← 최신 논문
💻 생물정보학

Affinity-guided design of PDZ-binding peptides in a shared latent space

본 논문은 모델의 재학습 없이도 단일 표적, 오프 타겟 인지 및 이중 표적 결합 목표를 위해 PDZ-PBM 친화도의 공유 잠재 공간을 활용하여 펩타이드를 분석적으로 공식화하고 설계를 유도하는 딥러닝 방법을 제시한다.

원저자: Yamahata, I., Shimamura, T., Hayashi, S.

게시일 2026-11-13
📖 4 분 읽기☕ 가벼운 읽기

원저자: Yamahata, I., Shimamura, T., Hayashi, S.

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

모든 살아있는 세포 내부에서 단백질은 생명을 유지하는 일꾼, 전령, 그리고 구조적 지지대 역할을 합니다. 자신의 직무를 수행하기 위해 이 단백질들은 종종 서로를 붙잡아 일시적이거나 영구적인 팀을 형성해야 합니다. 이러한 붙잡기는 무작위로 일어나는 것이 아닙니다. 이는 마치 열쇠가 자물쇠에 딱 들어맞는 것처럼, 특정한 모양과 화학적 신호에 의존합니다. 단백질이 서로를 인식하는 가장 흔한 방법 중 하나는 단백질 사슬의 끝에 있는 짧은 꼬리 형태의 서열을 이용하는 것입니다. PDZ 결합 모티프(PDZ-binding motifs)라고 알려진 이 꼬리들은 PDZ 도메인이라 불리는 다른 단백질의 일치하는 주머니 속으로 미끄러져 들어갑니다. 이러한 연결은 세포를 조직화하고, 단백질이 어디로 가야 할지, 어떤 파트너와 합류할지를 결정하는 데 도움을 줍니다. 이러한 인식 규칙들은 서로 중첩되기 때문에, 하나의 꼬리 서열이 때로는 여러 다른 파트너와 결합하여 과학자들이 편집하고 싶어 하는 복잡한 상호작용의 그물을 만들어내기도 합니다. 만약 연구자들이 이 미세한 꼬리들을 미세하게 조정할 수 있다면, 단백질의 거대한 나머지 구조를 바꾸지 않고도 단백질을 새로운 위치로 경로를 변경하거나 새로운 팀을 형성하도록 강제할 수 있을 것입니다.

문제는 이러한 새로운 꼬리를 설계하는 것이 어렵다는 점이었습니다. 전통적인 컴퓨터 방식은 특정 파트너에 강력하게 결합하면서도 유사해 보이는 다른 파트너는 피해야 한다는 두 가지 상충하는 목표 사이에서 균형을 잡는 데 종종 어려움을 겪습니다. 보통 이를 해결하려면 매번 개별적인 타겟 단백질마다 별도의 맞춤형 컴퓨터 모델을 구축해야 하는데, 이는 느리고 반복적인 과정입니다. 나고야 대학교와 도쿄 과학 대학의 연구진이 발표한 새로운 연구는 다른 길을 제시합니다. 연구진은 여러 개의 별도 모델을 만드는 대신, 단일 인공지능 시스템을 훈련시켜 이러한 단백질 상호작용의 언어를 이해하도록 했습니다. 연구진은 단백질 주머니와 꼬리 서열을 하나의 공유된 보이지 않는 수학적 공간으로 매핑함으로써, 그 공간 안에서 서로 다른 방향을 가리키는 것만으로 설계 과정을 안내할 수 있다는 것을 발견했습니다.

