Predicting single mutation effects on binding affinity at protein-protein interfaces based on MMPBSA calculations
본 논문은 SARS-CoV-2 스파이크 단백질 복합체를 포함한 다양한 표적에 대해 기존의 방법들과 대등하거나 이를 상회하는 성능을 입증하며, 단일 아미노산 치환이 단백질-단백질 및 단백질-펩타이드 결합 친화도에 미치는 영향을 정확하게 예측하기 위해 MMPBSA 계산을 사용하는 사용자 친화적인 물리 기반 워크플로를 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
단백질은 생명의 일꾼으로, 혈액 속에서 산소를 운반하는 것부터 감염과 싸우는 것에 이르기까지 특정 작업을 수행하기 위해 특정한 모양으로 접히는 작은 분자 기계입니다. 종종 이 단백질들은 기능하기 위해 다른 단백질을 찾아 결합해야 하며, 이 과정은 표면의 정밀한 맞물림에 의해 추진됩니다. 만약 이 단백질 중 하나의 구성 요소, 즉 아미노산 하나가 변한다면, 이는 마치 벽의 벽돌 한 개를 바꾸는 것과 같습니다. 때로는 구조가 견고하게 유지되기도 하지만, 다른 경우에는 전체 연결이 약해지거나 실패하기도 합니다. 단 하나의 변화가 어떻게 결합의 강도를 변화시키는지 정확히 예측하는 것은 과학자들에게 큰 과제입니다. 만약 그들이 이를 안정적으로 할 수 있다면, 더 나은 의약품을 설계하거나, 오염을 정화하는 효소를 공학적으로 설계하거나, 특정 유전적 돌연변이가 왜 질병을 일으키는지 이해할 수 있을 것입니다. 수년 동안 연구자들은 이러한 변화를 계산할 수 있는 컴퓨터 프로그램을 구축하려고 노력해 왔지만, 그 결과는 종종 맞기도 하고 틀리기도 했으며, 속도와 정확성 사이의 균형을 맞추는 데 어려움을 겪었습니다.
독일 바이로이트 대학교의 연구팀은 이러한 예측을 수행하는 새로운 방법을 개발하여, 빠르면서도 놀라울 정도로 정확한 도구를 제공했습니다. 그들의 접근 방식은 MMPBSA라고 불리는 방법, 즉 '분자 역학 포아송-볼츠만 표면적(Molecular Mechanics Poisson-Boltzmann Surface Area)'에 기반합니다. 쉽게 말해, 이것은 두 단백질을 붙잡아 두는 데 필요한 에너지가 얼마인지를 추정하는 물리 기반 계산법입니다. 연구팀은 기존의 컴퓨터 프로그램들이 단백질의 에너지를 추측할 수는 있지만, 단일 돌연변이에 의한 미세한 변화를 놓치는 경우가 많다는 점을 깨달았습니다. 이를 해결하기 위해 연구진은 과학자들이 단일 아미노산 변화가 단백질 결합에 미치는 영향을 측정한 1,600개 이상의 실험 데이터 집합을 가져와 새로운 점수 산정 시스템을 훈련시켰습니다. 그들은 데이터로부터 패턴만을 학습하는 복잡한 인공지능에 의존하는 대신, 원자들이 서로 끌어당기거나 밀어내는 방식, 그리고 물 분자가 단백질 표면과 상호작용하는 방식과 같은 다양한 물리적 힘의 가중치를 두는 직관적인 수학적 모델을 구축했습니다.
연구진은 그들의 새로운 방법을 두 가지 기존 경쟁 모델과 테스트했습니다. 하나는 경험적 규칙에 의존하는 널리 사용되는 소프트웨어인 FoldX이고, 다른 하나는 인공지능을 사용하는 최첨단 딥러닝 도구인 DDMut-PPI입니다. 그들은 먼저 인공지능 모델을 훈련시키는 데 사용된 것과 동일한 데이터셋에 대해 계산을 실행했습니다. 여기서 딥러닝 도구는 매우 뛰어난 성능을 보였으며, 대부분의 돌연변이에 대해 정확하게 예측했습니다. 그러나 이 높은 점수는 예상된 것이었는데, 해당 인공지능이 구체적으로 그 숫자들에 맞춰 훈련되었기 때문입니다. 진정한 시험은 연구팀이 컴퓨터 모델이 데이터를 본 적이 없는 완전히 새로운 시나리오에 세 가지 방법을 모두 적용했을 때 찾아왔습니다. 한 테스트에서는 코로나19를 유발하는 바이러스의 스파이크 단백질, 특히 그것이 인간 세포와 결합하는 방식에 나타나는 돌연변이를 살펴보았습니다. 또 다른 테스트에서는 특정 펩타이드 사슬을 붙잡도록 설계된 공학적 단백질을 조사했습니다.
이러한 새로운, 보지 못한 상황에서 결과는 극적으로 바뀌었습니다. 훈련 데이터에서는 탁월했던 딥러닝 도구는 돌연변이의 순위를 올바르게 매기는 데 어려움을 겪었으며, 유익한 변화와 해로운 변화를 구별하는 능력이 약한 모습을 보였습니다. 전통적인 소프트웨어인 FoldX는 많은 큰 오류를 냈는데, 돌연변이가 아무런 영향이 없음에도 엄청난 효과가 있을 것이라고 예측하거나 그 반대의 경우를 자주 보였습니다. 반면, 새로운 MMPBSA 기반 방식은 꾸준한 성능을 유지했습니다. 이 방식은 바이러스 스파이크 단백질과 공학적 단백질 모두에서 결합 강도를 성공적으로 예측했으며, 다른 도구들의 정확도와 일치하거나 이를 능가했습니다. 연구진은 자신들의 방법이 다른 프로그램들에서 흔히 오류의 원인이 되는 전하를 띤 입자와 물의 상호작용이라는 복잡한 물리를 다루는 데 특히 뛰어나다는 것을 발견했습니다. 또한, 단순히 결합뿐만 아니라 개별 단백질 조각의 안정성을 포함하는 항(term)을 넣는 것이 정답을 얻는 데 결정적이라는 사실을 발견했습니다.
이 연구는 인공지능이 강력하기는 하지만, 때때로 학습한 데이터에 너무 특화되어 새로운 생물학적 퍼즐에 직면했을 때 적응하지 못할 수 있음을 시사합니다. 물리 기반 접근 방식은 암기된 패턴이 아닌 자연의 근본 법칙에 의존함으로써, 다양한 유형의 단백질과 구조에 적용될 때 더 견고하다는 것이 증명되었습니다. 연구팀은 자신들의 워크플로우를 공개하여 다른 과학자들이 실험실에서 테스트할 돌연변이의 우선순위를 정하는 데 이 도구를 사용할 수 있도록 했습니다. 값비싼 실험을 수행하기 전에 가장 유망한 후보들을 걸러냄으로써, 이 방법은 새로운 치료법 개발과 더 나은 생물학적 도구의 공학적 설계를 가속화할 수 있습니다. 이 작업은 때때로 가장 복잡한 알고리즘보다 기본 원리로 돌아가 작용하는 물리적 힘을 신중하게 따져보는 것이, 특히 아주 작은 분자의 변화가 어떻게 살아있는 시스템의 행동을 변화시키는지를 이해하고자 할 때 더 신뢰할 수 있는 결과를 낼 수 있음을 보여줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.