Seq2DomML: Protein Domain Boundary Prediction from Bacterial Protein Sequences Using a Machine Learning Framework

단백질은 생명의 일꾼으로, 세포 내부의 모든 기능을 수행하기 위해 복잡한 모양으로 접히는 아주 작은 분자 기계입니다. 단백질이 어떻게 작동하는지 이해하기 위해 과학자들은 종종 단백질의 형태를 매우 상세하게 연구해야 하며, 이 과정은 대개 단백질을 분리하고 결정화하는 과정을 필요로 합니다. 그러나 많은 단백질은 너무 길거나 너무 흐물거려서 한 번에 연구하기가 어렵습니다. 이들은 흔나사나 스페이서 역할을 하는 유연하고 구조가 없는 영역들에 의해 연결된, 몇 개의 뚜렷하고 안정적인 단위인 도메인들로 구성되어 있는 경우가 많습니다. 단일 도메인의 명확한 이미지를 얻기 위해 연구자들은 유연한 부분을 제거하면서도 안정적인 부분은 온전히 유지하며 적절한 지점에서 단백질을 잘라내야 합니다. 이러한 절단 지점을 찾는 것은 어렵습니다. 왜냐하면 단백질을 어디서 잘라야 하는지에 대한 지침이 아미노산 서열 속에 숨겨져 있으며, 알려진 3D 구조 없이는 그것이 마치 펼쳐진 종이를 본 적도 없이 접힌 종이비행기의 이음새를 찾는 것과 같기 때문입니다.

수십 년 동안 과학자들은 단백질의 서열을 이미 잘 알려진 단백질 라이브러리와 비교하여 도메인이 어디에 있을지 추측하는 데이터베이스에 의존해 왔습니다. 이 방식은 단백질이 라이브러리에 있는 기존의 무언가와 유사할 때는 잘 작동하지만, 알려진 친척이 없는 새롭거나 특이한 단백질의 경우에는 완전히 실패합니다. 윌리프리드 로리에 대학교의 연구팀은 이러한 한계를 우회하는 Seq2DomML이라는 새로운 도구를 개발했습니다. 이 새로운 시스템은 알려진 단백질의 라이브러리에서 일치하는 것을 찾는 대신, 안정적인 도메인과 유연한 링커 사이의 경계를 알리는 서열 내의 미묘한 화학적 및 물리적 패턴을 인식하는 법을 배웁니다. 연구진은 이미 구조가 밝혀진 수천 개의 박테리아 단백질을 바탕으로 컴퓨터 모델을 훈련시켜, 이 모델이 이전에 본 적이 없는 단백질이라 할지라도 오직 아미노산 서열만을 바탕으로 단백질을 어디서 잘라야 할지를 예측할 수 있도록 만들었습니다.

연구진은 먼저 X선 결정학(원자의 정밀한 3D 배열을 밝혀내는 기술)을 통해 구조가 밝혀진 박테리아 단백질의 방대한 데이터셋을 수집했습니다. 그들은 서로 너무 유사하거나 다르게 행동하는 특정 그룹에 속하는 단백질들을 제거하여, 거의 7,600개의 고유한 단백질 체인을 남겼습니다. 각 체인에 대해, 연구진은 신뢰할 수 있는 구조 데이터베이스를 사용하여 모든 아미노산을 안정적인 도메인의 일부인지, 아니면 링커나 꼬리와 같은 유연한 영역의 일부인지를 표시했습니다. 컴퓨터가 이 경계를 더 쉽게 학습할 수 있도록, 연구진은 유연한 영역을 단일 지점이 아닌 짧은 구간으로 취급하여 범위를 약간 확장했습니다.

다음으로, 연구진은 아미노산의 가공되지 않은 서열을 모든 위치에 대한 풍부한 수치적 기술로 변환했습니다. 여기에는 각 아미노산의 화학적 성질, 사슬 내에서의 위치, 그리고 이웃한 아미노산과 어떻게 상호작용할 수 있는지에 대한 정보가 포함되었습니다. 그 결과 모든 단백질 위치마다 약 2,400개의 서로 다른 특징(feature)이 생성되었습니다. 이 복잡성을 관리하기 위해 연구진은 가장 유용한 특징을 선택하는 2단계 과정을 사용했습니다. 먼저, 중복되거나 무관한 특징들을 제거했습니다. 그런 다음, 자연 선택을 모방하는 방법인 진화 알고리즘을 사용하여, 컴퓨터가 가장 정확한 예측을 할 수 있게 해주는 특정 특징들의 조합을 찾기 위해 수천 가지의 서로 다른 특징 조합을 테스트했습니다.