연구진은 먼저 57,000개가 넘는 측정된 PDZ 도메인과 결합 꼬리 사이의 상호작용 데이터셋을 시스템에 입력하는 것으로 시작했습니다. 시스템은 주어진 꼬리가 주어진 주머니에 얼마나 강하게 달라붙는지를 예측하는 법을 배웠으며, 이러한 생물학적 측정값을 유사한 상호작용들이 서로 가까이 위치하는 공유된 지도 속으로 번역했습니다. 일단 이 지도가 구축되면, 연구진은 목표를 바꾸기 위해 시스템을 다시 훈련시킬 필요가 없었습니다. 특정 타겟에 강력하게 결합하는 꼬리를 찾으려면, 단순히 그 타겟을 나타내는 지점 쪽으로 탐색을 유도하면 되었습니다. 타겟에는 결합하되 유사한 원치 않는 파트너는 무시하는 꼬리를 찾으려면, 두 대상 사이의 거리를 최대화하는 방향으로 탐색을 유도했습니다. 두 가지 서로 다른 타겟에 똑같이 잘 결합하는 꼬리를 찾으려면, 두 지점의 정확히 중간 지점을 향했습니다.

이 접근 방식의 결과는 놀라웠습니다. 연구진이 특정 단백질에 더 잘 결합하도록 기존의 꼬리를 재설계하라는 명령을 내렸을 때, 컴퓨터는 최적의 후보 목록을 생성했습니다. 이 후보들을 이전에 측정된 100,000개 이상의 방대한 서열 라이브러리와 대조했을 때, 새로운 방식이 제안한 최고의 선택지는 전체 라이브러리 중에서 단연 최고의 성능을 보였습니다. 더욱이, 새로운 방식이 제안한 상위 100개 후보 중 84개가 실험적으로 측정된 상위 1%의 상호작용 범위 안에 포함되었습니다. 이는 기존 방식이 해당 상위 계층에서 64개의 후보만을 찾아낸 것에 비해 현저히 앞선 성과입니다. 또한 이 시스템은 네 가지 서로 다른 단백질을 위해 완전히 새로운 10개 잔기(residue) 길이의 꼬리를 처음부터 설계하라는 요청에서도 성공했으며, 다른 선도적인 도구들이 생성한 것보다 결합 강도에 대한 컴퓨터 시뮬레이션 점수가 일관되게 더 높은 서열들을 만들어냈습니다.

이 연구는 또한 단일 모델의 유연성을 입증했습니다. 연구진이 한 단백질에는 결합하면서 특정 유사체는 피하도록 꼬리를 설계하라고 요청했을 때, 생성된 후보들은 시뮬레이션상에서 의도한 타겟에 대해 원치 않는 타겟보다 명확한 선호도를 보였습니다. 반대로, 두 가지 다른 단백질에 동시에 결합하도록 요청했을 때, 시스템은 두 단일 타겟 설계의 중간 지점에 위치하며 두 타겟 모두에 잘 작동하는 꼬리를 생성했습니다. 연구진은 생성된 서열들을 구(sphere) 위에 도식화하여 시각화함으로써, 서로 다른 설계 목표가 자연스럽게 후보들을 지도의 서로 다른 영역으로 밀어냈음을 보여주었습니다.

컴퓨터 시뮬레이션과 기존 데이터와의 비교 결과는 매우 유망하지만, 저자들은 새로 설계된 꼬리들이 물리적 행동을 확인하기 위해 아직 습식 실험실(wet lab)에서 테스트되지 않았다는 점을 언급했습니다. 현재의 성공은 컴퓨터의 예측 정확도와 정밀하게 측정하기에는 너무 약한 상호작용을 포함한 훈련 데이터의 품질에 의존하고 있습니다. 그럼에도 불구하고, 이 연구는 단백질 결합에 대한 단일한 공유 이해가 매번 처음부터 시작하지 않고도 복잡한 설계 과제를 해결하는 데 사용될 수 있음을 증명합니다. 단백을 설계하는 문제를 공유된 공간 내에서 올바른 방향을 찾는 문제로 다룸으로써, 이 방법은 미래에 세포를 결합하는 분자적 연결을 더욱 정밀하게 제어할 수 있는 길을 열어주는 효율적인 방식을 제공합니다.

연구 분야의 논문에 파묻히고 계신가요?

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

Digest 사용해 보기 →