XAMPGen: An Interpretable SI Pipeline For Novel Antimicrobial Peptide Discovery

수십 년 동안 의료계는 커지는 위기에 직면해 왔습니다. 박테리아가 우리가 생명을 구하기 위해 의존하는 항생제들을 따돌리는 법을 배우고 있기 때문입니다. 전통적인 항생제는 종종 특정 열쇠가 특정 자물쇠에 딱 들어맞는 것처럼 작동하여, 박테리아 세포의 단일 부분을 표적으로 삼습니다. 이처럼 매우 정밀하기 때문에, 박테리아는 그 열쇠를 막기 위해 새로운 형태로 진화할 수 있으며, 이는 결국 약물을 무용지물로 만듭니다. 하지만 자연은 다른 전략을 가지고 있습니다. 수백만 년 동안 생명체들은 항균 펩타이드라고 불리는 짧은 아미노산 사슬을 만들어 왔습니다. 이것들은 정밀한 열쇠라기보다는 박테리아의 외벽인 세포막을 공격하는 넓고 유연한 도구에 가깝습니다. 이 외벽은 박테리아의 생존에 필수적이며 이를 변경하려면 파괴가 동반되어야 하므로 수정하기가 매우 어렵기 때문에, 박테리아가 이 펩타이드에 대해 저항성을 발달시키기는 훨씬 더 어렵습니다. 과학자들의 과제는 항상 이러한 아미노산들의 적절한 조합을 찾아내어 새로운, 효과적인 펩타이드를 만드는 것이었습니다. 가능성의 공간은 매우 방대하며, 실험실에서 하나씩 테스트하는 것은 느리고 비용이 많이 들며 종종 헛된 노력이 되기도 합니다.

연구팀은 이제 인공지능의 힘과 그 지능이 정확히 어떻게 작동하는지를 이해하는 방법을 결합하여 이 방대한 공간을 탐색하는 새로운 방법을 개발했습니다. 그들은 단백질의 언어를 학습한 유형의 컴퓨터 모델을 사용하여 새로운 항균 펩타이드를 발명하는 XAMPGen이라는 시스템을 만들었습니다. 결과만 내놓고 설명은 하지 않는 '블랙박스'처럼 이러한 컴퓨터 모델을 취급했던 이전의 시도들과 달리, 이 팀은 모델의 층을 벗겨내어 그것이 어떻게 생각하는지 볼 수 있는 파이프라인을 구축했습니다. 그들은 단순히 새로운 서열을 생성한 것이 아니라, 모델이 실제 생물학적 규칙을 학습했음을 증м했고, 그들이 만든 결과물이 실제로 작동함을 실험실에서 확인했습니다. 그 결과, 새롭게 설계된 펩타이드들은 박테리아에 강력할 뿐만 아니라, 왜 효과적인지에 대한 명확하고 이해 가능한 설명까지 갖추게 되었습니다.

연구진은 먼저 ProGen이라고 알려진 거대 컴퓨터 모델에게 항균 펩타이드의 언어를 말하도록 가르쳤습니다. 이 모델은 이미 자연계의 수백만 개의 단백질 서열을 학습하여 단백질을 결합시키는 통계적 패턴을 익힌 상태였습니다. 연구팀은 이 모델을 잘 알려진 항균 펩타이드에 맞춰 미세 조정(fine-tuning)하여, 무엇이 효과적이고 무엇이 그렇지 않은지에 대한 사례를 보여주었습니다. 이 과정을 효율적으로 만들기 위해, 그들은 거대한 전체 시스템을 다시 훈련시키는 대신 모델의 내부 설정 중 아주 작은 부분만을 업데이트할 수 있는 기술을 사용했습니다. 훈련이 완료되자 모델은 수천 개의 새로운 펩타이드 서열을 생성하기 시작했습니다. 그러나 컴퓨터가 단순히 서열을 내뱉는다고 해서 그것이 완벽하다고 가정할 수는 없습니다. 반드시 필터링 과정이 필요합니다. 연구팀은 생성된 서열 중 어떤 것이 효과적일 가능성이 높은지 예측하고 그 효능을 추정하는 두 번째 도구 세트를 구축했습니다. 그들은 길이, 화학적 균형, 그리고 예측된 강도를 기준으로 가장 유망해 보이는 최종 15개의 펩타이드 그룹으로 후보군을 좁혔습니다.

