Directed Evolution in Codon Space
본 논문은 단백질 서열을 변경하거나 제품 품질을 저하시키지 않으면서 동의 코돈 공간 내에서 유도 진화를 수행함으로써 임상 단계 항체 치료제의 재조합 발현을 성공적으로 개선하는 언어 모델 가이드 프레임워크를 제시한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
완벽한 빵 한 덩이를 굽는다고 상상해 보세요. 당신에게는 잘 작동하는 레시피가 있지만, 제빵사가 이렇게 말합니다. "우리는 이 빵을 더 높이 부풀게 하고 맛도 더 좋게 만들 수 있지만, 재료 목록은 바꿀 수 없습니다." 이는 불가능하게 들립니다, 그렇지 않나요? 만약 밀가루를 설탕으로 바꾼다면 그것은 전혀 다른 케이크가 될 테니까요. 하지만 만약 레시피 북의 재료 자체는 바꾸지 않고, 그 재료들의 '순서'를 재배열할 수 있다면 어떨까요? 이것이 바로 과학자들이 생물학, 특히 단백질 공학이라고 불리는 분야에서 부리고 있는 마법 같은 기술입니다.
이 이야기를 이해하려면 세 가지 간단한 개념이 필요합니다. 첫째, 단백질을 당신의 몸속에서서 세균과 싸우는 것부터 근육을 만드는 것까지 거의 모든 일을 수행하는 아주 작은 기계라고 생각하세요. 과학자들은 종종 이 단백질들을 특수한 세포(마치 미세한 현미경 속의 빵집 같은)를 사용하여 공장에서 만들어내며, 이를 통해 의약품을 제조합니다. 둘째, 이 단백질들은 생물학적 알파벳과 같은 아미노산으로 이루어진 코드로 구축됩니다. 이 글자들의 순서가 단백질의 모양과 기능을 결정합니다. 셋째, **코돈(codon)**이라는 숨겨진 층이 있습니다. 자연에는 재미있는 규칙이 있는데, 많은 서로 다른 세 글자 "단어"들이 정확히 똑같은 아미노산 글자를 나타낼 수 있다는 것입니다. 이는 마치 "고양이", "새끼 고양이", "묘족"이 모두 같은 것을 의미하지만, 레시피를 읽는 컴퓨터는 오직 하나의 특정 단어만을 이해하는 사전와 같습니다. 보통 과학자들은 공장이 읽기에 가장 쉽다고 생각되는 단어들을 선택하지만, 이 새로운 논문은 다음과 같이 질문합니다. 만약 겉으로 보이는 레시피는 동일하게 유지하면서도 그 단어들을 바꾸어 본다면 어떨까?
이것이 바로 이 논문의 연구진이 하고자 했던 일입니다. 그들은 DNA 코드를 이야기는 바꾸지 않고도 다시 쓸 수 있는 하나의 언어로 취급했습니다. 그들은 이미 생산에 최적화되었다고 간주되는 항체 기반의 의약품 24종을 가져왔습니다. 이것들은 초안이 아니라 산업계가 이미 만들어낸 최고의 버전들이었습니다. 연구팀은 자연이 글을 쓰는 방식을 알고 있는 일종의 초고성능 맞춤법 검사기 같은 스마트한 컴퓨터 프로그램을 사용하여, 똑같은 단어를 더 잘 표현할 수 있는 방법을 찾았습니다. 그들은 단백질 자체를 바꾸지 않았습니다. 단지 의미가 같은 코돈들(동의 코돈)을 섞어서, 세포가 의약품을 더 많이 생산할 수 있는지 확인했을 뿐입니다.
결과는 놀라울 정도로 좋았습니다. 테스트한 24가지 의약품 중 18가지(성공률 75%)에서 컴퓨터가 유도한 변화를 통해 세포 내부에서 훨씬 더 많은 양의 의약품이 생산되었습니다. 가장 중요한 점은 의약품의 품질이 떨어지지 않았다는 것입니다. 단백질은 여전히 완벽하게 작동하고 똑같이 보였으며, 단지 더 많은 숫자로 나타났을 뿐입니다. 이 논문은 시퀀스가 이미 "최적화"되어 있더라도, 코돈 수준에서 자세히 들여다본다면 여전히 개선의 여지가 숨어 있음을 시사합니다.
흥미롭게도, 컴퓨터는 자신이 더 많은 단백질을 만들려고 노력하고 있다는 사실조차 알지 못했습니다. 그저 자연으로부터 학습한 패턴을 바탕으로 어떤 코돈 조합이 가장 "자연스럽거나" 가능성이 높은지 추측했을 뿐입니다. 그럼에도 불구하고, 컴퓨터가 특정 시퀀스가 더 가능성이 높다고 말했을 때, 그 시퀀스는 실제로 더 많은 단백질을 생산했습니다. 이는 컴퓨터가 인간 엔지니어들이 아직 완전히 파악하지 못한 효율성의 비밀 언어를 우연히 학습했음을 암시합니다. 연구팀 또한 이 "가능성" 점수가 시간이 흐름에 따라 변하는 인플루엔자 바이러스의 양상을 추적한다는 점을 발견했는데, 이는 모델이 단순한 무작위 소음이 아니라 실제 진화적 신호를 포착하고 있음을 시사합니다.
그렇다면 이것은 무엇을 의미할까요? 이는 보통 단백질 구조를 미세하게 조정하는 데 사용되는 지향적 진화(directed evolution)가, 단지 그 뒤에 있는 DNA 코드를 미세하게 조정하는 방식으로도 작동할 수 있음을 시사합니다. 이 논문은 우리가 더 나은 결과를 얻기 위해 항상 바퀴를 새로 발명하거나 단백질을 바꿀 필요는 없으며, 때로는 단순히 지침을 작성하는 더 나은 방법을 찾기만 하면 된다고 주장합니다. 비록 이 연구가 실험실 환경 내의 특정 의약품들에 대해 작동함을 보여주지만, 이것이 모든 곳의 모든 제조 문제를 해결한다고 주장하는 것은 아닙니다. 그러나 이는 우리의 가장 중요한 의약품들의 DNA 속에, 적절한 디지털 탐정이 찾아내기를 기다리고 있는 "접근 가능한 적합도(accessible fitness)"가 여전히 존재한다는 것을 보여줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.