cryoWEight: Conformational ensembles from cryo-EM particle images with weighted ensemble simulations

생물학은 정적인 조각상의 모음이 아니라, 끊임없이 움직이는 유동적인 세계입니다. 생명의 동력을 제공하는 분자 기계인 단백질은 결코 진정으로 멈춰 있지 않습니다. 그들은 임무를 수행하기 위해 다양한 형태 사이에서 뒤틀리고, 구부러지고, 변화합니다. 단백질이 어떻게 움직이는지를 이해하는 것은 그것이 어떻게 생겼는지 아는 것만큼이나 중요한데, 왜냐하면 그 기능이 전적으로 이러한 변화에 달려 있기 때문입니다. 수십 년 동안 과학자들은 강력한 현미경을 사용하여 이 분자들의 고해 resolução 스냅샷을 찍어, 구조를 관찰하기 위해 시간을 얼려 놓았습니다. 그러나 단일 사진은 여정의 전체 이야기를 들려줄 수 없습니다. 그것은 단백질이 어디에 있는지는 보여주지만, 어떻게 그곳에 도달했는지, 혹은 얼마나 자주 다른 지점들을 방문하는지는 보여주지 못합니다. 이러한 얼어붙은 순간들 사이의 간극을 메우기 위해, 연구자들은 컴퓨터 시뮬레이션을 사용하여 단백질의 움직임을 관찰합니다. 하지만 이러한 시뮬레이션은 종종 긴 시간에 걸쳐 발생하는 드물고 대규모인 움직임을 포착하는 데 어려움을 겪으며, 과학자들에게 불완전한 그림만을 남깁니다.

cryoWEight라고 불리는 새로운 접근 방식은 전자 현미경의 상세한 스냅샷과 컴퓨터 시뮬레이션의 역동적인 움직임을 결합하여 이 간극을 메울 수 있는 방법을 제시합니다. 이 방법은 Flatiron Institute와 UC 어바인 대학교의 연구진에 의해 특정 문제를 해결하기 위해 개발되었습니다. 전통적인 시뮬레이션은 너무 오랫동안 한 가지 형태에 갇혀 기능에 결정적인 드문 전이 과정을 놓칠 수 있습니다. 반대로, 단순히 시뮬레이션을 실험 이미지에 맞추도록 강제하는 것은 분자의 자연스러운 물리 법칙을 왜곡할 수 있습니다. 연구팀은 실험 데이터가 물리 법칙을 깨뜨리지 않으면서도 시뮬레이션을 부드럽게 안내할 수 있는 시스템을 만들었습니다. 그들은 이 시스템을 10개의 잔기(residue)로 이루어진 작은 사슬부터 더 큰 효소에 이르기까지 세 가지 서로 다른 단백질에 테스트했으며, 시뮬레이션이 완전히 다른 곳에서 시작되었음에도 불구하고 컴퓨터 모델을 현미경에서 관찰된 형태로 성공적으로 유도할 수 있음을 발견했습니다.

이 방법의 핵심은 영리한 피드백 루프에 달려 있습니다. 시뮬레이션이 마치 풍경 속으로 퍼져 나가는 탐험가 무리처럼 수천 개의 평행한 경로를 실행한다고 상상해 보십시오. 어떤 경로는 거의 방문되지 않는 지역으로 헤매기도 하고, 어떤 경로는 흔한 지점에 몰려들기도 합니다. cryoWEight 시스템은 주기적으로 이 탐험가들을 실제 실험 이미지와 대조하여 확인합니다. 만약 어떤 경로가 현미경이 보는 것과 매우 유사한 형태를 나타낸다면, 그 경로에는 더 많은 중요도가 부여됩니다. 만약 어떤 경로가 이미지와 일치하지 않는 형태를 나타낸다면, 그 경로에는 낮은 중요도가 부여됩니다. 이 과정은 탐험가들을 특정 방향으로 강제로 움직이게 하는 것이 아니라, 단지 그들의 이야기(story)에 가중치를 조정하는 것입니다. 데이터와 일치하는 경로들은 다음 단계의 탐색을 시작하는 데 사용되며, 이는 시뮬레이션에 가장 유망한 방향을 씨앗으로서 심어주는 효과를 줍니다. 여러 주기를 거치면서, 탐험가 그룹 전체는 점차 초점을 이동시켜 시작점에서 실험에서 관찰된 목표 형태를 향해 나아갑니다.

연구진은 이 접근 방식이 다양한 복잡성 수준에서도 작동하는지 확인하기 위해 세 가지 뚜로 다른 단백질을 사용하여 검증했습니다. 첫 번째는 단순한 헤어핀 구조로 접히는 작은 합성 단백질인 치뇰린(chignolin)이었습니다. 그들은 접힌 상태의 시뮬레이션을 시작하고, 실험 이미지로 정의된 펼쳐진 상태를 찾도록 시스템에 요청했습니다. 단 몇 번의 주기 내에, 시뮬레이션은 단백질을 조밀한 접힌 형태에서 확장된 펼쳐진 형태로 성공적으로 이동시켰으며, 실험적 분포와 완벽하게 일치했습니다. 두 번째 테스트는 펼쳐진 사슬에서 안정적인 구조로 접히는 약간 더 큰 단백질인 NTL9를 포함했습니다. 여기서 과정은 역순으로 진행되었습니다. 펼쳐진 사슬에서 시작하여, 시스템은 시뮬레이션을 접힌 상태로 유도했으며, 이 역시 실험 데이터와 높은 정밀도로 일치했습니다.

