 할당: 단백질 (ff19SB), 리간드 (OpenFF 2.2.0), 물 (OPC3) 등에 적합한 힘장을 적용합니다.
   • Flat-bottomed Restraints: 결정학 증거와 분자 내 변형 완화 사이의 균형을 맞추기 위해 커스텀 평탄 바닥 (flat-bottomed) 구속력을 적용합니다.
     • 포켓 내 무거운 원자는 결정 좌표 불확실성 범위 (0.25 Å) 내에서는 자유롭게 움직일 수 있게 하며, 이를 벗어나면 점진적으로 구속력을 가합니다.
     • 포켓 외부의 단백질 스캐폴드는 강하게 고정하여 전체 구조를 유지합니다.
     • 수소 원자는 구속 없이 자유롭게 최적화하여 수소 결합 네트워크를 개선합니다.

3. 주요 기여 (Key Contributions)

• 규모와 품질의 균형: 153,005 개의 고품질 복합체로 구성된 데이터셋을 제공하며, 기존 큐레이션 데이터셋 (PDBBind, HiQBind) 대비 단백질 및 종 다양성이 약 4 배 증가했습니다.
• 기하 중심 (Geometry-centric) 설계: 실험적 결합 친화도 레이블에 의존하지 않고, 결합 인터페이스의 3 차원 원자 배열 자체를 정보원으로 활용합니다. 이는 친화도 데이터가 없는 수천 개의 구조를 학습에 포함할 수 있게 합니다.
• 고유한 에너지 최소화 단계: 기존 데이터셋에는 없었던 "제약된 에너지 최소화" 단계를 도입하여, 서로 다른 결정학자의 정제 관행 차이를 해소하고 구조적 균일성을 확보하면서도 실험적으로 관찰된 결합 기하구조를 왜곡하지 않습니다.
• 완전한 품질 주석: 모든 엔트리에 대해 RSR, RSCC 등 결정학 품질 지표가 검증되었으며, 해결되지 않은 원자, 누락된 결합, 스테릭 충돌이 0 인 깨끗한 데이터셋입니다.

4. 결과 (Results)

• 데이터 다양성: CROWN 은 55,208 개의 고유 PDB ID, 12,352 개의 UniProt ID, 3,209 개의 종을 포함합니다. 리간드 다양성 (Murcko 스캐폴드 13,523 개) 또한 기존 데이터셋의 약 2 배 수준입니다.
• 화학적 공간 커버리지: PDBBind 가 대형 리간드 (50 개 이상 무거운 원자) 를 과소 대표하는 반면, CROWN 은 PROTAC, 매크로사이클 등 현대 약물 개발에 중요한 더 크고 복잡한 리간드의 분포를 잘 반영합니다.
• 구조적 정확도: 에너지 최소화 후 RMSD 분석 결과, 단백질 스캐폴드는 거의 이동하지 않았으며, 포켓과 리간드는 결정학 좌표 불확실성 범위 내에서만 미세 조정이 이루어져 물리적으로 타당한 구조를 유지함을 확인했습니다.
• 자동화 파이프라인: PLInder 의 649,915 개 시스템 중 약 23.5% (153,005 개) 가 최종 데이터셋으로 선정되었으며, 구조 수정 단계의 통과율은 99.99% 에 달해 파이프라인의 견고성을 입증했습니다.

5. 의의 및 결론 (Significance)

• 차세대 모델 훈련을 위한 기반: CROWN 은 단백질 - 리간드 결합 자세 생성 (generative models), 스코어링 함수 개발, 상호작용 예측 벤치마킹을 위한 광범위하고 신뢰할 수 있는 리소스로 작용할 것입니다.
• 편향 제거: 친화도 데이터의 불일치와 누락으로 인한 편향을 제거하고, 구조적 정보 자체에 기반한 학습을 가능하게 합니다.
• 오픈 소스 및 접근성: 전체 데이터셋과 전처리 파이프라인 (GitHub) 이 오픈 소스로 공개되었으며, 웹 인터페이스를 통해 사용자가 구조적, 화학적, 생물학적 메타데이터로 검색 및 다운로드할 수 있습니다.
• 한계 및 향후 과제: 금속 배위 리간드나 희소 원소, 비표준 아미노산에 대한 힘장 (Force Field) 커버리지 부족이 현재 한계이나, 머신러닝 기반 힘장의 발전과 함께 향후 업데이트를 통해 해결될 것으로 기대됩니다.

이 논문은 대규모 구조 데이터베이스에서 고품질의 머신러닝용 데이터를 추출하기 위한 자동화된 파이프라인의 중요성을 강조하며, 구조 생물학과 머신러닝 커뮤니티에 필수적인 자원을 제공합니다.