Interaction-Token Structural Alignment (ITSA): An Interpretable Framework for Protein Similarity Based on Residue-Level Chemical Interactions

생명의 구성 요소들이 사용하는 비밀 언어

인체를 북적이는 도시라고 상상해 보세요. 그리고 우리 몸속의 단백질은 모든 것이 원활하게 돌아가도록 유지하는 마천루, 다리, 그리고 발전소라고 생각할 수 있습니다. 수십 년 동안 이 단백질들이 어떻게 작동하는지 이해하려 노력해 온 과학자들은 마치 설계도를 살펴보는 도시 계획가처럼 행동해 왔습니다. 그들은 주로 건물의 형태(shape), 즉 건물이 얼마나 높은지, 층수가 몇 개인지, 그리고 3D 공간에 방들이 어떻게 배치되어 있는지에 집중했습니다. 만약 두 건물이 겉보기에 비슷하다면, 계획가들은 그것들이 아마도 같은 목적으로 지어졌을 것이라고 가정했습니다. **구조적 정렬(structural alignment)**이라 불리는 이 접근 방식은 매우 유용했습니다. 이는 마치 도서관 내부를 한 번도 가본 적이 없더라도, 커다란 돔과 시계탑이 있다는 이유만으로 그곳이 도서관임을 알아보는 것과 같습니다.

하지만 외형만 보는 데에는 문제가 있습니다. 때로는 두 건물이 거리에서 보기에 완전히 다를 수 있습니다. 하나는 매끄러운 유리 타워이고, 다른 하나는 벽돌 창고일 수 있지만, 내부를 들여다보면 둘 다 정확히 똑같은 도서관 구조를 갖추고 있을 수 있습니다. 즉, 똑같은 책장, 똑같은 독서 공간, 똑같은 조용한 구석 자리를 가지고 있는 것입니다. 생물학의 세계에서 이는 두 단백질이 매우 다른 전체 형상을 가지고 있더라도, 그들의 **국소적 화학적 상호작용(local chemical interactions)**이 동일하기 때문에 정확히 같은 기능을 수행할 수 있음을 의미합니다. 이러한 상호작용은 특정 지점에서 원자들을 붙잡아 주는 보이지 않는 접착제, 자석, 혹은 벨크로(찍찍이)와 같습니다. 과학자들은 단백질의 기능을 진정으로 이해하기 위해서는 단순히 '마천루'의 형태를 넘어, 이러한 화학적 연결의 '내부 인테리어'를 읽어야 한다고 오랫동안 의심해 왔습니다. 바로 이 지점에서 새로운 연구가 등장하여 다음과 같은 질문을 던집니다. "우리가 단백질의 외부 실루엣이 아니라 내부 화학 성분을 통해 비교할 수 있을까?"

---

"화학적 지문"의 혁명

이 퍼즐을 풀기 위해 Samanyu Kulkarni와 Ranjita Thapa가 개발한 새로운 방법론인 ITSA(Interaction-Token Structural Alignment)가 등장했습니다. ITSA는 "이 두 단백질이 멀리서 보기에 똑같이 생겼는가?"라고 묻는 대신, "이 두 단백질이 내부에서 똑같은 화학적 대화를 나누고 있는가?"라고 묻습니다.

단백질을 고체 형태의 3D 물체가 아니라, 아미노산이라는 구슬들이 꿰어진 긴 줄이라고 생각해 보세요. 전통적인 방식은 두 줄을 공간상에서 완벽하게 일치할 때까지 비틀고 돌리려고 시도합니다. 하지만 ITSA는 다른 방식을 취합니다. ITSA는 각 구슬을 스캔하고, 그 순간 구슬이 화학적으로 무엇을 하고 있는지에 따라 작은 "토큰(token)"이나 라벨을 부여합니다. 이웃과 수소 결합을 통해 손을 잡고 있나요? 소수성(물을 싫어하는) 친구를 껴안고 있나요? 아니면 이황화 결합에 묶여 있나요? 이 방법은 단백질 전체를 이러한 화학적 토큰의 시퀀스로 변환합니다. 마치 3D 조각상을 "H-I-Y-V-P-D"(수소, 이온, 소수성 등을 나타냄)라는 비밀 코드로 번역하는 것과 같습니다.

단백질이 이러한 코드 문자열로 번로되면, ITSA는 고전적인 컴퓨터 알고리즘(Smith-Waterman)을 사용하여 이들을 정렬하고 코드가 얼마나 잘 일치하는지 확인합니다. 이는 두 개의 지구본을 비교하는 것이라기보다, 최종적으로 만들어진 케이크의 모습이 다르더라도 두 레시피가 같은 재료를 같은 순서로 사용하는지 비교하는 것에 더 가깝습니다.

그들이 발견한 것: 새로운 종류의 유사성

연구진은 이 아이디어를 형태에 따라 단백질을 분류하는 SCOP 데이터베이스의 두 거대한 단백질 데이터 세트에 적용하여 테스트했습니다.

