RiboGRAM learns multi-scale non-coding RNA grammar for structural and regulatory inference
이 논문은 다양한 생물종과 세포 유형에 걸쳐 비코딩 RNA 서열의 비지도 구조 추론 및 조절 모티프 분석을 가능하게 하는, 다중 스케일의 위치 기반 문법을 발견하는 딥러닝 모델인 RiboGRAM을 소개한다.
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
생명은 분자의 언어로 구축되어 있으며, 수십 년 동안 과학자들은 하나의 특정 방언에 대한 문법, 즉 세포가 단백질을 어떻게 만들지 지시하는 명령어를 이해해 왔습니다. 이 코드는 세 글자씩 묶인 삼중체(triplets)로 읽히는데, 이는 세 글자가 모여 명확한 의미를 가진 하나의 단어를 형성하는 문장과 같습니다. 하지만 단백질을 코딩하지 않는 방대한 영역인 나머지 유전적 대본, 즉 비부호화 RNA(non-coding RNA)는 미지의 영역으로 남아 있었습니다. 이러한 비부호화 RNA는 조절자, 스위치, 구조적 지지대 역할을 하지만, 그 내부 조직은 단백질 생성 서열을 지배하는 명백한 규칙이 결여된 채 혼란스러운 것처럼 보였습니다. 이 숨겨진 언어를 읽는 방법이 없었기에, 이 분자들이 어떻게 복잡한 형태를 갖추어 접히는지 또는 어떻게 다른 세포 기구들과 상호작용하는지를 이해하는 것은 커다란 장애물이었습니다.
이제 한 연구팀이 이 난해한 언어를 지배하는 일련의 규칙을 밝혀냈으며, 비부호화 RNA가 짧은 글자 패턴이 어떻게 배열되고 분자를 따라 어디에 위치하는지에 의해 정의되는 독특하고 학습 가능한 문법을 따르고 있음을 드러냈습니다. 그들은 박테리아에서 인간에 이르는 9종의 서로 다른 생물체로부터 얻은 수백만 개의 RNA 서열을 학습하여 이러한 패턴을 읽어내는 새로운 컴퓨터 모델인 리보그램(RiboGRAM)을 개발했습니다. 이 모델은 단백질 코딩 서열은 한쪽 끝에서 다른 쪽 끝까지 비교적 안정적인 반면, 비부호화 RNA는 분자의 시작부터 끝까지 이동함에 따라 예측 가능한 방식으로 변화한다는 사실을 발견했습니다. 구체적으로, 연구진은 특정 글자 조합, 특히 U(우라실)가 풍부한 조합이 서열의 끝으로 갈수록 더 빈번해진다는 것을 발견했습니다. 이러한 방향성 있는 변화는 다양한 규모에서의 특정 글자 그룹 사용과 결합하여, 모델이 이제 해독할 수 있는 구조적 청사진을 형성합니다.
이 방대한 비부호화 RNA 컬렉션을 통해 훈련함으로써, 이 모델은 이러한 분자들을 가족 단위로 분류하고, 형태가 무엇인지 명시적으로 배우지 않고도 그 물리적 모양을 예측하는 법을 익혔습니다. 연구진이 RNA 가닥의 어느 부분이 서로 결합하여 이중 나선을 형성하는지 알아내는 능력을 테스트했을 때, 모델은 단백질 지시문만을 학습한 모델들보다 훨씬 더 뛰어난 성과를 보였습니다. 실제로 모델은 높은 정확도로 이러한 연결을 식별해 냈으며, 이는 서열 자체에 분자가 올바르게 접히기 위한 필요한 단서가 포함되어 있음을 시사합니다. 이러한 능력 덕분에 연구팀은 오직 글자 서열만을 가이드로 사용하여 짧은 RNA 분자의 3차원 모델을 처음부터 구축할 수 있었으며, 광범이한 진화적 데이터를 필요로 하는 더 복잡한 방법들과 견줄 만한 결과를 달-성했습니다.
이 새로운 문법의 힘은 단순히 접힘(folding)을 넘어, 이 분자들이 단백질과 어떻게 상호작용하는지도 설명해 줍니다. 연구진이 이 모델을 인간 세포에 적용했을 때, 모델은 특정 RNA 서열이 특정 단백질과 결합할 것을 놀라운 정밀도로 예측할 수 있음을 발견했습니다. 더 중요한 점은, 모델이 이러한 결합 부위의 위치가 무작위가 아님을 밝혀냈다는 것입니다. 서로 다른 유형의 단백질은 결합 사건의 중심으로부터 특정 위치에 타겟 서열이 놓이기를 선호하며, 이러한 선호도는 세포의 유형에 따라 달라집니다. 예를 들어, 어떤 세포에서 모델은 단백질이 특정 글자가 풍축한 서열을 선호한다는 것을 발견한 반면, 다른 세포에서는 그 선호도가 변하는 것을 감지해 냈습니다. 이는 RNA의 '문법'이 고정된 것이 아니라 세포 환경에 적응하며, 유전 정보가 어떻게 조절되는지에 영향을 미친다는 것을 시사합니다.
연구진은 또한 자신들의 모델이 더 길고 복잡한 RNA 가닥의 복잡성을 다룰 수 있는지 테스트했습니다. 모델은 짧은 서열에서는 매우 뛰어난 성능을 보였으나, 분자가 길어짐에 따라 정확도가 약간 감소했는데, 이는 일반적으로 크고 복잡한 분자의 구조를 예측하는 데 따르는 어려움을 반영합니다. 그럼에도 불구하고, 이 모델은 비부호화 RNA에 숨겨진 질서를 바라보는 새로운 방법을 제시했습니다. 모델은 글자의 서열이 단순히 정보를 전달하는 수동적인 매개체가 아니라, 분자가 어떻게 행동하고, 접히며, 세포의 나머지 부분과 상호작용하는지를 결정하는 능동적인 청사진임을 보여주었습니다.
이 연구는 비부호화 RNA가 현대 인공지능에 의해 해독될 수 있는 학습 가능한 문법을 가지고 있음을 확립합니다. 다중 규모 패턴과 방향성 기울기를 식별함으로써, 연구진은 분자의 모양에 대한 사전 지식 없이도 구조와 기능을 예측할 수 있는 도구를 제공했습니다. 다양한 종과 세포 유형에 걸쳐 일반화할 수 있는 모델의 능력은 이러한 규칙들이 생물학에서 RNA가 작동하는 방식의 근본임을 시사합니다. 연구팀이 이 도구들을 계속 정교화함에 따라, 그들은 한때 신비로웠던 대본을 읽을 수 있고 이해할 수 있는 언어로 바꾸며, 생명의 분자 기계를 바라보는 새로운 렌즈를 제공하고 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.