Rapid classification of β-lactamase activity through AI-based structure prediction and electric field analysis

박테리아는 수십 년 동안 의약품에 맞서 싸워왔으며, 항생제가 목표에 도달하기도 전에 이를 해체할 수 있는 아주 작은 분자 기계들을 진화시켜 왔습니다. 이러한 방어 기제 중 가장 위험한 것 중 하나는 베타-락탐아제(beta-lactamases)라고 불리는 효소로, 이들은 베타-락탐 계열로 알려진 주요 약물 군의 화학 결합을 끊어내는 분자 가위와 같은 역할을 합니다. 이러한 약물들이 효과를 거두지 못하면 흔한 감염이 치명적으로 변할 수 있으며, 카바페넴(carbapenems)과 같은 몇 안 남은 "최후의 보루" 항생제들조차 무용지물이 됩니다. 과학자들에게 닥친 과제는 박테리아가 빠르게 돌연변이를 일으켜, 심지어 가장 강력한 약물조차 잘라낼 수 있는 새로운 버전의 효소들을 만들어낸다는 점입니다. 앞서 나가기 위해서 연구자들은 단순히 유전 코드를 살펴보는 것만으로도 새로운 박테리아 변종이 약물을 얼마나 잘 파괴할지 예측할 수 있는 방법, 즉 느리고 비용이 많이 드는 실험실 실험을 기다리지 않고도 가능한 방법을 필요로 합니다.

연구팀은 이제 박테리아 효소가 카바페넴 항생제를 얼마나 효율적으로 분해할 수 있는지 정확하게 예측할 수 있는 빠르고 컴퓨터 기반인 방법을 개발했습니다. 연구진은 실험실에서 박테로를 배양하는 대신, 인공지능을 사용하여 약물을 붙잡고 있는 효소의 3D 모델을 구축하여 약물이 파괴되기 직전의 순간을 포착했습니다. 이 스냅샷으로부터 연구진은 효소의 활성 부위 내부에서 발생하는 보이지 않는 전기적 힘을 계산했습니다. 그들은 이 전기장의 강도와 방향이 효소의 능력을 나타내는 신뢰할 수 있는 지문 역할을 한다는 것을 발견했습니다. 만약 전기장이 적절한 방향으로 충분히 강하다면 효소는 약물을 파괴할 가능성이 높고, 그렇지 않다면 약물은 살아남을 것입니다. 이 접근 방식은 과학자들이 새로운 박테리아 서열을 스캔하여 저항 수준을 즉시 추정할 수 있게 해주며, 슈퍼버그의 확산을 추적하는 데 중요한 도구를 제공합니다.

항생제 내성의 이야기는 인간의 창의성과 박테리아의 진화 사이의 경주입니다. 페니실린과 그 현대적 친척들을 포함하는 베타-락탐 항생제는 박테리아가 세포벽을 만드는 데 사용하는 기계를 멈추게 함으로써 작용합니다. 그러나 많은 박테리아는 이러한 약물을 인식하고 이를 잘라내어 무해하게 만드는 베타-락탐아제 효소를 생성합니다. 상황은 카바페넴, 즉 가장 심각한 감염에 주로 사용되는 강력한 항생제 계열과 관련하여 특히 심각합니다. 박테리아가 카바페넴까지도 자를 수 있는 효소를 진화시키면 치료 옵션이 사라져 질병과 사망률이 높아집니다. 전통적으로 특정 박테리아 균주가 이러한 약물에 저항할 수 있는지 알아내려면 박테리아를 배양하고, 효소를 분리하고, 실험실에서 테스트해야 합니다. 이 과정은 느리며 새로운 돌연변이가 나타나는 속도를 따라잡을 수 없습니다.

이 문제를 해결하기 위해 연구진은 다른 종류의 도구, 즉 물리학 법칙과 인공지능의 힘에 의존하는 계산 프로토콜을 활용했습니다. 연구진은 열 가지 서로 다른 유형의 베타-락탐아제 효소의 유전 서열에서 시작했는데, 이 중 일부는 카바페넴을 파괴하는 것으로 알려져 있고 다른 것들은 그렇지 않습니다. 알려진 단백질 구조를 학습한 AI 시스템을 사용하여, 연구진은 각 효소가 카바페넴 약물을 붙잡고 있을 때의 3D 형태가 어떠할지 예측했습니다. 이는 가상의 "아실-효소 복합체(acyl-enzyme complex)", 즉 효소와 약물이 결합하여 다음 반응 단계를 기다리고 있는 스냅샷을 만들어냈습니다.

