단백질 열안정성 예측의 정확도 향상

우리는 두안 지안신(Jianxin Duan) 박사와 만나 그의 논문 “단일 점 돌연변이에 대한 단백질 열안정성 예측 정확도 향상”에 대해 이야기를 나누었습니다.

이번 연구를 진행하게 된 주된 동기가 무엇이었는지 말씀해 주시겠습니까?

단백질의 기능은 그 구조 및 동적 거동과 밀접하게 연관되어 있습니다. 따라서 단백질의 열안정성을 이해하는 것은 단백질이 어떻게 작용하는지에 대한 근본적인 통찰을 제공할 수 있습니다. 예를 들어, 단일 점 돌연변이는 단백질 기능에 직접적인 영향을 미쳐 질병을 유발할 수 있습니다. 이러한 돌연변이 중 상당수가 단백질의 열안정성과 관련이 있는 것으로 밝혀졌습니다. 또한 실용적인 관점에서 볼 때, 단백질 안정성 공학은 다양한 산업 분야에서 폭넓게 응용되고 있습니다. 예를 들어, 백신과 항체는 유통 기한을 연장하고 변성( 응결)을 방지하도록 설계되어야 하며, 식품, 세제, 제지, 연료 등에 사용되는 산업용 효소는 원하는 환경에서 안정적이고 기능적으로 작동하도록 설계되어야 합니다.

아시다시피, 저희는‘FEP+ ’ 기술을활용해 소분자 신약 개발 분야에서 엄청난 성과를 거두었습니다. 다수의 논문을 발표했으며, 모든 신약 개발 프로젝트가 기존 접근 방식에 비해 훨씬 빠른 속도로 주요 단계를 달성했습니다. 하지만 ‘ FEP+ ’가 생물학적 제제 관련 프로젝트를 얼마나 효과적으로 추진할 수 있는지는 아직 충분히 입증되지 않았기 때문에, 저희는 ‘ FEP+ ’가 단백질의 열안정성을 예측하는 데 있어 얼마나 효과적인지 구체적으로 조사하기 위한 연구를 설계했습니다. 저희는 돌연변이에 따른 단백질 열안정성의 변화를 예측하여 단백질 공학 프로젝트를 안내할 수 있는 실용적인 대안으로서, 이 기술을 정량적 및 정성적으로 평가하는 것을 목표로 했습니다.

단백질을 대상으로 FEP를 활용한 선행 연구가 있었나요? 만약 있었다면, 이번 연구는 그 연구들과 어떻게 다른가요?

단일 점 돌연변이가 단백질 안정성 에 미치는 영향을 예측하기 위해 자유 에너지 섭동 이론(FEP)을 적용하는 아이디어는 새로운 것이 아닙니다. 그러나 산업 현장에서 단백질 안정성 을 예측하기 위한 생산 수준의 계산은, 백본의 결합 토폴로지가 변경되는 프롤린으로의 돌연변이 및 프롤린에서 다른 아미노산으로의 돌연변이를 모델링할 수 없다는 점과 전하 변화 돌연변이를 모델링하는 데 따르는 복잡성 등 몇 가지 심각한 한계로 인해 불가능했습니다. 본 연구에서는 이러한 두 가지 유형의 돌연변이를 모두 정확하게 모델링할 수 있도록 FEP+ 프로토콜을 확장했습니다. 또한, FEP 계산은 계산량이 방대할 수 있기 때문에, 많은 초기 연구들은 매우 짧은 시뮬레이션으로 제한되었고, 돌연변이 주변의 용매화 범위도 제한적이어서 결국 예측 정확도가 떨어지는 결과를 낳았습니다. 알고리즘 개선과 GPU 하드웨어의 발전 덕분에, Schrödinger의 FEP+ 는 현실적인 일정 내에서 프로젝트에 실질적인 기여를 할 수 있음을 반복적으로 입증해 왔습니다.

우리는 FEP+가 까다로운 프롤린 및 전하 변화 돌연변이를 처리하는 성능을 구체적으로 평가하고자 했기 때문에, 결과를 정량적으로 평가할 수 있도록 테스트 시스템 선정에 각별한 주의를 기울였습니다. 이에 야생형과 돌연변이체 모두에 대한 고해상도 결정 구조를 포함하고, 정확하게 측정된 안정성 데이터를 갖춘 데이터 세트를 구축했습니다. 테스트 시스템에 대한 자세한 내용은 논문을 참고하시기 바랍니다. 또한, 수많은 소분자 연구에서 이전에 관찰된 것과 유사한 수준의 정확도로 안정성 변화를 예측하는 데 성공했다는 기쁜 소식을 전해 드립니다. 이는 FEP+ 가 생물학적 제제를 연구하는 데 있어 확실히 적절한 계산 전략임을 입증합니다.