먼저, 그들은 10개의 서로 다른 가족에서 추출한 4,950쌍의 단백질로 구성된 "큐레이션된(curated)" 세트를 살펴보았습니다. 그들은 ITSA가 같은 가족에 속하는 단백질(양성 쌍)과 그렇지 않은 단백질(음성 쌍)을 구분할 수 있는지 확인하고자 했습니다. 결과는 유망했습니다. ITSA는 AUC 0.8148이라는 점수를 기록했습니다. 이를 설명하자면, 완벽한 점수는 1.0이고 무작위 추측은 0.5입니다. 이는 ITSA가 가족 구성원을 찾아내는 데 상당히 뛰어나지만, 동일한 테스트에서 0.9157을 기록한 기존의 "형태 중심" 방식(TM-align 등)만큼은 아직 미치지 못함을 시사합니다.

하지만 특정 유형의 단백질을 살펴보았을 때 이야기는 더 흥ре로워집니다. 베타-프로펠러(beta-propellers)(반복되는 날개를 가진 회전하는 핀휠 모양의 단백질)의 경우, ITSA가 실제로 전통적인 형태 매칭 방식을 능가했습니다! ITSA는 기존 방식의 0-6355와 비교하여 AUC 0.7330을 기록했습니다. 왜 그럴까요? 베타-프로펠러는 매우 반복적이기 때문에 전체적인 형태를 맞추는 것이 혼란스러울 수 있지만, 국소적인 화학적 "대화"는 일관되게 유지되기 때문입니다. ITSA는 형태 매칭 방식이 길을 잃는 곳에서 패턴을 찾아낼 수 있었습니다.

그 후, 연구진은 ITSA를 30개 가족에서 가져온 훨씬 더 크고 무질서한 44,253쌍의 데이터 세트에 테스트했습니다. 이것은 조용한 교외가 아닌 북적이고 시끄러운 도시에서 방법을 테스트하는 것과 같습니다. 여기서 점수는 (AUC 0.7271) 떨어졌는데, 이는 작업이 더 어려워졌기 때문에 예상된 결과입니다. 그러나 AUPRC(희귀한 "좋은" 매치를 얼마나 잘 찾아내는지 측정하는 점수)는 0.1549였습니다. 이는 무작위로 추측하는 것보다 약 5.15배 더 나은 수치입니다. 이는 시끄러운 환경에서도 ITSA가 다른 방식이 놓칠 수 있는 의미 있는 화학적 연결을 여전히 찾아내고 있음을 시사합니다.

이것이 의미하는 바 (그리고 의미하지 않는 것)

저자들은 ITSA가 기존의 형태 매칭 도구를 대체하는 것이 아님을 신중하게 밝히고 있습니다. 만약 여러분이 매우 독특하고 뚜렷한 형태(글로빈이나 아연 집게와 같은)를 가진 단백질을 가지고 있다면, 기존 방식이 여전히 왕좌를 지키고 있습니다. ITSA는 그런 부분에서 기존 방식을 능가하지 못합니다.

대신, ITSA는 보완적인 관점을 제공합니다. 이는 마치 두 번째 안경을 갖는 것과 같습니다. 첫 번째 안경(기하학)이 두 단백질이 닮았기 때문에 비슷하다고 말한다면, 두 번째 안경(ITSA)은 왜 그들이 비슷할 수 있는지, 즉 어떤 화학적 논리를 공유하고 있는지를 알려줍니다. 이는 형태가 까다롭거나 반복적인 단백질의 경우, 또는 과학자들이 기능 뒤에 숨겨진 구체적인 화학적 "이유"를 이해해야 할 때 특히 유용합니다.

연구진은 또한 "화학적 토큰의 다양성"(단백질이 가진 다양한 상호작용의 종류)이 왜 어떤 가족에서는 ITSA가 더 잘 작동했는지 설명해 주는지 확인했습니다. 그들은 그것이 설명해주지 못한다는 것을 발견했습니다. 다양한 화학적 상호작용을 많이 가진 단-백질이라고 해서 반드시 매칭하기 쉬운 것은 아니었습니다. 이는 ITSA가 단순히 상호작용이 많을 때가 아니라, 화학적 상호작용이 안정적이고 반복적인 패턴으로 조직되어 있을 때 가장 잘 작동한다는 것을 시사합니다.

결론

ITSA는 단백한 전역적 형태(global shape)보다는 국소적 화학적 상호작용에 초점을 맞춘, 단백질을 비교하는 새롭고 해석 가능한 방법입니다. 모든 분야에서 최고의 형태 매칭 도구를 이기지는 못하지만, 기하학만으로는 찾을 수 없는 숨겨진 유사성을 찾아낼 수 있는 특정 상황(예: 반복적인 구조)에서 빛을 발합니다. 이는 단백질 비교를 3D 공간에서의 "틀린 그림 찾기" 게임에서 "화학적 레시피를 해독하는" 게임으로 바꾸어 놓으며, 생명의 구성 요소들이 실제로 어떻게 작동하는지에 대한 더 명확하고 설명 가능한 통찰을 제공합니다.