Visualizing Reaction Pathways via Reciprocal Space Kinetic Decomposition

단백질은 생명의 일꾼으로, 햇빛을 포착하거나 DNA를 수리하고 세포 간에 신호를 보내는 것과 같은 과업을 수행하기 위해 접히고, 뒤틀리고, 움직이는 작은 분자 기계입니다. 단백질이 어떻게 작동하는지 이해하기 위해 과학자들은 단순히 정적인 조각상이 아닌, 움직이는 모습을 볼 필요가 있습니다. 수십 년 동안 연구자들은 시간 분해 연속 결정학(time-resolved serial crystallography)이라는 기술을 사용하여 이러한 움직임의 스냅샷을 찍어왔습니다. 단백질 분자 결정에 빛의 섬광을 가해 반응을 유도한 다음, 그 직후의 정밀한 순간마다 X선을 조사함으로써 이들의 구조적 변화를 담은 영화를 촬영할 수 있습니다. 하지만 이러한 영화는 종종 흐릿합니다. 실제 움직임에서 오는 신호는 흔히 노이즈의 바다 속에 파묻히며, 반응이 매우 빠르게 일어나기 때문에 카메라는 여러 단계가 혼합된 상태를 한꺼번에 포착하여, 특정 순간에 분자가 정확히 어떤 모습인지 파악하기 어렵게 만듭니다.

스웨덴 웁살라 대학교의 연구팀은 이러한 흐릿한 이미지를 선명하게 하고 혼합된 반응 단계들을 분리하는 새로운 방법을 개발했습니다. 이들은 이미지를 찍은 후에 이미지를 깨끗하게 만드는 대신, 이미지가 만들어지기도 전에 데이터를 분류하는 방법을 고안했습니다. 최근 프리프린트(preprint)에 기술된 이들의 접근 방식은 반응 중에 동시에 존재하는 서로 다른 분자 형태들의 겹쳐진 신호를 수학적으로 풀어낼 수 있게 해줍니다. X선 실험에서 사용되는 원시 데이터 형식에서 직접 이 작업을 수행함으로써, 연구자들은 중간 상태(intermediate states)—단백질이 시작부터 끝까지 이동하면서 취하는 짧고 찰나적인 형태들—를 고립시키고 각 상태에 대한 명확하고 고품질인 지도를 생성할 수 있습니다.

연구팀이 해결한 과제는 단백질이 반응할 때 한 형태에서 다른 형태로 즉각 점프하는 것이 아니라는 점입니다. 단백질은 일련의 중간 상태들을 거치게 되는데, 결정 내에서는 수백만 개의 분자가 동시에 이 여정의 서로 다른 지점에 놓여 있습니다. 특정 시점에 수집된 X선 데이터는 이 모든 서로 다른 형태들의 가중 평균값입니다. 전통적인 방법들은 X선 데이터를 시각적인 전자 밀도 지도로 변转换한 후에 이러한 형태들을 분리하려고 시도하지만, 이 과정은 종종 중요한 통계적 세부 사항을 손실시키며 최종 원자 모델을 정교화하는 것을 어렵게 만듭니다. 루카스 그뤼네발트(Lukas Grunewald), 페트라 메사로스(Petra Meszaros), 세바스티안 베스텐호프(Sebastian Westenhoff)가 개발한 이 새로운 방법은 이 과정을 역전시킵니다. 이들은 X선 측정값의 원시 데이터 상에서 직접 분리를 수행하여 통계적 정보를 온전히 유지함으로써, 최종 구조를 표준적인 고정밀 결정학 도구들로 분석할 수 있도록 합니다.

이 아이디어를 테스트하기 위해 연구진은 먼저 잘 알려진 단백질인 광활성 황색 단백질(photoactive yellow protein)을 기반으로 한 시뮬레이션 데이터셋을 만들었습니다. 이들은 네 가지의 뚜렷한 중간 상태를 가진 반응을 모사한 데이터를 생성했으며, 자신의 방법이 여전히 실제 형태를 찾아낼 수 있는지 확인하기 위해 다양한 수준의 노이즈를 추가했습니다. 결과는 놀라웠습니다. 데이터가 극도로 노이즈가 심한 상황에서도 알고리즘은 네 개의 분리된 상태를 성공적으로 복원해 냈습니다. 재구성된 지도는 알려진 정답(ground truth)과 높은 정밀도로 일치했으며, 이는 이 기술이 혼란스러운 혼합물 속에서 명확한 신호를 끌어낼 수 있음을 입증했습니다. 이 시뮬레이션은 이 기술이 이전의 접근 방식으로는 매우 어려웠던, 시간적으로 크게 겹치는 상태들을 구별할 수 있음을 보여주었습니다.

