단백질 구조 예측 Protein Structure Prediction
단백질 구조 예측은 단백질을 이루는 아미노산 순서만 보고, 그 단백질이 실제로 어떤 3차원 모양으로 접히는지를 계산으로 알아내는 것이다.
어떻게 작동하나
단백질은 20종류의 아미노산이 사슬처럼 이어진 분자이고, 이 사슬이 접혀 특정한 입체 모양을 이룬다. 예전에는 X선 결정학이나 극저온 전자현미경 같은 실험으로 모양을 알아냈는데, 시간과 비용이 많이 들었다. AI 방식은 이미 모양이 밝혀진 수많은 단백질 데이터로 딥러닝 모델을 학습시킨다. 모델은 진화 과정에서 함께 바뀌어 온 아미노산 쌍 같은 단서와 어텐션 기반 구조를 활용해 원자들의 3차원 위치를 예측하고, 예측이 얼마나 믿을 만한지 점수도 함께 내놓는다.
서열에서 구조까지
- 1아미노산 서열 입력한 줄로 이어진 사슬 정보
- 2단서 모으기함께 바뀌어 온 아미노산 쌍 등
- 3딥러닝 예측원자들의 3차원 위치 계산
- 4신뢰도 점수부위별로 얼마나 믿을 만한지
- 5실험 검증중요한 결정 전에 확인
왜 중요한가
단백질의 모양은 그 단백질이 몸에서 어떤 일을 하는지를 크게 좌우한다. 약은 대개 특정 단백질의 움푹한 자리에 딱 맞게 붙어 작동하므로, 모양을 알면 어떤 약 후보를 만들지 훨씬 빠르게 좁힐 수 있다. AI 예측 덕분에 실험으로는 오래 걸렸을 구조를 빠르게 얻을 수 있게 되었고, 많은 단백질의 예측 구조가 공개 데이터베이스로 공유되고 있다. 그래서 AI 신약 개발, 효소 설계, 질병 연구의 기반 기술로 꼽힌다.
알아 둘 점
예측은 어디까지나 예측이라, 중요한 결정에는 실험으로 확인하는 과정이 여전히 필요하다. 단백질은 실제로는 움직이고 모양을 바꾸는데, 예측 결과는 주로 한 가지 정지된 모양을 보여 준다. 정해진 모양 없이 흐물흐물한 부분이나, 다른 분자와 결합할 때 바뀌는 모양은 맞히기 더 어렵다. 최근에는 단백질 하나뿐 아니라 다른 단백질·DNA·약물 분자와의 결합까지 예측하는 쪽으로 연구가 넓어지고 있다.
예시
가장 널리 알려진 예는 구글 딥마인드의 AlphaFold다. 연구자가 관심 있는 단백질의 아미노산 서열을 넣으면 예측된 3차원 구조와 부위별 신뢰도를 얻을 수 있고, 미리 계산된 예측 구조는 공개 데이터베이스에서 내려받을 수도 있다. 제약 회사와 연구소는 이런 예측 구조를 출발점으로 삼아 약이 붙을 자리를 찾고 후보 물질을 고른 뒤 실험으로 검증한다.