Cataloging cysteines in ECOD domains using a protein language model

저자들은 예측된 구조로부터 이황화 결합, 금속 배위, 자유 티올과 같은 시스테인의 기능적 상태를 정확하게 예측하는 단백질 언어 모델 기반 도구인 TriCyP을 개발하여 ECOD 도메인 전반에 걸쳐 270 만 개의 시스테인에 대한 프로테옴 규모의 카탈로그를 구축함으로써 뚜렷한 생물학적 패턴을 드러내고 새로운 금속 결합 패밀리 및 잠재적 단백질-단백질 상호작용을 식별할 수 있게 했습니다.

핵심

인간 몸을 수백만 개의 서로 다른 설명서 (단백질) 를 보관한 거대한 도서관으로 상상해 보세요. 이 설명서들 안에는 시스테인이라는 특별한 문자가 들어 있습니다. 시스테인을 다재다능한 '스위스 아미 나이프' 아미노산으로 생각해 보세요. 상황에 따라 이 도구는 세 가지 매우 다른 역할을 수행할 수 있습니다:

1. 금속 앵커: 구조를 단단히 고정하기 위해 금속 조각 (아연 등) 을 붙잡습니다.
2. 안전핀: 다른 시스테인과 결합하여 '이황화 결합'을 형성하며, 단백질의 두 부분을 고정하는 안전핀처럼 작동합니다.
3. 프리 에이전트: 느슨하게 묶이지 않은 채로 남아 화학 반응을 준비합니다.

문제점:
과학자들은 컴퓨터 모델 (AlphaFold 등) 을 이용해 이러한 단백질 설명서가 어떻게 생겼는지 예측하는 데 매우 능숙해졌습니다. 그러나 설명서의 그림만 보고는 스위스 아미 나이프가 어떤 '역할'을 수행하는지 항상 알 수 있는 것은 아닙니다. 금속을 잡고 있는 것일까요? 다른 조각에 고정된 것일까요, 아니면 자유로운 상태일까요? 컴퓨터로 생성된 3D 모델을 단순히 보는 것만으로는 이를 파악하기 어렵습니다.

해결책: TriCyP
연구자들은 TriCyP(Tri-state Cysteine Predictor) 라는 새로운 도구를 개발했습니다. TriCyP 는 수백만 개의 설명서를 읽어본 초지능의 첨단 사서라고 생각하면 됩니다. 이는 단백질의 '문법'을 이해하는 AI 인 '언어 모델'을 활용하여 단백질의 서열을 분석하고, 시스테인이 세 가지 역할 중 어떤 것을 수행하는지 즉시 추측합니다.

얼마나 잘 작동할까요?
이 도구는 놀라울 정도로 정확합니다. 새로운 예시들을 테스트했을 때 거의 매번 정답을 맞혔으며 (99% 정확도), 이전의 어떤 방법보다도 이러한 '안전핀'과 '금속 앵커'를 찾아내는 데 더 뛰어난 성과를 보였습니다.

발견된 내용:
연구팀은 TriCyP 를 활용해 0.9 백만 개의 서로 다른 단백질 군에 걸쳐 있는 270 만 개의 시스테인을 대량으로 스캔했습니다. 그들이 만든 이 '지도'가 밝혀낸 바는 다음과 같습니다:

• 위치의 중요성: '안전핀'(이황화 결합) 은 주로 세포 외부 (세포 외) 에 있는 단백질에서 발견됩니다. 이는 가혹한 외부 환경에서 추가적인 보호가 필요하기 때문일 가능성이 높습니다.
• 핵 클러스터: '금속 앵커'는 주로 세포의 통제 센터인 핵에서 발견됩니다. 이는 그곳에 있는 많은 단백질들이 금속이 필요한 '징크 핑거' 스위치이기 때문에 당연한 일입니다.
• 진핵생물 풍부성: 이러한 다재다능한 시스테인은 인간과 동물과 같은 복잡한 생물체에서 단순한 생물체보다 훨씬 더 흔하게 발견됩니다.

두 가지 흥미로운 발견:
연구팀은 이 새로운 지도를 활용하여 두 가지 흥미로운 점을 발견했습니다:

1. 누락된 안전핀: 때로는 컴퓨터 모델이 '안전핀'이 될 준비가 된 시스테인을 보여주지만, 연결되어야 할 다른 반쪽을 인식하지 못합니다. 이는 해당 부분의 컴퓨터 모델이 다소 불안정하다는 의미일 수도 있고, 단백질이 결합을 형성하기 위해 다른 단백질을 붙잡으려 하고 있다는 의미일 수도 있습니다 (두 사람이 악수하는 것과 같이).
2. 숨겨진 금속 작업자: 금속과 결합하는 시스테인의 패턴을 분석함으로써, 연구팀은 이전까지 금속을 붙잡고 있다는 사실을 알지 못했던 단백질 군 전체를 발견했습니다.

