Integrated Machine Learning, Molecular Docking, and Molecular Dynamics Simulations Design Novel Peptide Inhibitors of Rabies Virus Glycoprotein

기술 요약: 통합 머신러닝, 분자 도킹 및 분자 동역학 시뮬레이션을 이용한 광견병 바이러스 당단백질의 신규 펩타이드 억제제 설계

문제 제기
광견병은 전 세계적으로 연간 약 55,000명의 사망자를 발생시키는 매우 치명적인 바이러스성 인수 공통 질환이며, 대부분의 사망은 아시아와 아프리카에서 발생합니다. 이 질병은 광견병 바이러스(RABV)에 의해 발생하며, 여기서 당단백질(RABV-G)은 숙주 세포 인식 및 바이러스 침입의 주요 결정 요리 역할을 합니다. RABV-G는 니코틴성 아세틸콜린 수용체(nAChR)를 포함한 숙주 수용체와 상호작용하는데, 이는 신경독소인 $\alpha$-붕가로톡신($\alpha$-bungarotoxin)과 공유되는 메커니즘입니다. RABV-G는 항바이러스제 개발 및 백신 설계의 검증된 표적이지만, 자연 독소와 관련된 신경 독성 없이 바이러스-수용체 상호작용을 특이적으로 차단할 수 있는 새로운 치료제가 절실히 필요합니다. 본 연구는 $\alpha$-붕가로톡신의 수용체 결합 모티프를 모방하되 그 독성은 제거한 안전하고 비독성인 펩타이드 억제제를 설계하는 과제를 다룹니다.

연구 방법론
본 연구는 펩타이드 공학, 머신러닝(ML), 딥러닝(DL) 및 구조 생물학 시뮬레이션을 통합한 다단계 in silico 파이프라인을 채택하였습니다:

1. 표적 모델링: SWISS-MODEL(템플릿 6lgx.1.A)을 사용하여 RABV-G 단백질의 3D 구조 모델을 생성하였으며, 라마찬드란 플롯 분석을 통해 92.5%의 잔기가 선호 영역에 있음을 확인하여 유효성을 검증하였습니다.
2. 펩타이드 라이브러리 설계: $\alpha$-붕가로톡신의 아미노산 서열로부터 시작하여 펩타이드 유사체 라이브러리를 구축하였습니다. 설계 전략은 독소 서열을 단편화하고 특정 물리화학적 그룹(산성, 염기성, 소수성 등) 내에서 체계적인 점 돌연변이(point mutagenesis)를 적용하여, 결합 모티프는 유지하면서 신경 독성은 제거하는 방식을 취했습니다.
3. 독성 스크리닝 (ML-DL 프레임워크): 지도 학습(Random Forest, SVM, KNN)과 딥러닝(오토인코더를 포함한 심층 신경망)을 결합한 하이브리드 프레임워크를 활용하였습니다. 물리화학적 기술자(소수성, 전하, Boman 지수)를 기준으로 펩타이드를 스크리닝하였으며, 이 이중 모델 접근법을 통해 초기 풀에서 163개의 잠재적 독성 후보를 걸러내고 40개의 비독성 펩타이드를 남겼습니다.
4. 물리화학적 및 항바이러스 프로파일링: 40개의 후보 물질은 ProtParam 및 AVP-IC50Pred와 같은 도구를 사용하여 안정성, 용해도 및 예측 항바이러스 활성(IC50)을 분석하였습니다.
5. 분자 도킹: HADDOCK 및 HDOCK 서버를 사용하여 고차원 모호성 기반 단백질-펩타이드 도킹을 수행함으로써, RABV-G 결합 포켓과의 결합 모드 및 친화도를 식별하였습니다. DoGSiteScorer를 통해 결합 포켓의 핵심 잔기(예: Glu272, Glu279, Asp283)를 식별하였습니다.
6. 분자 동역학 시뮬레이션 (MDS): 상위 후보군을 대상으로 Desmond 모듈을 사용하여 100 ns MDS를 수행하였습니다. 안정성은 RMSD, RMSF, 수소 결합 분석, 주성분 분석(PCA), 자유 에너지 지형(FEL) 및 동적 상관관계 행렬(DCCM)을 통해 평가되었습니다.

