Integrating glycosylation in de novo protein design with ReGlyco Binder Design Filter

이 논문은 ReGlyco 도구를 활용하여 당화 (glycosylation) 를 설계 필터로 통합함으로써 Nipah 바이러스 및 인간 적혈구 생성소 (hEPO) 와 같은 표적에 대한 단백질 결합체 (binder) 의 실험적 성공률을 높이고 비용을 절감하는 새로운 컴퓨팅 파이프라인을 제시합니다.

핵심

🍬 핵심 비유: 끈적한 젤리 (당) 로 덮인 성 (단백질)

우리가 새로운 약이나 치료제를 만들 때, 보통 표적이 되는 단백질 (예: 바이러스의 표피) 을 매끄러운 성벽으로 상상합니다. 그리고 AI(인공지능) 를 이용해 그 성벽에 딱 맞는 자물쇠 (약물 분자) 를 디자인합니다.

하지만 실제 자연계의 단백질은 거대한 성벽 전체에 끈적끈적한 젤리 (당, Glycan) 가 두껍게 발라져 있는 상태입니다.

• 문제점: 기존 AI 는 이 '젤리'를 무시하고 매끄러운 성벽만 보고 자물쇠를 디자인했습니다.
• 결과: 실험실에서 만들어 보니, 자물쇠가 젤리에 걸려서 성벽에 닿지 못해 아예 작동하지 않는 경우가 너무 많았습니다. (시간과 돈의 낭비)

🚀 이 연구가 제안한 해결책: "젤리 필터"

이 연구팀은 **"디자인할 때부터 젤리 (당) 를 고려하자"**는 아이디어를 제안했습니다.

1. 기존 방식 (낭비):

   • AI 가 1,000 개의 자물쇠를 디자인합니다.
   • 실험실에서 1,000 개를 모두 만들어 봅니다.
   • 젤리에 걸려서 실패한 900 개를 발견하고, "아, 젤리를 고려하지 않았구나!"라고 후회합니다.

2. 새로운 방식 (ReGlyco 필터):

   • AI 가 디자인을 끝내자마자, **'젤리 필터 (ReGlyco)'**라는 프로그램을 통과시킵니다.
   • 이 필터는 "이 자물쇠는 젤리에 걸려서 들어갈 수 없다"는 것을 컴퓨터상에서 3 시간 만에 찾아냅니다.
   • 실험실로 보내기 전에, 실패할 확률이 높은 디자인 200 개를 미리 걸러냅니다.
   • 결과: 실험실 비용과 시간을 20% 이상 아끼면서, 성공 확률을 높였습니다.

📊 실제 사례: 니파 바이러스 (NiV) 퇴치 작전

이 연구팀은 실제로 **'니파 바이러스'**라는 무서운 바이러스를 막는 약을 디자인하는 국제 대회 데이터를 다시 분석해 보았습니다.

• 상황: 1,201 개의 디자인이 제출되었고, 그중 116 개만 성공했습니다. (성공률 10% 미만)
• 재분석: 이 1,201 개 디자인을 '젤리 필터'에 통과시켰습니다.
• 발견:
  • 236 개: "이건 젤리에 걸려서 절대 들어갈 수 없어!"라고 미리 차단했습니다. (실제로 실험에서도 실패한 것들)
  • 116 개: 성공한 것들 중에서도 일부는 필터를 통과했지만, 실제로는 젤리 때문에 약간 걸리는 경우가 있었습니다.
  • 결론: 이 필터를 썼다면, 실험실로 보낼 디자인 수를 줄일 수 있었고, 성공 확률을 더 높일 수 있었습니다.

🛠️ 새로운 도구: "젤리 움직이기" (ReGlyco Rotamer)

젤리는 딱딱하게 고정된 것이 아니라, 살짝 흔들리기도 합니다.
연구팀은 이 '흔들림'까지 고려할 수 있는 '젤리 움직이기 (Rotamer)' 기능을 추가했습니다.

