De novo Protein Generating Model via Structure-Aware Graph Neural Networks
이 논문은 서열 복구(sequence recovery)가 아닌 3D 구조적 정확도를 최적화하는 구조 인지 그래프 신경망을 제시하며, 이를 통해 단백질의 데 노보(de novo) 생성이 직접적인 서열 감독 없이도 선도적인 서열 중심 방법론들과 대등한 수준의 구조적 정밀도를 달성할 수 있음을 입증한다.
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
수십 년 동안 생물학자들은 단백질의 기능이 그 형태에 의해 결정된다는 점을 이해해 왔습니다. 단백질은 아미노산이라고 불리는 구성 요소들의 긴 사슬이며, 이 블록들의 특정 순서가 사슬이 어떻게 복잡한 3차원 구조로 접힐지를 결정합니다. 이 접힘 과정은 매우 정밀하여, 서열의 아주 작은 변화만으로도 전체 구조가 무너지거나 제대로 작동하지 않을 수 있습니다. 오랫동안 과학적 과제는 주어진 서열이 어떤 모양을 취할지 예측하는 것이었습니다. 그러나 더 어렵고 똑같이 중요한 질문이 등장했습니다. 만약 원하는 모양에서 시작한다면, 그 모양으로 접힐 구체적인 아미노산 서열을 역으로 찾아낼 수 있는가 하는 점입니다. '역 단백질 설계(inverse protein design)'라고 알려진 이 역공학은 처음부터 새로운 의약품과 재료를 만드는 핵심이지만, 전통적으로는 새로운 서열이 자연계에서 발견되는 서열과 밀접하게 닮아야 한다는 엄격한 규칙에 의존해 왔습니다.
텍사스 대학교 달라스 캠퍼스의 연구진은 이 규칙에 도전했습니다. 그들은 자연적인 단백질을 모방할 필요 없이 특정 모양으로 접히는 단백질 서열을 생성하도록 설계된 새로운 컴퓨터 모델을 개발했습니다. 최근 발표된 연구에 상세히 기술된 이들의 접근 방식은, 올바른 모양으로 가는 경로가 유일하지 않으며, 모델이 아미노산의 특정 순서를 완전히 무시하고 구조를 직접 구축하는 법을 배울 수 있음을 시사합니다. 모델이 최종 3D 형태에만 집중하도록 훈련함으로써, 그들은 자연을 복제하는 데 초점을 맞춘 기존의 선도적인 방법들과 대등한 정확도를 달라는 결과를 얻었으며, 이는 단백질이 자연의 것과 같이 작동하기 위해 반드시 자연의 것을 닮을 필요는 없다는 것을 입증했습니다.
연구진은 그래프 신경망(graph neural network)이라는 유형의 인공지능을 사용하여 모델을 구축했습니다. 이 시스템에서 단백질은 단순한 글자 목록이 아니라 선으로 연결된 점들의 지도로 간주됩니다. 각 점은 단백질 골격의 한 부분을 나타내며, 선은 공간상에서 가장 가까운 이웃들을 연결합니다. 모델은 목표 형태의 좌표를 입력값으로 받아 각 지점에 어떤 아미노산이 위치해야 하는지 추측하기 시작합니다. 핵심적인 혁신은 모델이 학습하는 방식에 있습니다. 모델에게 "틀린 글자를 골랐으니 다시 해봐"라고 말하는 대신, 모델은 자신의 추측이 만들어낼 형태를 보여받습니다. 모델은 기존의 강력한 도구를 사용하여 자신이 예측한 서열을 3D 구조로 접어본 뒤, 그 결과와 목표 형태를 비교합니다. 만약 형태가 일치하지 않으면, 모델은 차이를 줄이기 위해 자신의 추측을 조정합니다. 이 과정을 통해 모델은 자연에서 발견되는 원래의 아미노산 서열을 암기하거나 복제할 필요 없이, 단백질의 기하학적 구조로부터 직접 학습할 수 있습니다.
이 아이디어를 테스트하기 위해, 연구진은 공공 데이터베이스의 방대한 단백질 구조 모음으로 모델을 훈련시켰으며, 다양성을 확보하기 위해 이를 작고 균일한 조각들로 나누었습니다. 그런 다음 모델에게 이전에 본 적 없는 224개의 특정 단백질 형태에 대한 서열을 설계하도록 요청했습니다. 각 형태에 대해 모델은 서열을 생성했고, 이 서열이 목표와 얼마나 잘 일치하는지 확인하기 위해 동일한 예측 도구로 접힘 과정을 거쳤습니다. 결과는 놀라웠습니다. 모델은 자연적 서열을 회복하는 데 초점을 맞춘 매우 존경받는 방식인 ProteinMPNN과 통계적으로 구별할 수 없을 정도의 정확도로 구조를 형성하는 서열을 만들어냈습니다. 새로운 모델의 서열은 자연적인 것과는 매우 달랐지만, 그들이 형성한 모양은 목표와 거의 동일했습니다.
연구 결과, 새 모델은 원래의 아미노산 서열을 약 31% 정도 회복하는 전통적인 방식과 비교했을 때, 서열 회복률은 30% 미만이었음에도 불구하고 산업 표준에 부합하는 구조적 정밀도를 달side했습니다. 이러한 서열 회복의 격차는 구조적 결과에 영향을 미치지 않았습니다. 연구진은 많은 목표 형태에 대해 동일한 접힘을 만들어낼 수 있는 여러 가지 서로 다른 서열이 존재한다는 것을 관찰했습니다. 어떤 경우에는 새 모델이 특정 단백질 부위에서 자연적 서열이나 전통적인 방식을 능가하기도 했는데, 이는 자연이 주어진 모양에 대해 항상 유일한 해결책만을 사용하는 것은 아니라는 점을 시사합니다. 이 연구 결과는 기능적인 단백질을 만들기 위해 자연적 서열을 모방해야 한다는 엄격한 요구가 필수적이지 않음을 보여줍니다.
이 작업은 순수하게 구조적 정확성에 기반하여 훈련된 모델이 서열 회복에 기반하여 훈련된 방법들과 경쟁할 수 있음을 보여줍니다. 연구진은 자신들의 접근 방식이 자연계에 존재하지 않는 단백질을 설계할 수 있게 하여, 완전히 새로운 생물학적 도구를 만드는 문을 열어준다고 언급했습니다. 그러나 그들은 또한 한계점도 인정했습니다. 모델은 훈련에 사용하는 접힘 도구의 정확도에 의존하므로, 그 도구의 오류가 새로운 설계에 그대로 전달될 수 있습니다. 또한, 연구에서 절단된 단백질 파편들을 사용했기 때문에 때때로 복잡한 전체 길이의 구조를 재현하는 것이 불가능했습니다. 이러한 제약에도 불구하고, 핵심적인 발견은 견고합니다. 즉, 단백질의 모양이 그 생성의 주요 가이드가 될 수 있으며, 아미노산의 특정 서열은 생각보다 훨씬 더 유연하다는 것입니다. 연구는 과학자들이 역사적인 레시피보다는 최종 형태에 집중함으로써, 자연적 진화의 한계를 넘어 단백질 설계의 가능성을 확장할 수 있다고 결론짓습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.