주요 결과

• 리드 후보 물질 식별: 평가된 후보들 중 **P40 (MKMKCHTTATMKIV)**이 가장 유망한 억제제로 나타났습니다. P40은 가장 유리한 HADDOCK 점수인 -90.0 ± 3.8과 결합 자유 에너지($\Delta G$) -10.3 kcal/mol, 그리고 예측 해리 상수($K_d$) $2.7 \times 10^{-8}$ M를 기록했습니다. 초록에서는 P40을 최상위 후보로 명시하였으며, 그 뒤를 이어 P3 (CLDLGYTIVCHTTATSPI) (점수 -86.3), P25 (MKIVCHTTMKSPMK) (점수 -86.0), P21 (MKIVCHTTATSPMKV) (점수 -75.0)가 선정되었습니다.
• 이차 후보군: 펩타이드 P3, P25, P21 또한 경쟁력 있는 도킹 점수와 결합 친화도를 보였습니다. 특히 P25는 P21(-75.0)보다 우수한 HADDOCK 점수(-86.0)를 보여, 특정 지표(HADDOCK vs. 결합 자유 에너지)에 따라 두 번째 또는 세 번째로 강한 결합체로 분류되었으나, 도킹 친화도 측면에서는 일관되게 P21보다 높은 순위를 차지했습니다.
• 상호작작용 메커니즘: 도킹 및 상호작작용 분석 결과, 리드 펩타이드들은 핵심 잔기인 Glu272, Glu279, Asp283, Lys276, Arg297을 포함하는 RABV-G의 특정 포켓에 결합함을 확인했습니다. 결합은 염기성 펩타이드 잔기(Lys/His 등)와 산성 단백질 잔기 사이의 정전기적 상호작용 및 소수성 접촉의 조합에 의해 안정화됩니다.
• 동적 안정성: MDS 결과, P40-RABV-G 복합체는 100 ns 시뮬레이션 동안 낮은 RMSD(2–4 Å)와 RMSF 값을 유지하며 구조적 안정성을 빠르게 확보했습니다. 자유 에너지 지형 분석은 P40이 깊고 잘 정의된 에너지 분지(energy basin)를 형성함을 보여주었으며, 이는 더 유연한 결합되지 않은 단백질이나 다른 펩타이드 복합체와 비교했을 때 매우 안정적인 형태를 가짐을 나타냅니다.
• 구조-활성 관계 (SAR): 본 연구는 중간 또는 높은 등전점, 특정 CHTT 포함 모티프, 그리고 14–16개 아미노산 길이를 가진 펩타이드들이 가장 강력한 예측 항바이러스 잠재력을 보인다는 것을 확인했습니다.

의의 및 주장
본 논문은 RABV-G에 대한 펩타이드 억제제의 de novo 설계를 위한 통합된 계산 전략을 성공적으로 입증했다고 주장합니다. 본 연구의 의의는 다음과 같습니다:

• 설계에 의한 안전성 확보: $\alpha$-붕가로톡신 유래 서열에서 신경 독성을 성공적으로 제거하면서도 수용체를 표적하는 능력을 유지했습니다.
• 방법론적 통합: 독성 스크리닝을 위한 하이브리드 ML-DL 프레임워크의 효과적인 사용과 엄격한 구조 검증 및 동역학 시뮬레이션을 결합하여, 견고한 항바이러스 펩타이드 발견 파이프라인을 제공했습니다.
• 치료적 잠재력: 안정적이고 높은 친화력을 가진 결합체인 **P40 (MKMKCHTTATMKIV)**의 식별은 펩타이드 기반 광견병 치료제 개발을 위한 유망한 리드 후보임을 시사합니다. 초록은 $\alpha$-붕가로톡신 유래 펩타이드가 RABV-G를 표적할 수 있으며, P40(초록의 오타 "P440" 수정됨)이 유망한 리드 후보가 될 수 있다고 언급했습니다.
• 향 \후 방향: 저자들은 이러한 결과가 in vitro 결합 분석, 항바이러스 활성 연구 및 계산 예측을 확인하기 위한 in vivo 조사를 포함한 향후 실험적 검증을 위한 "적절한 토대"를 제공한다고 밝혔습니다.

결론적으로, 엔지니어링된 $\alpha$-붕가로톡신 유래 펩타이드, 특히 P40은 RABV-G 매개 숙주 세포 침입을 방해할 상당한 잠재력을 지니고 있어, 광견병 치료를 위한 새로운 경로를 제시합니다.