• 처음엔 "걸린다!"고 판단된 디자인이라도, 젤리가 살짝 움직이면 들어갈 수 있는 경우가 있습니다.
• 이 기능을 쓰면, 불필요하게 버려질 수 있는 좋은 디자인들을 다시 살려낼 수 있습니다.

🎓 누구나 쓸 수 있는 도구 (구글 코랩 데모)

이 연구팀은 이 기술을 누구나 쉽게 쓸 수 있도록 무료 구글 코랩 (Colab) 노트북을 만들었습니다.

• 마치 **"레고 블록"**을 조립하듯, 원하는 단백질 (예: 빈혈 치료제인 EPO) 을 선택하고, 그 위에 젤리를 어떻게 칠할지 설정하면 됩니다.
• AI 가 자물쇠를 디자인하고, 자동으로 젤리 필터를 통과시켜 성공적인 디자인만 골라줍니다.

💡 한 줄 요약

"단백질이라는 성벽에 붙은 끈적한 젤리 (당) 를 무시하고 자물쇠를 만들면 실패합니다. 하지만 디자인 단계에서 이 젤리를 고려하는 '필터'를 사용하면, 실험실에서의 낭비를 막고 더 빠르고 정확하게 약을 개발할 수 있습니다."

이 연구는 인공지능이 단백질을 설계할 때, 단순한 뼈대뿐만 아니라 그 위에 붙은 '장식 (당)'까지 고려해야 진짜 성공적인 디자인이 나온다는 중요한 교훈을 줍니다.

기술 요약

논문 요약: ReGlyco 필터를 통한 당화 (Glycosylation) 통합 및 단백질 설계 효율성 향상

1. 문제 제기 (Problem)

• 당화의 중요성 간과: 인공지능 (AI) 기반 3D 단백질 구조 예측 및 설계 기술이 급속히 발전하고 있으나, 대부분의 설계 파이프라인은 단백질 중심 (protein-centric) 으로 구성되어 있으며, 번역 후 변형 (PTM) 중 하나인 **당화 (Glycosylation)**를 명시적으로 고려하지 않고 있습니다.
• 당화의 복잡성: 당화는 비템플릿 (non-templated) 과정으로, 거대 이질성 (macroheterogeneity, 사이트 점유율) 과 미세 이질성 (microheterogeneity, 당의 종류) 을 가지며, 단백질 표면을 가려 단백질 - 단백질 상호작용 (PPI) 을 방해하거나 유도할 수 있습니다.
• 현실적 한계: 현재 사용 가능한 AI 도구 (AlphaFold 3, RosettaFold 등) 는 당화 구조를 예측할 수 있지만, 학습 데이터가 부족하고 정확도가 낮아 실험적 검증 시 많은 **위양성 (False Positives)**을 초래합니다. 이는 불필요한 실험 비용과 시간 낭비로 이어집니다.

2. 방법론 (Methodology)

저자들은 GlycoShape 데이터베이스와 ReGlyco 도구를 활용하여, 3D de novo 단백질 설계 파이프라인에 당화 정보를 명시적으로 통합하는 필터링 시스템을 개발했습니다.

• 핵심 도구:
  • GlycoShape: 분자 동역학 (MD) 시뮬레이션 기반의 대규모 3D 당 구조 데이터베이스.
  • ReGlyco: 단백질의 특정 사이트에 당 구조를 연결하고 손실 함수를 최소화하여 최적의 구조를 선택하는 계산 도구.
  • ReGlyco Rotamer (신규): 아스파라긴 (Asn) 측쇄의 회전 이성질체 (rotamer) 유연성을 고려하여 당과 단백질 간의 입체적 충돌을 해결하는 새로운 도구.
• 검증 사례 1: 니파 바이러스 (NiV-G) 결합체 설계 경쟁 데이터 재분석
  • Adaptyv Bio 가 주최한 니파 바이러스 당단백질 (NiV-G) 억제제 설계 경쟁의 1,201 개 후보 설계물을 대상으로 ReGlyco 를 적용했습니다.
  • NiV-G 의 6 개 당화 사이트 (N159, N306, N378, N417, N481, N529) 에 Man5-GlcNAc2-올리고만노스 구조를 적용하여 충돌 여부를 검토했습니다.
  • 필터링 프로세스:
    1. ReGlyco (Rigid): Boltz-2 로 예측된 고정된 측쇄 구조로 충돌 확인.
    2. ReGlyco Rotamer (Flexible): Asn 측쇄의 회전 자유도를 허용하여 충돌을 재평가.
• 검증 사례 2: 인간 에리스로포이에틴 (hEPO) 미니 결합체 설계 데모
  • Google Colab 노트북을 통해 RFdiffusion 3 (RFD3) 파이프라인과 ReGlyco 를 연동한 워크플로우를 시연했습니다.
  • hEPO 의 당화 사이트 (N24, N38, N83, S126) 를 고려하여 접근 불가능한 표면 영역을 식별하고, 이를 피하는 결합체를 설계한 후 ReGlyco 로 충돌을 필터링했습니다.

