영상요약
단백질의 운명은 종종 그 N-말단에 노출된 잔기의 종류에 따라 결정되는데, 이를 ‘N-말단 법칙(N-end rule)’ 혹은 ‘N-데그론 경로’라고 부릅니다. 특히 아지닌이 N-말단에 부착되는 아지닐화는 진핵생물의 ATE1 효소에 의해 수행되며, 이는 단백질의 분해뿐만 아니라 세포 내 항상성 유지에 필수적인 역할을 수행합니다. 최근 연구에 따르면 아지닐화는 심혈관 질환이나 신경 퇴행성 질환과도 밀접한 관계가 있으며, 특히 세포 스트레스 상황에서 오토파지를 유도하거나 신호 물질로서 기능하며 생존에 필수적인 역할을 담당하고 있습니다.
하지만 아지닐화 단백질을 정밀하게 프로파일링하는 과정에는 많은 위양성 결과가 발생하는 기술적 한계가 존재했습니다. 질량 분석기를 이용한 분석 시, 단백질 절단 효소인 트립신에 의해 생성된 조각들이 실제 생물학적 아지닐화와 질량값이 매우 유사하여 데이터상에서 혼동을 일으키기 때문입니다. 이로 인해 기존의 검색 방식으로는 진짜 아지닐화 신호와 효소 절단에 의해 우연히 발생한 가짜 신호를 명확히 구분하기 어려웠으며, 이는 연구 결과의 신뢰도를 저해하고 후속 생물학적 기전 연구를 방해하는 주요한 걸림돌이 되어 왔습니다.
질량 분석기가 특정 파편 이온에서만 유독 큰 오차를 기록하는 것은 물리적으로 불가능하기에, 이러한 비정상적인 질량 오차 패턴은 위양성 신호를 구분해내는 결정적인 단서가 됩니다.
연구팀은 이러한 위양성 문제를 해결하기 위해 대규모 언어 모델 기반의 인공지능 기술과 ‘분자 프록시’라는 독창적인 전략을 도입했습니다. AI 모델을 학습시키기 위해서는 충분한 양의 정답 데이터가 필요하지만 실제 아지닐화 데이터는 그 양이 매우 적습니다. 이를 극복하기 위해 트립신 절단으로 생성된 아지닌 개시 펩타이드가 내생적 아지닐화와 화학적으로 동일하다는 특징을 활용했습니다. 이를 통해 약 2만 개의 학습 데이터를 확보할 수 있었고, 이는 기존 인공지능 모델을 아지닐화 분석에 가장 적합한 형태로 파인 튜닝하는 강력한 토대가 되었습니다.
전이 학습을 거친 AI 모델은 MS2 스펙트럼과 펩타이드의 리텐션 타임을 매우 정밀하게 예측해내는 성과를 거두었습니다. 특히 N-말단 수식화의 핵심 특징인 b-이온의 강도 분포를 정확하게 예측함으로써, 기존 모델으로는 판별이 불가능했던 미세한 질량 오차와 위양성 신호들을 효과적으로 필터링했습니다. 그 결과 전체 후보군 중에서 실제 아지닐화된 진짜 데이터만을 높은 신뢰도로 가려낼 수 있었으며, 이는 고가의 표준 물질 합성에 의존하지 않고도 데이터 분석 알고리즘만으로 단백질 수식화 연구의 정밀도를 획기적으로 끌어올린 혁신적인 사례입니다.
필터링을 통해 선별된 사이트들은 구조생물학적으로도 매우 유의미한 특징을 나타냈습니다. 알파폴드 분석 결과, 실제 아지닐화가 발생하는 부위는 대부분 단백질의 구조가 고정되지 않은 무질서 영역에 위치하고 있었으며, 이는 효소의 접근이 용이한 부위라는 생물학적 타당성을 뒷받침합니다. 또한 미토콘드리아 내 대사 효소나 특정 시그널 펩타이드 부위에서 아지닐화가 빈번하게 관찰되었는데, 이는 아지닐화가 단백질을 단순히 제거하는 신호를 넘어 특정 세포 소기관 내에서 단백질의 기능을 정밀하게 조절하는 중요한 제어 장치로 기능하고 있음을 시사합니다.
이 혁신적인 AI 예측 모델은 표준 물질 없이도 타겟 단백질을 정밀하게 분석할 수 있는 PRM 기술로 그 응용 범위를 넓혔습니다. 인공지능이 예측한 전하와 리텐션 타임 값을 활용하면 합성이 까다로운 수식화 펩타이드 표준물질을 제작하지 않고도 질량 분석기가 타겟 신호를 정확히 포착하도록 유도할 수 있습니다. 이를 통해 세포 스트레스 자극에 따른 아지닐화의 변화를 시간대별로 추적하는 멀티플렉싱 분석이 가능해졌으며, 캐스페이즈와 같은 절단 효소의 기질들이 실시간으로 어떻게 아지닐화되어 단백질 운명이 결정되는지를 성공적으로 규명해냈습니다.
이번 연구는 적은 양의 데이터만으로도 전이 학습 기반의 인공지능을 통해 고난도의 단백질 수식화를 규명할 수 있는 고효율 연구 방법론을 제시했습니다. 이러한 기술적 진보는 아지닐화뿐만 아니라 데이터 확보가 어려워 연구가 지체되었던 다양한 번역 후 수식화 연구 분야에 광범위하게 적용될 수 있는 범용성을 갖추고 있습니다. 앞으로 이 기술은 질병과 관련된 단백질의 미세한 변형을 조기에 발견하고, 복잡한 생명 현상을 분자 수준에서 더욱 명확하게 이해함으로써 새로운 치료 타겟을 발굴하는 데 중추적인 역할을 할 것으로 기대됩니다.