← 최신 논문
🧬 유전학

Iterative Refinement for Structural Optimization of De Novo Protein Sequences

이 논문은 구조적 오차를 최소화하기 위해 아미노산을 치환함으로써 데 노보(de novo) 단백질 서열을 최적화하는 반복적 정밀화 절차를 소개하며, 초기 GNN 예측 대비 평균 RMSD를 통계적으로 유의미하게 43.6% 감소시켰다.

원저자: Gammill, C. M., Tamil, L.

게시일 2026-10-28
📖 3 분 읽기☕ 가벼운 읽기

원저자: Gammill, C. M., Tamil, L.

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

단백질은 생명의 일꾼으로, 살아있는 세포 내부의 모든 과업을 수행하기 위해 복잡한 3차원 구조로 접히는 아주 작은 분자 기계입니다. 단백질이 취하는 특정한 모양은 마치 열쇠의 모양이 어떤 자물쇠를 열 수 있는지를 결정하는 것과 같이, 그 단백질이 무엇을 할 수 있는지를 결정합니다. 수십 년 동안 과학자들은 단백질의 구성 성분인 아미노산의 사슬이 어떻게 뒤틀리고 회전하여 최종적인 기능적 형태를 갖추게 될지 정확히 예측하는 데 어려움을 겪어 왔습니다. 최근 몇 년 동안 인공지능은 이 '폴딩(folding)' 퍼즐을 해결하는 데 놀라운 진전을 이루었으며, 컴퓨터가 서열로부터 단백질의 모양을 높은 정확도로 추측할 수 있게 해주었습니다. 하지만 그 반대의 과제, 즉 특정한 원하는 모양으로 접힐 새로운 아미노산 서열을 처음부터 설계하는 것은 훨씬 더 어렵습니다. 이것은 '역 단백질 폴딩(inverse protein folding)'이라 불리며, AI가 후보군을 빠르게 생성할 수는 있지만 결과물인 구조에는 종종 작은 오류가 포함되곤 합니다. 신약 개발이나 합성 생물학의 세계에서 단백질 모양의 아주 미세한 편차조차도 그것을 쓸모없게 만들거나 위험하게 만들 수 있기에, 완벽한 구조적 정확성을 향한 탐구는 매우 중요한 병목 구간이 됩니다.

텍사스 대학교 달라스 캠퍼스의 연구진은 초기 설계가 이루어진 후 이러한 불완한 점들을 수정하는 새로운 방법을 개발했습니다. 이들은 처음부터 완벽한 서열을 얻으려고 노력하는 대신, 컴퓨터로 생성된 단백질을 편집이 필요한 초안으로 취급합니다. 그들의 접근 방식은 단백질 구조를 이해하도록 설계된 특화된 AI 모델이 만든 초기 서열에서 시작됩니다. 이 첫 번째 추측치는 엄격하고 단계적인 정교화 과정을 거치게 됩니다. 컴퓨터는 서열을 가져와 한 번에 하나의 아미노산을 다른 유형으로 변경한 뒤, 이 새로운 버전이 목표한 모양에 더 가깝게 접히는지 즉시 테스트합니다. 이를 위해 컴퓨터는 폴딩 과정을 수천 번 시뮬레이션하며, 새로운 모양이 이전보다 더 나은지 확인합니다. 결정적으로, 시스템은 전체적인 구조를 개선하면서도 인접한 단백질의 다른 부분이 의도한 위치에서 너무 멀어지지 않게 하는 경우에만 변경 사항을 수용합니다. 이는 분자의 한 부분을 고치는 것이 실수로 다른 부분을 망가뜨리지 않도록 보장합니다.

연구진은 이 반복적인 정교화 절차를 224개의 서로 다른 단백질 세트에 대해 테스트했습니다. 그들은 결과를 원래의 AI 예측값, 기존의 인기 있는 설계 도구인 ProteinMPNN, 그리고 자연계에서 발견되는 실제 천연 서열과 비교했습니다. 결과는 놀라웠습니다. 정교화 과정은 단백질 모양의 평균 오차를 거의 절반 가까이 줄였습니다. 구체적으로, 예측된 구조와 목표 모양 사이의 거리는 평균 8.097 옹스트롬에서 4.570 옹스트롬으로 감소했습니다. 이 규모를 체감하기 위해 설명하자면, 1 옹스트롬은 100억 분의 1 미터이며, 이는 인간의 머리카락 너비가 약 500,000 옹스트롬인 것과 같은 수준입니다. 이 개선 정도는 통계적으로 부인할 수 없을 만큼 유의미했으며, 기존의 최선책들을 큰 차이로 능가했습니다. 정교화된 서열은 초기 추측치보다 원하는 모양에 더 가까웠을 뿐만 아니라, 선도적인 대안 도구인 ProteinMPNN이 생성한 것보다도 현저히 더 정확했습니다.

그러나 이 연구는 중요한 절충 관계와 한계점도 드러냈습니다. 이 과정은 계산 비용이 많이 드는데, 최적의 편집을 찾기 위해 모든 단백질마다 수천 번의 폴딩 시뮬레이션을 실행해야 하기 때문입니다. 더욱이, 이 방법은 모양을 올바르게 만드는 데 전적으로 집중하기 때문에, 최종 아미노산 서열이 천연 단백질과는 매우 다르게 보일 수 있으며, 이는 다른 AI 모델이 해당 구조를 확신을 가지고 예측하는 것을 어렵게 만들 수 있습니다. 또한 연구진은 이 방법이 특정 크기 제한 내에 있는 단백질에 가장 효과적이라는 점을 언급했습니다. 테스트를 위해 인위적으로 길이를 줄인 더 긴 단백질의 경우, 분자의 결여된 부분이 고립된 상태에서 구조를 제대로 형성하지 못하게 만들어 결과가 덜 일관적이었기 때문입니다. 이러한 제약에도 불구하고, 이 연구는 설계 후의 '다듬기(polishing)' 단계가 합성 단백질의 품질을 극적으로 향abilir 수 있음을 보여줍니다. 첫 번째 추측이 결코 완벽하지 않다는 점을 인정하고 이를 체계적으로 정교화함으로써, 과학자들은 이제 구조적으로 훨씬 더 정확한 데 노보(de novo) 단백질을 생성할 수 있게 되었으며, 이는 맞춤형 분자 기계를 설계하려는 꿈에 한 걸음 더 다가가는 계기가 되었습니다.

연구 분야의 논문에 파묻히고 계신가요?

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

Digest 사용해 보기 →