3. 주요 기여 (Key Contributions)

• 당화 통합 필터링 파이프라인 개발: De novo 설계 과정에서 당화 정보를 명시적으로 통합하여 실험 전 단계에서 비결합체 (Non-binders) 를 선별하는 효율적인 필터를 제시했습니다.
• ReGlyco Rotamer 도구 개발: 측쇄의 유연성을 고려하여 위양성 (실제 결합체인데 당화로 인해 충돌로 오인되는 경우) 을 줄이는 새로운 알고리즘을 도입했습니다.
• 오픈 액세스 워크플로우 제공: GlycoShape 리소스와 RFdiffusion 을 결합한 Colab 노트북을 공개하여 연구자들이 쉽게 당화 고려 설계를 수행할 수 있도록 했습니다.

4. 결과 (Results)

• NiV-G 경쟁 데이터 분석:
  • 초기 필터링 (ReGlyco): 1,201 개 설계물 중 **251 개 (약 21%)**가 당화 사이트와의 입체적 충돌로 인해 비결합체로 판별되었습니다. 이 중 236 개는 실험적으로 비결합체로 확인된 것들이었습니다.
  • 정밀 필터링 (ReGlyco Rotamer): 측쇄 유연성을 적용한 후, 충돌로 판별된 수는 138 개로 감소했습니다.
    • 비결합체 식별: 실험적으로 비결합체로 확인된 133 개를 정확히 걸러냈습니다.
    • 위양성 감소: 실험적으로 결합한 5 개의 고친화도 결합체 (High-affinity binders) 만이 여전히 충돌로 판별되었습니다. 이 중 1 개 ('Soft Panda Snow') 는 AlphaFold 3 로 예측 경로를 변경한 결과 충돌이 해결되어, 다른 예측 도구의 병행 사용이 유효함을 시사했습니다.
  • 효율성: 듀얼 코어 CPU 환경에서 1,201 개 설계물을 약 3 시간 16 분 내에 스크리닝 완료.
• hEPO 데모:
  • RFdiffusion 으로 생성된 20 개의 미니 결합체 중 14 개는 필터 통과, 1 개는 경계선 (rotamer 적용 시 해결), 5 개는 실패 (충돌 지속) 로 분류되었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실험 비용 및 시간 절감: 당화 정보를 통합한 필터링을 통해 실험 전 단계에서 약 11~20% 의 비결합체를 선별할 수 있어, 불필요한 실험 노력과 비용을 크게 절감할 수 있습니다.
• 설계 정확도 향상: 기존 AI 기반 설계의 한계 (당화 무시) 를 보완하여, 실제 생체 환경 (당화된 표적) 에서 작동할 가능성이 높은 결합체 설계 확률을 높였습니다.
• 미래 전망: 이 연구는 AI 기반 단백질 설계 파이프라인에 당화 데이터를 통합하는 것이 필수적임을 증명하며, GlycoShape 와 ReGlyco 도구를 통해 계산 자원을 거의 추가하지 않고도 설계 효율성을 극대화할 수 있음을 보여주었습니다. 이는 바이오의약품 개발 및 바이러스 억제제 설계 등 다양한 분야에서 중요한 도구로 활용될 것으로 기대됩니다.