이 과정의 결정적인 순간은 물 분자가 약물을 붙잡고 있는 결합을 공격하여 이를 분해하는 데아실화(deacylation) 단계입니다. 연구진은 이 공격의 아주 짧은 순간인 전이 상태(transition state)에 집중했습니다. 전체 시뮬레이션을 수행하려면 엄청난 컴퓨팅 파워와 시간이 필요합니다. 대신, 연구진은 영리한 지름길을 사용했습니다. 그들은 가상의 물 분자를 약물 쪽으로 부드럽게 밀어 넣어 시스템이 안정적인 위치에 자리 잡도록 함으로써 소수의 "근사 전이 상태" 구조를 생성했습니다. 이는 보통 필요한 컴퓨 computing 시간의 아주 작은 부분만을 필요로 하면서도, 반응의 필수적인 물리적 세부 사항을 보존했습니다.

이러한 가상의 스냅샷을 얻은 후, 연구진은 효소 내부의 전기장을 측정했습니다. 전기장은 전하를 띤 입자를 밀거나 당길 수 있는 보이지 않는 힘입니다. 이 경우, 연구진은 효소의 전기장이 약물의 특정 부분인 카보닐기(carbonyl group, 음전하를 띰)와 어떻게 상호작용하는지에 관심을 두었습니다. 연구진은 이 전기장의 강도, 구체적으로 공격 순간에 약물을 얼마나 잘 안정화하는지가 효소가 약물을 얼마나 빨리 파괴할 수 있는지와 직접적으로 연결되어 있다는 것을 발견했습니다.

결과는 놀라웠습니다. 연구진이 계산한 전기장 값과 실제 실험실 데이터 값을 비교했을 때, 수치가 매우 정밀하게 일치했습니다. 강력한 카파페넴 파괴제로 알려진 효소들은 약물 파괴를 완벽하게 안정화하는 강한 음의 전기장을 보여주었습니다. 약물을 파괴할 수 없는 효소들은 훨씬 약한 전기장을 보였습니다. 상관관계가 매우 강력하여, 전기장 값 하나만으로도 카바페넴을 분해하는 효소와 그렇지 않은 효소를 구분할 수 있었습니다. 이는 연구진이 매우 짧은 시뮬레이션 시간을 사용했을 때도 유효했으며, 이 방법이 빠르고 신뢰할 수 있음을 시사합니다.

가장 중요한 발견 중 하나는 연구진이 사전에 효소의 정확한 3D 구조를 알 필요가 없었다는 점입니다. 단지 유전 서열에서 시작하여 AI를 통해 형태를 예측함으로써 여전히 정확한 결과를 얻을 수 있었습니다. 이는 실험실에서 결정 구조를 밝혀낼 때까지 기다릴 필요 없이, 새로운 박테리아 변종이 발견되는 즉시 유전 코드를 통해 이 방법을 적용할 수 있음을 의미합니다. 또한 연구진은 약물의 작은 부분인 히드록시에틸기(hydroxyethyl group)의 특정 방향이 결과에 영향을 미친다는 것을 발견했습니다. 이 유연한 부분을 제외하고 효소의 핵심 구조에 의해 생성된 전기장에 집중함으로써, 연구진은 예측의 정확도를 더욱 향상시켰습니다.

이 연구는 효소 내부의 물 분자의 역할도 강조했습니다. 단백질 구조 자체가 강력한 전기장을 제공하지만, 반응 부위를 둘러싼 물 분자들도 효소의 능력에 크게 기여합니다. 연구진은 계산에 이 물 분자들을 포함하는 것이 실험 데이터와 일치시키는 데 필수적이라는 것을 발견했습니다. 이는 효소 내부의 환경이 효소의 모양 자체만큼이나 중요하다는 것을 시사합니다.

이 작업은 항생제 내성 문제를 해결했다고 주장하는 것이 아니라, 이를 바라보는 강력하고 새로운 관점을 제공하는 것입니다. 단순한 전기력 계산이 복잡한 생물학적 활동을 예측할 수 있음을 보여줌으로써, 연구진은 빠르면서도 물리적 실체에 기반을 둔 도구를 제공했습니다. 이 방법은 위험한 카파페넴 파괴 효소를 무해한 효소와 성공적으로 분리해 냈으며, 이는 약물을 분해하는 능력이 효소 활성 부위의 특정한 전기적 풍경에 뿌리를 두고 있음을 확인해 주었습니다.

공중 보건에 미치는 영향은 상당합니다. 새로운 박테리아 균주가 등장함에 따라, 과학자들은 이제 이 프로토콜을 사용하여 그 위협 수준을 빠르게 평가할 수 있습니다. 몇 주간의 실험실 테스트를 기다리는 대신, 새로운 변종의 유전 코드를 분석하여 그것이 카파페넴 치료에 위험이 되는지를 즉시 알 수 있습니다. 이러한 속도는 의사들이 더 적절한 항생제를 더 빨리 선택하도록 돕고, 이러한 전기장에 저항하도록 설계된 새로운 약물 개발을 안내할 수 있습니다. 이 연구는 이러한 분자 기계 내부에서 작용하는 보이지 않는 힘을 이해함으로써, 우리가 그들의 행동을 더 잘 예측하고 궁극적으로 그들을 막아낼 수 있음을 보여줍니다.