← 최신 논문
📄 분자생물학

Predicting conformational changes induced by biomolecular interactions

본 논문은 다중 서열 정렬(multiple sequence alignments)에 의존하지 않고 상호작용에 의한 역학을 포착하는 데 있어 기존 공동 폴딩(co-folding) 모델의 한계를 극복하기 위해, 초고속 확산 브리지(ultrafast diffusion bridge)를 통해 결합 전 상태에서 결합 후 상태로의 명시적 구조적 전이를 모델링함으로써 생체 분자의 구조 변화를 예측하는 새로운 생성 학습 프레임워크인 K-Fold를 소개한다.

원저자: Bae, Y., Baek, J., Choi, E., Choi, J. H., Han, H., Jang, H., Jeon, W., Jo, J., Kim, D., Kim, H., Kim, J. H., Kim, J. H., Kim, S., Kim, T., Kim, Y., Lee, J., Lee, J., Moon, S., Park, M., Samuel, C., Se
게시일 2026-11-19 (v2)
📖 4 분 읽기☕ 가벼운 읽기

원저자: Bae, Y., Baek, J., Choi, E., Choi, J. H., Han, H., Jang, H., Jeon, W., Jo, J., Kim, D., Kim, H., Kim, J. H., Kim, J. H., Kim, S., Kim, T., Kim, Y., Lee, J., Lee, J., Moon, S., Park, M., Samuel, C., Seo, H., Seo, J., Seo, S., Shin, M., Shin, Y., Zhung, W., Ahn, S., Han, D., Hwang, S. J., Kim, H. M., Kim, W. Y., Lee, G. R., Oh, B.-H.

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

세포는 분자들이 끊임없이 만나고, 악수를 나누며, 신호를 보내거나 새로운 구조를 만들기 위해 형태를 바꾸는 활기찬 도시와 같습니다. 생명이 어떻게 작동하는지, 혹은 이러한 분자 기계에 완벽하게 들어맞는 약물을 어떻게 설계할지를 이해하기 위해서, 과학자들은 상호작용하는 이 부품들의 정확한 3차원 형태를 알아야 합니다. 수십 년 동안, 두 개의 분리된 분자가 서로 결합했을 때 어떤 모습이 될지 예측하는 것은 하나의 과제였습니다. 현대의 컴퓨터는 유전 코드를 바탕으로 단일 분자의 모양을 추측하는 데는 매우 뛰어나졌지만, 그 분자가 파트너를 만났을 때 어떻게 뒤틀리고 회전할지를 예측하는 데는 종종 실수를 범합니다. 문제는 분자가 딱딱한 블록이 아니라는 점입니다. 분자는 유연합니다. 약물이 단백질에 결합하거나 항체가 항원을 붙잡을 때, 두 분자 모두 서로 맞물리기 위해 형태를 변화시키는 경우가 많습니다. 현재의 방법들은 이러한 미세하고 결정적인 움직임을 놓치는 경우가 많으며, 그 결과 그럴듯해 보이지만 기능적으로는 틀린 형태를 만들어내곤 합니다.

연구진은 예측이 이루어지는 방식을 바꾸는 'K-Fold'라고 불리는 새로운 접근법을 도입했습니다. K-Fold는 결합 전의 두 분자가 이미 결합한 최종 형태를 처음부터 추측하려고 시도하는 대신, 결합하지 않은 상태의 두 분자에서 시작합니다. 그런 다음 수학적 과정을 사용하여 이들이 결로 합쳐지는 여정을 시뮬레이션합니다. 두 개의 서로 다른 풍경을 연결하는 다리를 상상해 보십시오. 이 도구는 분자 단독의 형태와 파트너와 결합했을 때의 형태 사이를 잇는 다리를 구축합니다. 조립 과정을 하나의 정적인 추측이 아니라 한 상태에서 다른 상태로의 전이(transition)로 취급함으로써, 이 시스템은 분자들이 서로 맞물리기 위해 필요한 구체적인 움직임을 더 잘 포착할 수 있습니다. 이 방식은 설계된 분자나 새로운 약물 표적의 경우 종종 실패하는 유전적 역사의 진화적 단서에 의존하는 대신, 형태가 서로에게 적응하는 물리적 규칙에 집중합니다.

