AI, 아미노산 서열만으로 단백질 3D 구조 정확히 예측… 하버드 의대 돌파구

단백질 구조 예측, 50년 난제의 새 장

단백질은 인체 주요 구성 요소로 조직을 만들고 유지합니다. 화학적으로는 수소, 탄소, 산소, 질소, 황으로 된 유기 화합물인 아미노산으로 구성됩니다.

단백질은 정확한 3차원 구조로 접혀 다른 분자와의 상호작용을 제어함으로써 생명 유지에 필수적인 거의 모든 기본 생물학적 과정을 수행합니다.

단백질의 모양이 그 기능과 질병에서의 역할을 결정하므로, 구조를 연구하고 예측해 생명을 구하고 바꾸는 신약을 개발하는 것이 중요합니다.

하지만 말처럼 쉽지 않습니다. 지난 50년간 단백질 접힘은 생화학자들에게 가장 어려운 문제 중 하나로 남아왔습니다. 수많은 계산적 방법이 개발됐지만, 명시적인 서열-구조 맵은 아직 달성되지 않았습니다.

엔드투엔드 미분 가능 딥러닝 적용

기존 첨단 알고리즘은 아미노산 상호작용의 복잡한 물리학을 무차별 대입(brute force) 방식으로 시뮬레이션해 단백질 구조를 결정합니다. 계산 오버헤드를 줄이기 위해 새로운 서열을 이미 결정된 단백질 구조를 나타내는 사전 설계된 템플릿에 매핑합니다.

구글의 알파폴드(AlphaFold) 같은 일부 AI 프로젝트는 단백질 서열의 청사진을 담은 방대한 유전체 데이터를 분석합니다. 그러나 이러한 방법은 아미노산 서열만으로는 구조를 추정하지 못하며, 과거에 연구된 적 없는 진화적으로 독특한 단백질(단백질 구조)을 결정할 수 없습니다.

따라서 연구팀은 구글 번역과 애플 시리 등 인기 앱에서 이미 효과가 입증된 엔드투엔드 미분 가능 딥러닝 기법을 사용했습니다.

참고: Cell Systems | doi:10.1016/j.cels.2019.03.006 | 하버드 의대

이 딥러닝 시스템인 '순환 기하학 네트워크(recurrent geometric network)'는 단백질 접힘의 핵심 특성에 초점을 맞춥니다. 수천 개의 미리 결정된 단백질 서열과 구조로 훈련됐습니다.

모든 단일 아미노산에 대해 알고리즘은 이웃 아미노산과 연결하는 화학 결합의 각도와 이 화학 결합 주위의 회전 각도를 계산합니다.

신경망이 화학 결합 각도와 회전 각도를 계산해 단백질 구조를 구성하는 과정을 시각적으로 시뮬레이션한 모습 | 출처: Mohammed AlQuraishi

신경망은 모든 아미노산의 상대적 위치에 의해 각 반복이 개선되면서 구조가 완성될 때까지 이 계산을 수행합니다. 시스템은 직접 관찰로 얻은 실제 단백질 구조와 결과를 대조해 정확도를 검증합니다.

결과

이 과정은 여러 알려진 단백질에 대해 반복되며, 반복할수록 시스템 정확도가 높아집니다. 네트워크 훈련에는 몇 달이 걸릴 수 있지만, 훈련이 완료되면 기존 기술로는 불가능했던 단백질 구조(사전 지식 없는)를 추정하는 데 모든 기존 기술을 능가합니다.

아직 모델 정확도가 단백질의 완전한 원자 구조를 해명하기에는 충분하지 않아 신약 설계나 발견에는 바로 사용할 수 없습니다.

현재로서는 다른 기술들을 보완해 이전보다 훨씬 더 넓은 클래스의 단백질 구조를 예측하는 데 사용할 수 있습니다. 물리학과 화학 법칙을 통합해 모델을 개선할 기회가 많습니다. 직접 해보고 싶다면 코드와 결과가 깃허브(GitHub)에 공개돼 있습니다.