← 최신 논문
💻 생물정보학

Proteome-scale inference of transcription factor binding motifs from predicted protein-DNA structures

이 논문은 단백질-DNA 구조를 모델링함으로써 2,543개의 제브라피시 전사 인자 전체에 대한 DNA 결합 모티프를 예측하기 위해 AlphaFold3와 NA-MPNN을 활용하는 단백질체 규모의 계산 프레임워크인 ZebraMotif를 소개하며, 이를 통해 실험 데이터만으로는 가능한 범위를 넘어 가용 모티프 데이터베이스를 크게 확장한다.

원저자: Iovino, B., Bulaong, N., Boahene, L., Law, W., Hammond, N., Potts, M., Alvarez, R., DeRisi, J. L., Pak, J., Kim, Y. J., Royer, L. A.

게시일 2026-11-19
📖 5 분 읽기🧠 심층 분석

원저자: Iovino, B., Bulaong, N., Boahene, L., Law, W., Hammond, N., Potts, M., Alvarez, R., DeRisi, J. L., Pak, J., Kim, Y. J., Royer, L. A.

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 세포 내부에는 세포가 무엇인지, 그리고 무엇을 하는지를 결정하는 거대한 분자 스위치 네트워크가 존재합니다. 이 스위치들은 전사 인자라고 불리는 단백질들에 의해 제어됩니다. 각 전사 인자는 DNA로 만들어진 고유한 자물쇠에 딱 들어맞도록 설계된 특정 열쇠처럼 작동합니다. 열쇠가 자신의 자물쇠를 찾으면 주변의 유전자를 켜거나 끔으로써, 세포에게 성장하거나, 분열하거나, 혹은 정체성을 바꾸라고 명령합니다. 생명이 어떻게 작동하는지 이해하기 위해, 과학자들은 어떤 열쇠가 어떤 자물쇠에 맞는지 정확히 알아내야 합니다. 인간과 몇몇 잘 알려진 동물들의 경우, 연구자들은 이러한 연결 고리를 지도화하기 위해 수십 년 동안 실험을 수행해 왔습니다. 하지만 체제 발달 과정을 연구하는 데 즐겨 쓰이는 작은 물고기인 제브라피시를 포함한 대부분의 종의 경우, 이 지도는 거의 백지 상태나 다름없습니다. 어떤 단백질이 어떤 DNA 서열에 결합하는지 알지 못하면, 과학자들은 생명체를 구축하는 지침을 온전히 이해할 수 없습니다.

오랫동안 이러한 빈칸을 채우는 유일한 방법은 모든 단백질에 대해 느리고 비용이 많이 드는 실험실 테스트를 수행하는 것이었으나, 이는 수천 개의 단백질을 한꺼번에 완료하기에는 불가능한 작업이었습니다. 과학자들은 다른 동물에 있는 유사한 단백질들을 살펴보며 누락된 조각들을 추측하려 노력했지만, 이 방법은 동물들이 서로 너무 다를 때 자주 실패하곤 했습니다. 이제, 한 연구팀이 실험실에 들어가지 않고도 이 퍼즐을 풀 수 있는 새로운 방법을 찾아냈습니다. 그들은 강력한 컴퓨터 프로그램을 사용하여 이 단백질들이 DNA를 붙잡는 3D 형태를 예측했고, 그 형태를 이용해 각 단백질이 선호하는 정확한 DNA 서열을 파악했습니다. 이 방법을 제브라피시의 전체 단백질 세트에 적용함으로써, 그들은 이 종에 대한 최초의 포괄적인 DNA 결합 지도를 만들어냈으며, 이전에는 알려지지 않았던 수천 개의 새로운 연결 고리를 밝혀냈습니다.

연구진은 다음과 같은 간단한 질문에서 시작했습니다. 만약 컴퓨터가 단백질이 DNA 조각을 붙잡고 있는 형태를 예측할 수 있다면, 올바른 DNA 조각과 무작위의 DNA 조각을 구별할 수 있을까? 그들은 단백질의 형태를 예측하는 것으로 유명한 알파폴드3(AlphaFold3)라는 정교한 인공지능 시스템을 사용했습니다. 그들은 제브라피시 단백질의 서열과 특정 DNA 서열을 컴퓨터에 입력하여, 두 분자가 결합했을 때 어떤 모습일지를 모델링하도록 했습니다. 그들은 각 단와를 각각의 단백질과 결합해야 할 대상 DNA, 그리고 무시해야 할 무작위 DNA 서열과 짝지어 수천 번의 조합을 수행했습니다. 컴퓨터는 각 예측에 대해 신뢰 점수를 부여했는데, 이는 본질적으로 두 분자가 해당 방식으로 결합하는 데 있어 얼마나 확신하는지를 연구자들에게 알려주는 역할을 했습니다.

결과는 컴퓨터가 이 작업에 매우 뛰어나다는 것을 보여주었습니다. 테스트된 대부분의 단백질에 대해, 모델은 단백식이 올바른 DNA 표적과 짝지어졌을 때 무작위 서열과 짝지어졌을 때보다 훨씬 높은 신뢰 점수를 부여했습니다. 이는 컴퓨터가 좋은 매칭과 나쁜 매칭을 걸러내는 필터 역할을 할 수 있음을 의미했습니다. 연구진은 예측하기 가장 쉬운 단백질들이 컴퓨터가 가장 명확하게 구별해낼 수 있는 단백질들이라는 점을 발견했습니다. 컴퓨터가 단백질-DNA 복합체의 형태에 대해 매우 높은 확신을 가질 때, 그것은 거의 항상 올바른 매칭이었습니다. 이 발견은 그들에게 훨씬 더 큰 규모의 탐색에 사용할 수 있는 신뢰할 만한 신호를 제공했습니다.

