Targeted finetuning enables co-folding models to learn ligand-induced protein conformational states

수십 년 동안 과학자들은 단지 유전 암호만을 보고 단백질의 3차원 구조를 예측할 방법을 찾아왔습니다. 단백질은 딱딱한 막대가 아니라 기능을 수행하기 위해 복잡한 형태로 뒤틀리고 회전하는 유연한 사슬이기 때문에, 이는 결코 쉬운 일이 아닙니다. 최근 몇 년 사이, 강력한 컴퓨터 모델들이 등장하여 단백질이 약물과 같은 작은 분자와 결합해 있을 때조차도 놀라운 정확도로 그 형태를 예측할 수 있게 되었습니다. 흔히 '공동 폴딩(co-folding)' 도구라고 불리는 이 모델들은 알려진 구조의 방대한 라이브러리를 통해 학습하며, 단백질과 분자가 서로 어떻게 맞물리는지에 대한 일반적인 규칙을 배웁니다. 하지만 중대한 장애물이 남아 있습니다. 이 모델들은 새로운 약물에 반응하여 형태가 변하는 단백질을 마주하거나, 이전에 본 적 없는 부위에 약물이 결합할 때 종종 어려움을 겪습니다. 만약 모델이 이러한 변화를 포착하지 못한다면, 연구자들이 이를 활용해 의약품을 설계하는 데 도움을 줄 수 없으며, 이는 컴퓨터의 예측과 실제 살아있는 세포 사이의 간극을 남기게 됩니다.

최근 한 연구팀은 이러한 모델의 실패가 설계상의 결함이 아니라, 모델이 학습한 데이터의 편향 때문임을 보여줌으로써 이 간극을 해결했습니다. 그들은 모델에게 몇 가지 특정한 새로운 사례를 주의 깊게 가르침으로써, 모델이 보지 못한 복잡한 행동을 예측할 수 있도록 할 수 있음을 입증했습니다. 연구진은 약물 발견 프로그램 중에 연구된 DNA 복구 관련 단백질인 Werner 헬리케이스(Werner helicase)의 새로운 X선 이미지 10장을 사용하여, 강력한 기존 모델에 표적화된 교육을 실시했습니다. 그들은 이 단백질이 특정 약물과 결합할 때 이례적인 지점에서 단백질이 비활성 상태로 고정되는 방식을 모델에게 보여주었는데, 이는 기존 모델이 한 번도 접해보지 못한 변화였습니다. 그 결과, 이 모델은 새로운 고정된 형태를 예측할 수 있었을 뿐만 아니라 약물의 결합 부위까지 정확하게 식별해 냈으며, 동시에 단백질의 정상적인 활성 형태를 예측하는 기존의 능력도 그대로 유지했습니다.

연구진은 이 새롭게 훈련된 모델이 단순히 이 10개의 이미지를 암기하는 데 그치지 않았다는 것을 발견했습니다. 이 모델은 약물이 어떻게 단백질의 변화를 강제하는지에 대한 근본적인 논리를 학습했으며, 이를 통해 한 번도 본 적 없는 다른 화학 계열의 약물들에도 일반화할 수 있었습니다. 나아가, 이 새로운 이해는 동일한 가족군인 RecQ 헬리케이스(RecQ helicases) 내의 다른 단백질들로도 전이되었으나, 이는 결합 부위의 특정 서열이 모델이 학습한 논리와 일치할 때만 가능했습니다. 이는 모델이 단순히 형태를 복사한 것이 아니라 변화의 메커니즘을 진정으로 파악했음을 시사합니다. 이 연구는 이러한 강력한 컴퓨터 모델들이 새로운 구조적 데이터가 확보됨에 따라 적응될 수 있으며, 이를 통해 생물학이 조절되는 방식과 의약품이 개입할 수 있는 방식의 핵심인 '리간드 유도 스위치(ligand-induced switches)'의 미묘한 변화를 포착할 수 있음을 보여줍니다. 모델의 한계가 아키텍처가 아닌 훈련 데이터에 있다는 것을 보여줌으로써, 이 연구는 현실 세계에서 역동적으로 변화하는 단백질을 다루기 위해 이러한 도구들을 업데이트할 수 있는 명확한 경로를 제시합니다.