시뮬레이션에 고무된 연구팀은 식물과 박테리아가 환경을 감지하는 방식에 관여하는 빛 민감 분자인 박테리아 피토크롬(bacterial phytochrome) 단백질의 실제 실험 데이터에 이 방법을 적용했습니다. 이 데이터셋에는 반응이 유도된 후 펨토초에서 마이크로초에 이르는 17개의 서로 다른 시간점이 포함되어 있었습니다. 분리를 유도하기 위해 별도의 분광학적 측정에서 얻은 운동학적 모델을 가이드로 사용하여, 연구진은 데이터를 네 개의 뚜렷한 상태로 데콘볼루션(deconvolution)했습니다. 그 결과, 각 중간 상태의 고유한 구조적 변화를 보여주는 네 개의 깨끗한 차이 지도(difference maps)가 얻어졌습니다. 원시의 혼합된 데이터에서는 특정 상태들과 평균화되어 일부 특징들이 숨겨지거나 흐릿하게 보였습니다. 그러나 분리된 지도에서는 이러한 특징들이 명확하게 나타났습니다. 예를 들어, 반응 시작 1.7 피코초 후의 특정 순간에는 원시 데이터가 혼란스러운 신호의 혼합을 보여주었습니다. 새로운 방법은 이 순간이 사실 세 가지 서로 다른 상태의 혼합물이며, 각기 고유한 구조적 서명을 가지고 있음을 밝혀냈고, 이를 통해 이전에는 보이지 않았을 원자의 재배열을 관찰할 수 있게 해주었습니다.

이 접근 방식의 핵심적인 장점은 원래 측정값의 불확실성 추정치를 보존한다는 것입니다. X선 결정학에서 각 데이터가 얼마나 신뢰할 수 있는지를 아는 것은 정확한 원자 모델을 구축하는 데 매우 중요합니다. 이 새로운 방법은 원시 숫자와 직접적으로 작동하기 때문에, 분리 과정 전반에 걸쳐 이러한 신뢰도 추정치를 그대로 전달합니다. 이는 결과 지도가 표준적인 정밀화 소프트웨어에 직접 입력되어 원자의 정확한 위치를 결정하는 데 사용될 수 있음을 의미하며, 이는 시각적 지도에서 작업했던 기존 방식으로는 어렵거나 불가능했던 단계였습니다. 연구팀은 분리된 상태들에 대한 신호 대 잡음비(signal-to-noise ratio)가 크게 개선되었음을 발견했습니다. 평균적으로 각 상태의 데이터 명확도는 추출된 개별 시간점들보다 약 1.5배 더 좋았습니다.

연구진은 또한 현재 프레임워크의 한계점도 언급했습니다. 이 방법은 단백질이 한 상태에서 다른 상태로 이동하는 속도와 같이 반응이 진행되는 방식에 대한 알려진 모델을 필요로 합니다. 이 정보는 분광학과 같은 다른 실험이나 데이터의 예비 분석으로부터 얻어야 합니다. 또한, 이 방법은 반응이 일련의 뚜렷한 상태들로 설명될 수 있다고 가정합니다. 원자들이 정의된 형태 사이를 뛰어넘는 것이 아니라 연속적이고 파동 같은 움직임을 보이는 반응의 아주 초기 단계에서는 이 가정이 성립하지 않을 수 있습니다. 저자들은 이러한 초고속 순간의 경우, 시스템이 뚜렷한 상태로 자리 잡는 수백 펨토초 이후부터 분석을 시작하는 것이 가장 좋다고 제안합니다.

궁극적으로 이 연구는 성장하는 시간 분해 결정학 분야에 새로운 도구를 제공합니다. 연구진은 운동학적 상태의 분리를 원시 데이터가 존재하는 역격자 공간(reciprocal space)으로 옮김으로써, 기존의 결정학 파이프라인과 호환되는 워크플로우를 만들어냈습니다. 이를 통해 과학자들은 최종 구조를 신뢰하는 데 필요한 통계적 엄밀성을 잃지 않으면서도, 일시적인 분자 중간 상태들에 대한 더 명확하고 상세한 관점을 추출할 수 있습니다. 이 방법은 오픈 소스 소프트웨어로 공개되어, 다른 연구자들이 자신의 데이터셋에 적용하여 단백질의 역동적인 삶에 대한 새로운 세부 사항을 밝혀낼 수 있도록 초대하고 있습니다.