이 시스템의 핵심은 양방향 장단기 메모리(bidirectional long short-term memory) 모델이라고 불리는 인공지능의 한 종류입니다. 이 모델은 서열을 처리하도록 설계되어, 특정 아미노산의 정체성이 단순히 바로 옆의 이웃뿐만 아니라 전체 사슬의 더 넓은 맥락에 달려 있다는 것을 이해할 수 있게 해줍니다. 모델은 각 아미노산이 안정적인 도메인에 속하는지 아니-유연한 영역에 속하는지를 예측하도록 훈련되었습니다. 유연한 영역이 안정적인 영역보다 훨씬 드물다는 점을 처리하기 위해, 연구진은 이 찾기 어려운 경계들에 더 세심한 주의를 기울이도록 훈련 과정을 조정했습니다. 광범에한 테스트와 튜닝을 거쳐, 연구진은 안정적인 부분을 유연한 것으로 잘못 분류하지 않으면서도 모든 유연한 영역을 찾아낼 수 있는 균형 잡힌 구성을 확정했습니다.

연구팀이 이 새로운 도구를 한 번도 본 적 없는 단백질 집합에 대해 테스트했을 때, 결과는 유망했습니다. 모델은 높은 정확도로 도메인 경계를 성공적으로 식별했으며, 서열을 알려진 가족들과 비교하는 데 의존하는 기존의 여러 도구들보다 뛰어난 성능을 보였습니다. 기존의 도구들은 가능한 모든 유연한 영역을 찾는 데는 더 나았지만, 안정적인 접힘 부분을 유연한 것으로 잘못 분류하는 실수를 저질렀으며, 이는 과학자가 그곳에서 단백질을 자르려고 시도할 경우 좋지 않은 실험 결과로 이어질 수 있습니다. 반면, Seq2DomML은 훨씬 더 선택적이었으며, 안정적인 도메인과 유연한 링커를 더 높은 정밀도로 정확하게 식별했습니다. 이는 과학자가 단백질을 어디서 잘라야 할지 결정하기 위해 이 도구를 사용할 때, 기능적인 단위를 실수로 파괴할 가능성이 낮음을 의미합니다.

연구진은 또한 이들의 예측이 실제 3D 단백질 구조 위에 매핑되었을 때 어떻게 보이는지 시각화했습니다. 기존 도구들이 알려진 친척이 없다는 이유로 도메인을 인식하지 못한 경우에도, Seq2DomML은 안정적이고 접힌 영역을 정확하게 식별했습니다. 한 예로, 기존 도구들은 단백질의 넓은 부분을 구조가 없고 쓸모없는 것으로 보았으나, 새 모델은 이를 별개의 안정적인 도메인으로 정확히 식별했습니다. 이는 이 도구가 다른 방법론들이 무작위적이거나 구조가 없다고 치부하는 서열 속에서도 질서를 찾아낼 수 있음을 시사합니다. 모델이 도메인의 개수를 항상 완벽하게 맞춘 것은 아니었지만, 현재의 표준 방법들보다 더 균형 있고 신뢰할 수 있는 절단 가이드를 제공했습니다.

이 연구는 서열 기반의 접근 방식이 특히 잘 이해되지 않았거나 알려진 친척이 없는 단백질을 위한 실험을 설계하는 데 있어 가치 있는 새로운 방법을 제공한다고 결론짓습니다. 안정적인 도메인이 끝나고 유연한 영역이 시작되는 지점에 대한 더 정확한 지도를 제공함으로써, 이 도구는 과학자들이 연구할 적절한 단백질 조각을 찾기 위해 필요한 실패한 실험의 횟수를 줄임으로써 시간과 자원을 절약하는 데 도움을 줄 수 있습니다. 연구진은 모델이 중요한 진전이지만, 향후 연구는 경계를 감지하는 능력을 정교화하고 박테리아 이외의 다른 생물체의 단백질에도 동일하게 작동하는지 테스트하는 데 집중할 것이라고 언급했습니다. 궁극적인 목표는 단백질 구조를 해결하는 과정을 더 효율적으로 만들어, 설계도가 없더라도 과학자들이 생명의 기계를 이해할 수 있도록 하는 것입니다.