이 15개의 펩타이드가 합성되기도 전에, 연구팀은 컴퓨터의 선택 뒤에 숨겨진 논리를 이해하고자 했습니다. 그들은 컴퓨터 모델을 정보가 한 스테이션에서 다음 스테이션으로 전달되는 깊고 다층적인 공장처럼 취급했습니다. 각 스테이션에서의 내부 활동을 조사함으로써, 그들은 모델이 지식을 특정 방식으로 조직한다는 것을 발견했습니다. 프로세스의 초기 단계에서 모델은 개별 구성 요소에 집중하는 반면, 후기 단계에서는 복잡한 패턴을 인식하기 시작합니다. 그들은 모델이 항균 효과 여부에 대한 가장 유용한 정보를 보유하고 있는 프로세스 중간의 특정 단계를 식별했습니다. 이 단계에서 그들은 모델이 펩타이드 서열의 서로 다른 부분들을 어떻게 연결하는지 살펴보았습니다. 그들은 모델이 특정 패턴, 예를 들어 한쪽 끝에 있는 양전하를 띤 아미노산 클러스터와 다른 쪽 끝에 있는 소수성(물과 친하지 않은) 아미노산의 특정 서열에 특별히 주의를 기울이도록 학습했다는 것을 발견했습니다. 이러한 패턴은 자연적인 펩타이드가 박테리아 막을 공격하는 방식에 대해 과학자들이 이미 알고 있는 내용과 일치했으며, 이는 컴퓨터가 단순히 데이터를 암기한 것이 아니라 올바른 생물학적 규칙을 학습했음을 확인시켜 주었습니다.

이러한 이해를 바탕으로, 연구팀은 실험실로 이동하여 컴퓨터의 창조물이 실제로 작동하는지 확인했습니다. 그들은 선택된 15개의 펩타이드를 합성하여 장내 감염을 일으키는 박테리아와 피부 감염을 일으키는 박테리아, 두 가지 흔한 유형의 박테리아를 대상으로 테스트했습니다. 결과는 놀라웠습니다. 테스트한 모든 펩타이드가 항균 활성을 보였습니다. 몇몇 새로운 설계는 그 기반이 된 천연 템플릿보다 훨씬 더 강력하여, 일부는 1 마이크로몰 농도만큼 낮은 농도에서도 박테리아를 죽였습니다. 이 새로운 펩타이드들이 왜 그렇게 효과적인지 이해하기 위해, 연구진은 이들이 인공 박테리아 세포막과 어떻게 상호작용하는지 조사했습니다. 그들은 가장 성공적인 펩타이드들이 특정한 구조적 행동을 보인다는 것을 발견했습니다: 즉, 물속에서는 유연하지만 막에 닿으면 단단한 나선형 모양으로 변한다는 것입니다. 이 나선형 모양 덕분에 이들은 박테리아 껍질에 단단히 고정되어 구조를 무너뜨릴 수 있었습니다.

이 연구는 또한 이 펩타이드들이 어떻게 기능하는지에 대한 놀라운 세부 사항을 밝혀냈습니다. 컴퓨터는 체인의 시작 부분에 있는 커다란 소수성 아미노이드가 체인의 끝에 있는 또 다른 커다란 소수성 아미노이드와 완벽하게 정렬되도록 하는 특정 배치를 자연스럽게 선택했습니다. 이러한 정렬은 펩타이드가 막을 뚫고 들어가는 데 도움이 되는 강력한 닻을 형성했습니다. 더욱이, 모델은 일관되게 체인 중간에 글리신이라는 작고 유연한 아미노산을 배치했습니다. 이것은 경첩 역할을 하여, 펩타이드의 두 부분이 막에 삽입될 때 형태를 조절할 수 있게 해주었습니다. 이러한 특징들은 무작위적인 것이 아니었습니다. 그것들은 펩타이드가 제 역할을 수행하기 위해 필요한 바로 그 물리적 메커니즘이었습니다. 이들의 의사결정 과정 내부를 들여다보는 새로운 방법을 사용함으로써, 연구진은 이러한 특정 특징들을 지목하고 왜 새로운 펩타이드들이 효과적인지에 대해 명확하게 설명할 수 있었습니다.

이 연구는 인공지능가 단순한 추측 도구 그 이상, 즉 생물학적 세계에 대한 명확한 통찰력을 제공하는 발견의 파트너가 될 수 있음을 보여줍니다. 연구팀은 모델을 해석 가능하게 만듦으로써, 생성된 서열을 신뢰할 수 있고 그 성공 뒤에 숨겨진 물리적 이유를 이해할 수 있다는 것을 입증했습니다. 그들이 설계한 펩타이드는 단지 이론적인 것이 아니라, 기존의 많은 옵션보다 더 뛰어난 성능을 발휘하는 실제 분자였습니다. 이 연구는 생성적 설계와 그 설계가 작동하는 방식에 대한 깊은 이해를 결려한 이 접근법이 새로운 의약품의 발견을 가속화할 수 있음을 시사합니다. 이는 항생제 내성에 맞선 싸움에 있어 하나의 길을 제시하며, 점점 더 정복하기 어려워지는 박테리아에 맞서 새로운 무기를 빠르게 생성하고 검증할 수 있는 방법을 제공합니다. 이 파이프라인의 성공은 우리가 이제 컴퓨터를 사용하여 새로운 해결책을 찾는 것뿐만 아니라, 그 해결책을 만드는 근본적인 원리를 이해할 수도 있음을 증명합니다.