구조 기반 딥러닝 모델 바이트넷 원의 다가 이온 결합 부위 식별 기술
연구진이 단백질 내 이온 결합 부위를 정밀하게 예측하는 딥러닝 모델 바이트넷 원을 개발했습니다. 기존 도구 대비 높은 정확도를 입증하며 신약 개발의 효율성을 높일 것으로 기대합니다.
주장단백질과 이온의 상호작용은 효소 촉매 작용과 신호 전달 등 세포 내 핵심 과정에서 필수적인 역할을 합니다. 그러나 이러한 결합 부위를 실험적으로 확인하는 작업은 막대한 비용과 노동력을 요구합니다.
팩트연구진은 바이트넷 원(BiteNet I)이라는 구조 기반 딥러닝 모델을 개발했습니다. 이 모델은 3차원 합성곱 신경망(3D Convolutional Neural Network)을 사용하여 14가지 생물학적 관련 이온의 결합 중심을 동시에 국소화하고 결합 잔기를 예측합니다.
팩트모델 학습을 위해 1만 개 이상의 고해상도 단백질-이온 복합체 데이터셋을 구축했습니다. 연구진은 상동 구조 간에 이온을 전이하여 결합 부위를 일관되게 주석 처리하는 방식을 채택했습니다.
주장바이트넷 원은 통합된 다중 작업 아키텍처를 통해 다양한 이온에 걸쳐 강력한 일반화 능력을 보여줍니다. 이는 복잡한 단백질 구조 내에서 특정 이온의 역할을 규명하는 데 큰 진전을 의미합니다.
팩트두 가지 테스트 벤치마크에서 바이트넷 원은 기존 이온 결합 예측 도구보다 뛰어난 성능을 입증했습니다. 이 모델은 단백질 구조 예측 도구인 알파폴드3(AlphaFold3)와 비교해도 우수한 결과를 나타냅니다.
팩트특히 칼슘(Ca2+), 나트륨(Na+), 칼륨(K+)과 같은 생리학적으로 중요한 이온에 대해서는 정확도가 2~3배 향상되었습니다. 이는 질병 연구나 신약 개발 분야에서 이온 채널 관련 분석의 효율성을 높입니다.
교차검증본 연구는 공공, 상업, 비영리 부문의 어떠한 외부 자금 지원도 받지 않고 수행되었습니다. 연구진은 이해 상충 관계가 없음을 명시했습니다.
교차검증이번 연구 결과는 네이처 커뮤니케이션즈 바이올로지(Communications Biology)에 2026년 7월 27일자로 게재되었습니다. 해당 논문은 크리에이티브 커먼즈 라이선스(CC BY 4.0)에 따라 공개되었습니다.
팩트연구의 저자는 이고르 코즐로프스키(Igor Kozlovskii)와 페트르 포포프(Petr Popov)입니다. 이들은 독일 브레멘의 콘스트럭터 대학교와 콘스트럭터 랩스 소속입니다.
주장바이트넷 원의 이러한 예측 성능은 향후 단백질 공학 및 분자 생물학 연구의 새로운 표준을 제시할 것으로 보입니다. 정밀한 결합 부위 식별은 약물 설계의 정확도를 결정짓는 핵심 요소입니다.
주장연구진은 이번 기술이 복잡한 생체 분자 시스템을 이해하는 데 필요한 계산 생물학적 도구의 한계를 극복했다고 평가합니다. 앞으로 이온 기반 신호 전달 체계 연구가 더욱 가속화될 전망입니다.
출처해당 연구 내용은 네이처 커뮤니케이션즈 바이올로지(https://www.nature.com/articles/s42003-026-10659-1)를 통해 교차 검증했습니다.
관련 콘텐츠
본 기사는 전문가의 분석과 공개 자료를 기반으로 AI가 작성 후 다른 AI의 검증을 거쳐 작성됐으며 정보의 정확성과 완전성을 보장하지 않습니다. 기사 내용은 특정 투자·의사결정의 권유가 아니며, Wittgenhaus는 이를 근거로 한 행위의 결과에 책임을 지지 않습니다.