이 신호를 손에 쥔 연구팀은 제브라피시의 모든 전사 인자에 대한 결합 규칙을 찾기 위한 대규모 스크리닝을 시작했습니다. 그들은 발달 중인 물고기 배아에서 활성화되는 것으로 알려진 게놈 영역에서 유래한 잠재적 DNA 서열 라이브러리로 시작했습니다. 그런 다음 모든 제브라피시 전사 인자를 이러한 후보 서열들과 짝지어, 어떤 조합이 가장 안정적이고 확신 있는 구조를 형성하는지 보기 위해 수백만 번의 컴퓨터 시뮬레이션을 실행했습니다. 각 단백질에 대해, 컴퓨터가 단백질과 DNA가 함께 속해 있다고 가장 확신하는 상위 매칭들만을 남겼습니다.

이러한 개별적인 스냅샷을 사용 가능한 지도로 바꾸기 위해, 연구진은 최적의 매칭 형태를 분석하는 또 다른 도구를 사용했습니다. 이 도구는 단백질이 DNA와 접촉하는 특정 원자들을 살펴보고 선호도의 패턴을 계산했습니다. 이 도구는 다음과 같이 물었습니다. '이 단백질은 첫 번째 위치에서 A를 좋아하는가, 아니면 G를 좋아하는가?' 동일한 단백질에 대한 많은 고신뢰도 예측 결과들을 결합함으로써, 그들은 해당 단백질이 찾는 DNA 서열이 정확히 무엇인지 설명하는 상세한 프로필, 즉 '모티프(motif)'를 구축했습니다. 그들은 2,500개가 넘는 전사 인자에 대해 이 과정을 반복하여 '제브라모티프(ZebraMotif)'라는 데이터베이스를 만들었습니다.

새로운 데이터베이스는 이전의 어떤 컬렉션보다 약 3배 더 많은 제브라피시 단백질을 다룹니다. 이 연구 이전에는 실험적 데이터가 제브라피시 단백질의 약 3분의 1에 대해서만 존재했으며, 그마저도 인간의 데이터를 기반으로 한 추측인 경우가 많았습니다. 새로운 지도는 나머지 대다수의 단백질에 대해 직접적인 구조 기반 예측을 제공합니다. 연구진이 컴퓨터로 생성된 지도를 실험을 통해 이미 정답이 알려진 소수의 단백질에 대해 테스트했을 때, 컴퓨터가 생성한 지도는 주요 예측에 대해 실제 데이터와 약 절반 정도 일치했으며, 상위 몇 가지 가능성을 살펴볼 때는 훨씬 더 높은 일치율을 보였습니다. 이 방식은 컴퓨터가 이 특정 물고기 단백질들에 대한 실험 데이터를 전혀 본 적이 없었다는 점을 고려할 때 매우 인상적인 정확도입니다.

연구진은 또한 이 새로운 지도들이 생물학적으로 타당한지를 확인했습니다. 그들은 특정 DNA 서열에 결합할 것으로 예측된 단백질들이 실제로 그 DNA가 열려 있고 접근 가능한 세포 내에서 활성화되어 있는지 확인했습니다. 그들은 새로운 지도가 기존의 실험적 유래 지도에서 나타나는 것과 유사하게, 단백질의 존재와 표적 부위의 접근성 사이에 강한 연관성을 보여준다는 것을 발견했습니다. 이는 컴퓨터 예측이 단순한 수학적 산물이 아니라 실제 생물학적 규칙을 반영하고 있음을 시사합니다. 나아가, 그들이 이 새로운 지도를 사용하여 발달 중인 물고기 배아의 유전자 조절 네트워크를 재구성했을 때, 새로운 데이터는 누락된 연결 고리들을 채워 넣으며 이전에는 보이지 않았던 방식대로 서로 다른 단백질들이 발달을 제어하기 위해 어떻게 협력하는지를 보여주었습니다.

이 접근 방식은 시작하기 위해 새로운 실험실 실험을 필요로 하지 않습니다. 오직 생명체의 유전 코드와 테스트할 잠재적 DNA 서열 목록만 있으면 됩니다. 이 때문에 이 방법은 실험적 결합 데이터가 존재하지 않는 종을 포함하여 어떤 종에도 적용될 수 있습니다. 연구진은 이를 입증하기 위해 수십 년 동안 발달 연구의 모델로 사용되어 왔지만 정작 이 특정 지식은 부족했던 제브라피시의 완전한 지도를 만들었습니다. 이 방법이 완벽하지는 않으며 안정적인 형태로 접히는 단백질에 가장 잘 작동하지만, 이는 생명의 유전적 논리를 생명의 나무 전체에 걸쳐 이해할 수 있는 문을 열어주며, 한때 불가능해 보였던 과업을 일상적인 계산 작업으로 바꾸어 놓았습니다.

연구 분야의 논문에 파묻히고 계신가요?

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

Digest 사용해 보기 →