Learning the structural diversity in random protein sequence space

고처리량 FRET 바이오센서와 머신러닝을 통해 100 만 개의 합성 무작위 단백질을 스크리닝한 본 연구는 생물학적 특성을 지닌 컴팩트한 단백질 접힘이 무작위 서열 공간에서 놀랍도록 접근 가능하고 학습 가능함을 밝혀내어, 기능적 구조가 희귀한 특이점이라는 관념에 도전한다.

핵심

모든 가능한 단백질의 세계를 거대하고 무한한 도서관으로 상상해 보세요. 현재 지구상의 생명체는 이 도서관에 있는 책들 중 아주 아주 작은 부분만 읽었을 뿐입니다. 과학자들은 다음과 같은 의문을 품어 왔습니다. '좋은' 책들, 즉 유용하고 안정적인 형태로 접히는 책들은 책장 깊숙이 숨겨진 희귀하고 유일한 보물일까요? 아니면 단순히 페이지를 무작위로 넘겨보기만 해도 쉽게 찾을 수 있는 흔한 것일까요?

이 질문에 답하기 위해 연구자들은 추측을 멈추고 읽기 시작하기로 결정했습니다. 그들은 자연이 결코 보지 못한 100 만 개의 새로운 무작위 '이야기'(단백질 서열) 를 작성하고 테스트했습니다. 그들은 살아있는 세포 내부에 있는 정교한 고속 카메라 시스템 (FRET 바이오센서) 을 이용해 이러한 무작위 단백질들이 무엇을 하는지 관찰했습니다.

이 무작위 아이디어의 도서관에서 그들이 발견한 바는 다음과 같습니다.

• 혼란: 많은 무작위 단백질들은 스스로 묶이지 않는 지저분한 실뭉치처럼 무질서한 사슬이거나, 세포를 스트레스에 빠뜨리는 끈적끈적하고 해로운 덩어리 (응집체) 로 뭉쳐 있었습니다.
• 놀라움: 하지만 그들은 놀랍게도 많은 수의 '무해한' 단백질들을 발견했습니다. 이들은 지저분하거나 끈적이지 않았으며, 자연에서 볼 수 있는 단백질들과 매우 흡사한 컴팩트하고 구형의 형태로 깔끔하게 접혔습니다. 결정적으로, 세포의 '경비원'(샤페론) 들은 이러한 단백질들이 너무 잘 행동했기 때문에 심지어 눈치채거나 고치려고 시도조차 하지 않았습니다.

이를 천 개의 레고 블록을 무작위로 공중으로 던지는 상황에 비유해 볼 수 있습니다. 여러분은 그것들이 엉망진창으로 떨어질 것이라고 기대할지도 모릅니다. 대신 연구자들은 상당수의 블록들이 마스터 빌더의 도움 없이도 스스로 완벽한 안정적인 성 모양으로 떨어졌음을 발견했습니다.

마지막으로, 팀은 이러한 무작위 단백질들이 잘 접히게 만드는 패턴을 인식하도록 컴퓨터 (머신러닝) 를 훈련시켰습니다. 컴퓨터가 이러한 무작위 실험들로부터 규칙을 학습한 후, 자연에서 발견되는 단백질들의 모양도 성공적으로 예측할 수 있게 되었습니다.

핵심 결론:
이 연구는 '생물학적'인 형태가 희귀한 마법 같은 우연이 아님을 보여줍니다. 그들은 사실 무작위 서열의 바다에서도 매우 흔하고 접근하기 쉽습니다. 이는 과학자들에게 진화가 이미 해낸 것을 단순히 모방하는 것이 아니라, 물리적으로 가능한 광활하고 미지의 영역을 탐험하는 새로운 단백질들을 설계할 수 있는 새로운 지도를 제공합니다.

기술 요약

기술적 요약: 무작위 단백질 서열 공간에서의 구조적 다양성 학습

문제 제기
가능한 단백질 서열의 우주적 규모는 어마어마하지만, 서열과 구조 간의 관계에 대한 현재의 과학적 이해는 기존 생명체가 활용하는 극히 미미한 부분의 서열에 국한되어 있다. 근본적인 질문은 여전히 해결되지 않은 채 남아 있다: "접히는" 구조는 서열 공간 내의 희귀한 특이점인가, 아니면 더 높은 빈도로 나타나는 접근 가능한 해답인가? 이를 해결하는 것은 단백질 진화를 이해하고 진화적 사전 지식을 넘어선 새로운 단백질의 합리적 설계를 위해 필수적이다.

방법론
이를 위해 저자들은 고처리량 실험 및 계산 파이프라인을 통해 무작위 서열 공간의 구조적 지형을 매핑하였다:

• 실험적 스크리닝: 연구팀은 100 만 개의 합성 무작위 단백질 서열을 in vivo에서 생성하고 스크리닝하였다.
• 바이오센서 적용: 단백질 접힘 및 응집과 관련된 세포 표현형을 감지하기 위해 고처리량 FRET(포르스터 공명 에너지 전이) 바이오센서를 활용하였다. 이를 통해 안정적인 구조를 형성하는 서열, 무질서하게 남아 있는 서열, 그리고 세포 스트레스를 유발하는 서열을 구분할 수 있었다.
• 머신러닝: 스크리닝에서 얻은 표현형 데이터를 사용하여 머신러닝 모델을 훈련시켰다. 이후 이러한 모델이 자연 단백질체로 구조 예측을 일반화할 수 있는지 검증하였다.

주요 결과
스크리닝 결과, 무작위 서열 공간의 구조적 지형은 균일하게 혼란스러운 것이 아니라 이질적인 것으로 드러났다. 무작위 서열 군집에는 다음이 포함된다:

1. 무질서한 사슬: 명확한 구조를 채택하지 못하는 서열.
2. 스트레스 유발 응집체: 잘못 접혀서 세포 스트레스 반응을 촉발하는 서열.
3. "무해한" 조밀한 구조: 조밀하고 구형과 유사한 구조로 접히는 서열의 상당 부분. 중요한 점은 이러한 구조가 세포 샤페론 반응을 회피한다는 것이며, 이는 세포 환경 내에서 안정적이고 비독성임을 시사한다.

또한, 이 연구는 구조적 잠재력이 학습 가능함을 입증하였다. 합성 데이터로 훈련된 머신러닝 모델이 자연 단백질체로 성공적으로 일반화되었으므로, 무작위 공간에서의 접힘성을 지배하는 규칙이 자연 진화의 규칙과 근본적인 원리를 공유함을 시사한다.

의의 및 주장
이 논문은 생물학적 접힘 구조가 무작위 서열에서 놀라운 빈도로 접근 가능하다고 주장한다. 이 발견은 기능성 접힌 단백질이 희귀한 이상 현상이라는 관념에 도전한다. 이러한 "무해한" 구조의 빈도와 특성에 대한 경험적 데이터를 제공함으로써, 이 연구는 생성적 단백질 설계를 확장하는 데 필요한 기초를 제공한다. 저자들은 무작위 서열 공간의 광활함 속에 새로운 설계를 위해 필요한 구조적 다양성이 본질적으로 존재하므로, 진화적 사전 지식을 넘어가는 것이 이제 가능하다고 본다.