결과:
연구팀은 이 거대한 시스테인 역할 카탈로그를 공개 자료로 만들었습니다. 이는 생명이라는 도서관을 위한 새로운 상세한 색인처럼, 과학자들이 단백질이 어떻게 생겼는지뿐만 아니라 그들의 특별한 도구들이 정확히 무엇을 하고 있는지도 이해하는 데 도움을 줍니다.

기술 요약

기술 요약: 단백질 언어 모델을 이용한 ECOD 도메인 내 시스테인 카탈로그화

문제 제기
시스테인 잔기는 금속 배위, 공유성 이황화 결합, 생리활성 자유 티올이라는 세 가지 명확한 상태로 기능하며 화학적으로 다재다능합니다. 실험적으로 결정된 단백질 구조에서는 간단한 기하학적 기준을 사용하여 이러한 기능적 상태를 정확하게 할당할 수 있지만, 예측된 구조에서 이를 주석하는 것은 여전히 큰 과제로 남아 있습니다. 예측 구조의 가용성과 그 기능적 해석 사이의 격차를 해소하기 위해, 실험 좌표에 의존하지 않고 시스테인 상태를 정확하게 추론할 수 있는 방법이 필요합니다.

방법론
이를 해결하기 위해 저자들은 효율적인 2 층 신경망인 TriCyP(Tri-state Cysteine Predictor)를 개발했습니다. 이 모델은 ESM-2 단백질 언어 모델에서 파생된 임베딩을 입력 특징으로 활용합니다. TriCyP 는 시스테인 잔기를 위에서 언급한 세 가지 기능적 상태로 분류하도록 설계되었습니다. 저자들은 독립적인 벤치마크 세트를 사용하여 모델을 검증한 후, 이를 대규모로 적용하여 0.9 백만 개의 ECOD F70 대표 도메인에 포함된 2.7 백만 개의 시스테인 잔기를 분류했습니다.

주요 결과

• 예측 성능: 독립적인 벤치마크에서 TriCyP 는 AUROC 0.99로 거의 완벽한 정확도를 달성했습니다. 기존 접근법 대비 이황화 결합 및 금속 배위 예측에서 더 우수한 성능을 보였습니다.
• 프로테옴 규모의 패턴: TriCyP 를 ECOD 도메인에 적용함으로써 확립된 생물학적 패턴이 재현되었습니다:
  • 시스테인은 일반적으로 진핵생물에서 풍부하게 존재합니다.
  • 이황화 결합 상태는 세포 외 단백질에 집중되어 있습니다.
  • 금속 배위 시스테인은 핵 단백질에서 정점을 이루는데, 이는 아연 손가락 전사 인자의 풍부함에 기인한 분포입니다.
• 파일럿 적용: 저자들은 두 가지 구체적인 분석을 통해 이러한 주석의 유용성을 입증했습니다:
  1. 이황화 결합 분석: 대응하는 구조적 파트너가 없는 AlphaFold 모델에서 예측된 이황화 결합 형성 시스테인을 식별했습니다. 이러한 사례는 구조적 불확실성이 높은 영역이나 단백질 - 단백질 상호작용을 안정화시키는 잠재적 단백질 간 이황화 결합을 나타낼 수 있습니다.
  2. 금속 결합 발견: ECOD 상동 군 전반에 걸쳐 알려진 및 예측된 금속 배위 시스테인을 체계적으로 분석한 결과, 이전에 인식되지 않았던 금속 결합 단백질 군이 발견되었습니다.

의의 및 기여
이 연구의 주요 기여는 http://prodata.swmed.edu/tricyp에서 제공되는 커뮤니티 자원으로 활용될 수 있는 전 프로테옴 규모의 시스테인 상태 카탈로그를 구축한 것입니다. 이 자원은 향후 ECOD 릴리스에 통합되도록 의도되었습니다. TriCyP 는 예측 구조와 기능적 해석 사이의 격차를 해소함으로써 방대한 수의 단백질 도메인에 걸쳐 시스테인 화학을 체계적으로 주석할 수 있게 하여, 새로운 단백질 군의 발견과 구조 예측의 정제를 촉진합니다.