단백질의 열안정성을 예측하는 다른 방법이 있을까요? 만약 있다면, 본 연구 FEP+ 의 결과는 그 방법들과 비교해 어떤 수준일까요?

네, 단백질 구조를 정확하게 예측하는 것 안정성 이 매우 중요하기 때문에, 지난 수년 동안 다양한 방법이 제안되어 왔습니다. 저희는 FEP+ 에서 얻은 결과를 널리 사용되는 몇 가지 방법들과 비교해 보았습니다.

한눈에 보시다시피, ‘ FEP+ ’는 양적 측면에서 다른 모든 일반적인 접근법보다 우수한 성능을 보이며, 단 한 가지 예외로 MUPRO만이 있을 뿐입니다. MUPRO는 시퀀스 정보와 모든 돌연변이를 훈련 데이터 세트의 일부로만 사용하는 ‘ 머신러닝 ’ 모델입니다. 그러나 MUPRO는 훈련 데이터 세트의 편향으로 인해 문제가 발생할 수 있다는 지적이 있어 왔으며, 실제로 표에 제시된 정확도, 민감도, 특이도와 같은 정성적 지표를 살펴보면 이러한 점이 입증됩니다.

이 세 가지 조치가 무엇을 의미하는지 예시를 들어 설명해 드리겠습니다:

• 만약 실험을 통해 100개의 돌연변이 중 90개가 불안정성을 유발하는 것으로 밝혀졌는데, 누군가가 모든 돌연변이가 불안정성을 유발한다고 무작정 추측한다면,
  • 그렇다면 그 추측의정확도는 90%가 될 것이며,
  • 하지만 안정화 돌연변이를 정확하게 식별하는 능력을 측정하는‘민감도’ 항목에서는 0%를 기록할 것이며,
  • 그리고 불안정화 돌연변이를 정확하게 식별하는 능력을 측정하는특이도는 100%입니다.

진정으로 유용한 분류 도구를 얻기 위해서는 세 가지 지표 모두에서 일관되게 높은 점수를 받는 방법이 필요합니다. 예를 들어, FEP+ 와 같은 방법이 있는데, 이는 MUPRO를 포함한 다른 모든 방법보다 확실히 뛰어난 성능을 보입니다. MUPRO는 훈련 데이터셋 덕분에 특이도에서는 좋은 점수를 받지만, 그 훈련 데이터셋에 편향되어 있어 안정화 돌연변이를 예측하는 데는 부적합한 것으로 나타납니다. 이는 0.32라는 매우 낮은 민감도 점수에서 확인할 수 있습니다.

하지만 FEP+ 는 계산 비용이 많이 들지 않나요? 이를 대규모로 도입하여 신약 개발 프로그램을 실질적으로 가속화할 수 있을까요?

FEP+ 를 활용한 연구에는 상당한 계산 자원이 필요하다는 점은 사실이지만, 소프트웨어 알고리즘의 개선과 GPU 하드웨어의 처리 능력이 지속적으로 향상됨에 따라, FEP+ 를 이용한 전체 분석은 실제 프로젝트에서도 충분히 수행 가능한 수준에 이르렀습니다. 또한, 저희 논문에 설명된 바와 같이, 저희는BioLuminate애플리케이션 내에서 사용할 수 있는, 계산 효율이 훨씬 더 높은 잔기 스캐닝(residue scanning)을 활용하여 스크리닝 캐스케이드를 고안했습니다. 이 방법은 오탐(false positive)이 발생할 가능성이 다소 높지만, 후속 FEP+ 분석을 위한 필터 역할을 합니다. 이러한 방식을 통해 모든 관련 돌연변이를 신속하게 스크리닝하고, 안정화 효과가 있는 것으로 확인된 돌연변이만 FEP+ 로 전달한 뒤, FEP+ 를 통해 진정한 양성(true positive)일 가능성이 가장 높은 돌연변이를 식별할 수 있습니다.

모두 매우 유망해 보이는데, 이 기술을 개선하거나 확장할 향후 계획이 있나요?

네, 코스 에서 볼 수 있듯이, 저희는 이번 연구를 통해 안정성 에서 예측된 변화를 더 높은 정확도로 도출하기 위해 단백질의 펼쳐진 상태를 가장 효과적으로 모델링하는 방법 등 많은 것을 배웠습니다. 또한 결과를 면밀히 검토하여, 대규모 구조적 변화를 완전히 포착하기 위해 더 긴 시뮬레이션이 필요할 수 있는 잠재적 사례들을 파악했습니다. 앞으로도 예측 처리량과 정확도 양측 모두에서 성능을 향상시키기 위해 프로토콜을 지속적으로 개선해 나갈 것입니다.