Parameter-Efficient Adaptation of Protein Language Models for Dual-Target Antimicrobial Peptide Discovery Under Strict Homology Constraints

세계는 약 상국(medicine cabinets)에서 발생하는 조용한 위기에 직면해 있습니다. 수십 년 동안 의사들은 박테리아를 죽이기 위해 작은 화학 분자에 의존해 왔지만, 이 박테리아들은 살아남는 법을 배우며 우리의 가장 강력한 약물들을 무용지물로 만드는 방어 기제를 진화시키고 있습니다. 이러한 증가하는 내성은 일상적인 감염을 생명을 위협하는 사건으로 바꿀 위험이 있습니다. 이에 대응하여, 과학자들은 자연의 자체 무기인 항균 펩타이드(antimicrobial peptides)로 눈을 돌리고 있습니다. 이것들은 많은 생명체에서 면역 체계의 첫 번째 방어선 역할을 하는 단백질의 구성 성분인 아미노산의 짧은 사슬입니다. 특정 내부 기제를 표적으로 삼는 전통적인 항생제와 달리, 이 펩타이드들은 박테리아 세포의 외벽을 물리적으로 공격하여 세포가 터질 때까지 구멍을 뚫는 방식으로 작동합니다. 이러한 공격 방식은 박테리아가 저항하기 훨씬 더 어렵습니다. 그러나 중요한 함정이 있습니다. 인간 세포와 박테리아 세포의 외벽이 유사한 특징을 공유하기 때문에, 이 강력한 펩타이드들은 종종 인간의 혈구 세포까지 손상시켜 약물로서 사용하기에 안전하지 않은 독성을 유발하곤 합니다.

연구자들의 과제는 이 펩타이드들이 박테리아를 죽일 만큼 사나우면서도 인간 세포에는 해를 끼치지 않을 만큼 부드럽도록 설계하는 방법을 찾는 것이었습니다. 오랫동안 컴퓨터 모델은 이 차이를 식별하는 데 어려움을 겪었으며, 새로운 펩타이드가 인간 세포와 박테리아에 대해 어떻게 행동할지 예측하라는 요청을 받았을 때 종종 실패했습니다. 파키스탄 국립 컴퓨터 및 신흥 과학 대학교(National University of Computer and Emerging Sciences)의 람샤 자트(Ramsha Jat)와 시에다 라비아 에자즈(Syeda Ravia Ejaz)의 최근 연구는 이 문제에 대한 새로운 접근법을 제시합니다. 그들은 펩타이드가 박테리아를 죽이는 것과 인간에게 해를 끼치는 것 사이의 미묘한 차이를 식별하는 법을 배우는 동시에, 시스템이 단순히 특정 사례를 암기하는 것이 아니라 일반적인 규칙을 학습하도록 보장하는 컴퓨터 시스템을 개발했습니다.

연구진은 이미 수억 개의 단백질 서열을 학습하여 단백질의 구조와 거동에 대한 깊고 직관적인 이해를 갖춘 ESM-2라는 거대하고 기존의 인공지능 모델 위에 자신들의 시스템을 구축했습니다. 하지만 이 거대한 모델에 단순히 약물의 효과를 예측하도록 요청하는 것은 충분히 효과적이지 않았으며, 특히 새로운 미지의 서열에 대해 테스트할 때 그러했습니다. 모델이 너무 경직되어 있었기 때문입니다. 이를 해결하기 위해 연구진은 거대 모델 위에 매우 작고 유연한 학습 층을 추가했습니다. 거대 모델을 다시 쓸 수 없는 방대한 지식의 도서관이라고 상상하고, 새로운 층을 연구자들이 메모를 적을 수 있는 포스트잇이라고 상상해 보십시오. 그들은 매개변수 효율적 적응(parameter-efficient adaptation)이라는 기술을 사용하여 전체 정보의 약 0.70%만을 조정했습니다. 이를 통해 생물학에 대한 광범위한 이해를 깨뜨리거나 엄청난 컴퓨팅 파워를 요구하지 않으면서도, 모델에게 항균 펩타이드의 특정 규칙을 가르칠 수 있었습니다.