가장 복잡한 테스트는 세포의 에너지 관리자 역할을 하는 커다란 효소인 아데닐레이트 키나아제(adenylate kinase)를 대상으로 수행되었습니다. 이 단백질은 연료를 붙잡고 있는 닫힌 형태와 연료를 방출하는 열린 형태 사이를 흔들며 움직이는 독특한 능력을 가지고 있습니다. 이 움직임은 분자의 큰 부분들이 구부러지고 회전하는 것을 포함합니다. 연구진은 닫힌 상태에서 시뮬레이션을 시작했고, 열린 상태의 이미지들을 사용하여 이를 유도했습니다. 시스템은 단백질을 전이 과정으로 성공적으로 몰아넣었으며, 열리면서 휘두르는 동안 취하는 특정한 중간 형태들을 포착했습니다. 결정적으로, 시뮬레이션이 거친 경로는 장기간의 편향되지 않은 컴퓨터 실행에서 관찰된 자연스러운 경로와 일치했으며, 이는 이 방법이 단순히 단백질을 새로운 형태로 강제한 것이 아니라, 그곳에 도달하기 위한 올바른 경로를 찾아냈음을 입증했습니다.

가장 중요한 발견 중 하나는 이 방법이 시작점과 목표가 완전히 다를 때도 작동한다는 점이었습니다. 이전의 많은 시도에서는 시뮬레이션이 목표와 겹치는 부분이 없는 형태 공간(shape-space)에서 시작하면 목표를 찾는 데 실패했습니다. 그러나 cryoWEight는 이 간극을 메울 수 있었습니다. 실험 이미지를 사용하여 경로의 가중치를 재조정함으로써, 시스템은 원래의 시작 데이터에는 존재하지 않았던 새로운 형태들을 생성할 수 있었습니다. 이는 특정 형태가 관찰된 이미지를 생성할 가능성이 더 높다는 것을 인식하고, 그 형태들을 사용하여 추가적인 탐색을 유도함으로써 가능했습니다. 이를 통해 시뮬레이션은 일반적인 실행에서는 통과하는 것이 불가능했을 높은 에너지 장벽을 넘을 수 있었습니다.

연구는 또한 이 방법이 작동하기 위해 실험 이미지로부터 얼마나 많은 정보가 필요한지를 조사했습니다. 그들은 신호가 매우 강한 조건과 신호가 노이즈에 묻힌 조건을 시뮬레이션하여, 다양한 명확도를 가진 이미지들로 시스템을 테스트했습니다. 이미지가 선명할 때 시스템은 올바른 형태로 빠르게 수렴했습니다. 이미지가 매우 노이즈가 많을 때 시스템은 목표를 찾는 데 실패했으며, 이는 가이드가 시뮬레이션의 내부적 편향이 아니라 데이터 자체로부터 온다는 것을 확인시켜 주었습니다. 데이터의 품질에 대한 이러한 민감도는 강점인데, 결과가 실제 실험적 증거에 의해 주도되도록 보장하기 때문입니다.

나아가, 연구진은 이 방법이 시뮬레이션 공간이 어떻게 나뉘는지에 대해서도 견고함을 보여주었습니다. 컴퓨터는 계산을 관리하기 위해 가능한 형태들의 복잡한 지형을 더 작은 영역으로 나누어야 합니다. 그들은 이 경계선을 그리는 다양한 방식을 테스트했으며, 지도가 어떻게 그려지든 최종 결과는 동일하다는 것을 발견했습니다. 이는 이 방법이 연구자가 내린 임의적인 선택에 의존하지 않고 신뢰할 수 있음을 시사합니다. 또한 시스템이 서로 다른 형태들의 혼합물을 복구할 수 있음을 입증했습니다. 목표가 접힌 상태와 펼쳐진 상태의 조합이었을 때, 시뮬레이션은 이 상태들의 비율을 정확하게 재현했으며, 이는 복잡한 다중 상태 시나리오를 처리할 수 있음을 보여줍니다.

이 연구의 함의는 이 세 가지 단백질을 넘어 확장됩니다. 이 프레임워크는 유연하게 설계되어, 전자 현미경뿐만 아니라 핵자기 공명(NMR)이나 X선 산란(X-ray scattering)과 같은 다른 유형의 실험 데이터에도 적용될 수 있습니다. 핵심은 시스템이 이미지의 가능성(likelihood)을 사용하여 시뮬레이션을 안내한다는 것이며, 이 원리는 타겟 분포를 정의하는 모든 관측값에 적용될 수 있습니다. 현재 테스트에는 알려진 구조로부터 생성된 합성 이미지가 사용되었지만, 저자들은 이 방법이 실제 실험 데이터에 적용될 준비가 되어 있다고 언급했습니다. 이를 통해 과학자들은 단백질이 작동하는 실제 현미경 이미지를 사용하여, 그 단백질이 어떻게 움직이고 기능하는지에 대한 역동적인 모델을 구축할 수 있을 것입니다.

실험적 스냅샷과 강화된 샘플링 시뮬레이션의 힘을 통합함으로써, cryoWEight는 생명 기계의 보이지 않는 역동성을 보는 새로운 방법을 제시합니다. 이것은 고품질의 실험 데이터의 필요성을 대체하는 것도, 정확한 물리 모델의 필요성을 대체하는 것도 아닙니다. 대신, 데이터로 모델을 교정하고 모델로 데이터의 간극을 채우는 가교 역할을 합니다. 그 결과는 단백질이 어떻게 작동하는지에 대한 더 완전한 그림이며, 그들이 거치는 경로와 방문하는 상태들을 밝혀내는 것입니다. 분야가 더 크고 복잡한 분자 집합체를 이해하는 방향으로 나아감에 따라, 정적인 이미지를 생물학적 기능의 역동적인 이야기로 바꾸는 데 있어 이러한 도구들은 필수적일 것입니다.