구조적 에너지와 아미노산 서열의 공동 최적화를 통한 안정적 단백질 설계
단백질은 생체 내에서 효소 작용, 바이러스 중화, 신호 전달 등 매우 다양한 역할을 수행하며, 현대 생명공학에서는 이를 새롭게 설계하는 '드 노보(de novo)' 디자인 기술이 핵심적으로 다뤄지고 있습니다. 특히 단백질의 안정성을 향상시키는 것은 기능적 활성이나 결합력을 높이는 데 필수적인 기초 요소입니다. 안정적인 단백질은 열적 안정성이 높을 뿐만 아니라 생산 수율이 좋고, 응집이나 분해를 방지하여 본래의 기능을 온전히 유지할 수 있게 합니다. 따라서 단순히 특정 구조를 만드는 것을 넘어, 평형 상태에서 폴딩 상태를 견고하게 유지하는 설계를 구현하는 것이 단백질 공학의 주요 목표가 되고 있습니다. 최근 단백질 설계에는 3차원 좌표를 입력받아 서열을 생성하는 '구조 기반 서열 디자인' 모델이 널리 활용되고 있습니다. 이러한 모델들은 방대한 데이터 학습을 통해 특정 환경에 최적화된 서열을 제안하지만, 정적인 구조만을 고려한다는 한계가 있습니다. 실제 단백질은 다양한 컨포메이션 상태를 가지며, 설계된 서열이 의도치 않은 대안적 구조로 폴딩될 위험이 존재합니다. 특정 구조에만 최적화된 서열이 실제로는 다른 형태와 에너지 균형을 이루거나 불안정한 상태에 머무를 수 있기 때문에, 단일 모델만으로는 단백질의 복잡한 에너지 랜드스케이프를 완벽히 이해하고 통제하기 어렵습니다. 이러한 문제를 해결하기 위해 제시된 혁신적인 방법이 바로 '조인트 모델링'입니다. 이는 서열을 통해 구조를 예측하는 모델과 구조를 통해 서열을 디자인하는 모델을 하나의 루프로 연결하여 반복적으로 최적화하는 방식입니다. 구조 예측 모델은 서열이 가질 수 있는 다양한 상태를 파악하여 더 나은 컨포메이션을 제안하고, 서열 디자인 모델은 이를 바탕으로 에너지가 더 낮은 서열을 생성합니다. 이 과정을 반복하면 단백질은 미세한 구조적 조정을 거치게 되며, 결과적으로 타겟 외 구조 형성을 방지하고 에너지 갭을 극대화하여 기존보다 훨씬 더 안정적인 단백질 서열을 도출할 수 있게 됩니다. 조인트 모델링의 유효성을 검증하기 위해 연구진은 'cDNA 디스플레이 프로테아제' 방식의 고속 대량 분석(High-throughput assay)을 활용했습니다. 이는 수천 개의 단백질 안정성을 동시에 측정할 수 있는 기술로, 단백질이 견고한 구조를 유지하면 효소에 의해 분해되지 않는다는 원리를 이용합니다. 약 2만 개의 데이터셋을 분석한 결과, 조인트 모델을 통해 설계된 단백질들이 기존의 단일 모델 기반 설계보다 월등히 높은 ΔG 값을 나타냈습니다. 이는 반복적인 최적화 루프가 단순히 결과물을 필터링하는 과정을 거치는 것보다 단백질의 열역학적 안정성을 확보하는 데 훨씬 효과적임을 입증한 결과입니다. 물리적 관점에서 조인트 모델링이 생성한 서열을 분석해 보면, 다른 모델들에 비해 특이적인 상호작용이 더욱 정교하게 배치되어 있음을 알 수 있습니다. 특히 조인트 모델은 소수성 상호작용뿐만 아니라 정교한 친수성 상호작용과 수소 결합을 더 많이 형성하는 경향을 보였습니다. 이러한 미세한 로컬 환경의 최적화는 단백질 내부의 결합력을 강화하고 구조적 특이성을 높여줍니다. 단순히 겉보기에 비슷한 구조를 만드는 것에 그치지 않고, 원자 수준에서의 상호작용을 최적화함으로써 단백질이 의도한 타겟 구조로 더 확실하게 폴딩될 수 있도록 정밀하게 유도하는 것입니다. 인공지능 모델의 발전은 단백질의 안정성을 예측하는 방식에도 큰 변화를 가져왔습니다. 거대 언어 모델이나 구조 예측 모델들은 방대한 데이터를 학습하는 과정에서 단백질의 안정성 정보를 암묵적으로 습득하게 됩니다. 연구에 따르면 모델의 확신도를 나타내는 pLDDT 스코어 등은 실제 단백질의 안정성과 높은 상관관계를 보였습니다. 이러한 지표들을 조인트 모델링과 결합하여 하이브리드 스코어를 산출할 경우, 단백질의 성능을 더욱 정확하게 예측할 수 있습니다. 이는 실험 전 단계에서 유망한 후보군을 선별하는 데 매우 유용한 도구가 되며 설계의 성공률을 획기적으로 높여줍니다. 조인트 모델링 기술은 단일 단백질 설계를 넘어 복잡한 단백질 결합체나 바인더 디자인 분야에서도 탁월한 성과를 거두고 있습니다. 휴먼 리보플라빈 키나아제나 니파 바이러스와 같이 설계가 까다로운 타겟에 대해서도, 반복적인 최적화 과정을 통해 기존에 결합력이 없던 설계를 강력한 바인더로 탈바꿈시켰습니다. 이러한 연구 결과들은 오픈 소스를 통해 공유되어 누구나 쉽게 활용할 수 있도록 공개되었습니다. 정교한 인실리코(in silico) 최적화와 실험적 검증의 조화는 향후 신약 개발과 바이오 센서 제작 등 다양한 생명공학 분야에서 혁신적인 변화를 이끌어갈 것으로 기대됩니다.