가장 어려운 작업은 컴퓨터가 두 가지 상충하는 목표를 동시에 달성하도록 가르치는 것이었습니다. 시스템은 펩타이드가 박테리아를 얼마나 잘 죽이는지 예측하는 동시에, 그것이 인간의 적혈구에 얼마나 독성이 있는지를 예측하는 법을 배워야 했습니다. 보통 컴퓨터가 두 가지 어려운 과업을 동시에 학습하려고 하면 혼란을 겪게 되며, 한쪽 또는 양쪽 과업의 성능이 떨어지게 됩니다. 연구진은 컴퓨터가 학습하는 동안 각 과업에 얼마나 많은 주의를 기울일지 결정할 수 있는 방법을 제공함으로써 이 문제를 해결했습니다. 만약 시스템이 독성 예측에 어려움을 겪고 있다면, 시스템은 박테리아 살상 예측이라는 더 쉬운 과업이 학습 과정을 지배하게 두는 대신, 해당 영역을 개선하기 위해 자동으로 초점을 이동했습니다. 이러한 역동적인 균형 잡기 덕분에 시스템은 한 과업이 다른 과업을 방해하지 않으면서 두 가지 기술을 모두 숙달할 수 있었습니다.

연구팀이 새로운 시스템을 테스트했을 때, 결과는 이전 방법들에 비해 괄목할 만한 개선을 보여주었습니다. 연구진은 데이터 누출(data leakage)을 방방지하기 위해 설계된 엄격한 테스트를 통해 모델을 평가했는데, 여기서 컴퓨터는 훈련 중에 본 적 없는 매우 다른 펩타이드의 거동을 예측해야 했습니다. 이러한 엄격한 테스트에서, 새로운 시스템은 E. coli(대장균) 박테리아에 대한 펩타이드의 효능을 높은 정확도로 예측하는 데 성공했으며, 이는 고정된 모델이나 단순한 선형 추측에 의존했던 기존 방식들을 훨씬 능가했습니다. 더 중요한 것은, 이 시스템이 이전의 가장 진보된 모델들조차 당혹스럽게 했던 과업인 인간 독성을 훨씬 더 높은 신뢰도로 예측하는 법을 배웠다는 점입니다. 시스템은 펩타이드의 특정 구조적 특징과 안전 프로필을 연결하는 명확한 패턴을 찾아냈습니다.

시스템이 실제 세계에서 유용할 수 있음을 증证明하기 위해, 연구진은 이전에 존재한 적이 없는 749개의 새로 설계된 펩타이드 라이브러리를 스크리닝하는 데 이 시스템을 사용했습니다. 컴퓨터는 각 펩타이드를 분석하여 박테리아를 죽이는 능력과 인간 세포에 해를 끼칠 가능성을 모두 예측했습니다. 이 큰 집단으로부터 시스템은 매우 유망한 몇 가지 후보군을 성공적으로 분리해 냈습니다. 최고의 성과를 보인 후보들은 놀라운 균형을 보여주었습니다. 즉, 박테리아를 죽이는 데 매우 효과적이면서도 인간 세포에는 거의 전혀 해롭지 않을 것으로 예측되었습니다. 가장 우수한 후보 중 하나는 치료 지수(효과 대비 안전성 척도)가 144 이상인 것으로 예측되었습니다. 이는 박테리아를 죽이는 데 필요한 양이 인간 세포에 해를 끼치는 양보다 144배 이상 작다는 것을 의미합니다. 반면, 시스템은 너무 독성이 강한 다른 펩타이드들을 정확히 식별하여 거부함으로써, 인간의 혈액에 손상을 줄 가능성이 있는 것들을 걸러냈습니다.

이 연구는 거대한 사전 학습된 인공지능 모델을 정교하게 적응시킴으로써, 과학자들이 생명을 구하는 약물을 설계하는 새로운 능력을 열 수 있음을 보여줍니다. 이 연구는 시스템이 적절한 제약 조건과 균형 메커니즘을 가지고 훈련된다면, 컴퓨터가 생명을 구하는 약물과 독성 물질 사이의 미세한 경계를 이해하도록 가르치는 것이 가능하다는 것을 입증합니다. 비록 이러한 결과는 현재 컴퓨터 시뮬레이션에 기반하고 있으며, 생명체 내에서의 안전성과 효과를 확인하기 위한 추가적인 실험실 테스트가 필요하지만, 이 연구는 차세대 항생제 발견을 가속화할 수 있는 강력한 새로운 도구를 제공합니다. 이는 약물 저항성 박테리아와의 싸움에서 나아갈 길을 제시하며, 의학의 미래가 친구와 적을 구분할 줄 아는 스마트한 펩타이드에 있을 수 있음을 시사합니다.