연구진은 항체가 어떻게 표적을 찾는지, 작은 약물 분자가 어떻게 단백질을 모집하여 분해하는지, 그리고 뇌의 수용체가 어떻게 활성 및 비활성 상태 사이를 전환하는지를 포함하여 광범가한 생물학적 난제들을 대상으로 이 새로운 프레임워크를 테스트했습니다. 결합 루프가 빠르게 변하기 때문에 예측하기 까다롭기로 유명한 항체 테스트에서, K-Fold는 진화적 데이터에 의존하는 기존의 최상위 모델들보다 뛰어난 성능을 보이며 절반 이상의 사례에서 올바른 결합 부위를 찾아냈습니다. 이는 과학 데이터베이스에 역사적 사례가 존재하지 않는 새로운 표적의 경우에 특히 두드러졌습니다. 두 단백질을 서로 붙게 만드는 화합물인 분자 접착제(molecular glues)의 경우, 이 새로운 모델은 세 부분으로 구성된 복합체를 거의 44%의 시도에서 정확하게 조립해 냈는데, 이는 기존 도구들이 모집된 단백질을 아예 잘못 배치하는 경우가 많았던 것과 비교하면 상당한 개선입니다.

또한 이 연구는 신체의 스위치 역할을 하는 키나아제(kinase)나 G-단백질 결합 수용체(GPCR)와 같은 복잡한 신호 전달 단백질을 조사했습니다. 이러한 단백질들은 켜졌을 때와 꺼졌을 때의 형태가 다릅니다. 기존 모델들은 조건상 단백질이 '꺼짐' 상태여야 함에도 불구하고 대개 가장 흔한 '켜짐' 형태를 기본값으로 선택하는 경향이 있었습니다. 그러나 K-Fold는 억제제와 결합했을 때 단백질의 비활성 상태를 약 78%의 사례에서 성공적으로 예측했으며, 신호를 차단하는 구체적인 구조적 변화를 정확하게 포착했습니다. 이러한 기능적 상태를 구분하는 능력은 질병 과정을 멈추기 위해 약물이 단백질을 특정 형태로 고정시켜야 할 수도 있다는 점에서 약물 설계에 매우 중요합니다.

이 작업의 가장 강력한 측면은 재학습을 필요로 하지 않고도 여러 가능성을 탐색할 수 있는 능력입니다. 시스템은 결합하지 않은 상태의 구성 요소들로부터 시작하기 때문에, 연구자들은 결합하지 않은 분자의 다양한 시작 형태를 입력하여 최종 복합체가 어떻게 보일지 확인할 수 있습니다. 표준 모델이 완전히 실패했던 어려운 사례에서도, 다양한 시작 형태를 사용함으로써 이 새로운 시스템은 올바른 결합 모드를 찾아낼 수 있었습니다. 예를 들어, 도전적인 단백질 표적에 대해 이 모델은 단일한 표준 시작 형태를 사용할 때는 아무것도 찾아내지 못한 반면, 다양한 시작 형태의 안내를 받았을 때는 거의 40%의 시도에서 올바른 구조를 찾아냈습니다. 이는 이 시스템이 단순히 훈련 데이터의 특정 사례를 암기하는 것이 아니라, 분자가 어떻게 적응하는지에 대한 일반적인 물리적 원리를 학습했음을 시사합니다.

이 방법이 완벽하지 않으며 서로 다른 형태의 안정성을 예측하거나 극히 드문 분자 움직임을 다루는 데 여전히 과제가 남아 있지만, 이는 과학자들이 분자 조립에 접근하는 방식의 중대한 변화를 나타냅니다. 상태 간의 전이에 집중함으로써, K-Fold는 생명의 기계들이 어떻게 서로 맞물리는지를 예측하는 더 견고한 방법을 제공합니다. 이 접근법은 분자를 정적인 조각상이 아니라 자신의 일을 수행하기 위해 끊임없이 형태를 바꾸는 유연한 파트너로 보는 역동적인 생물학의 관점으로 나아가며, 약물 설계와 세포 조절을 이해하는 더 명확한 경로를 제시합니다.

연구 분야의 논문에 파묻히고 계신가요?

연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.

Digest 사용해 보기 →