단백질 설계 AI 레이건의 서열 수정 기술 개발

주장레이건은 기존 단백질 설계 방식의 한계를 극복하고 자연 진화 과정을 모방하여 단백질을 소형화하거나 확장하는 새로운 생성형 인공지능 프레임워크입니다. 기존 방식이 주로 치환에 의존했다면, 이 기술은 삽입과 삭제를 포함한 대규모 서열 수정을 지원합니다.

팩트레이건은 단백질 서열을 가변적인 고차원 공간의 점이 아닌 고정된 차원의 확률 분포로 인코딩합니다. 이 방식을 통해 서로 다른 길이의 단백질을 직접 비교하고 설계합니다.

팩트연구진은 단백질 임베딩을 50개의 블록으로 분할하여 다변량 가우시안 분포로 근사합니다. 이를 통해 단백질의 원래 길이에 상관없이 6만 4천 차원의 고정된 공간에서 단백질을 표현합니다.

팩트연구진은 단백질 언어 모델인 이에스엠-2를 활용하여 서열을 임베딩으로 변환하고 이를 다시 서열로 복원하는 신경망을 훈련했습니다. 이 과정에서 99퍼센트 이상의 검증 정확도를 달성하여 설계의 신뢰성을 확보했습니다.

교차검증기존의 확산 모델 기반 방식은 반복적인 노이즈 제거 과정이 필요하여 계산 비용이 높습니다. 반면 레이건은 고정 길이 표현을 사용하여 단 한 번의 연산으로 후보를 생성하는 원샷 방식을 채택했습니다.

팩트레이건은 단백질의 길이를 10에서 25퍼센트까지 줄일 수 있으며 경우에 따라 50퍼센트 이상 소형화하는 것도 가능합니다. 연구진은 표피 성장 인자를 확장하여 야생형보다 높은 결합 친화도를 가진 변이체를 생성했습니다.

팩트세포 기반 검증에서 레이건으로 소형화된 형광 단백질은 기존 데이터베이스에 존재하는 96퍼센트의 단백질보다 짧은 서열을 보였습니다. 합성 비오틴 리가아제인 터보아이디의 소형화 버전에서도 정상적인 효소 활성을 확인했습니다.

주장단백질의 기능을 서열 길이에 독립적인 표현으로 포착하는 기술은 생명공학 분야의 진전입니다. 이는 바이러스 전달체 설계나 센서 재설계 등 다양한 산업적 응용 가능성을 제시합니다.

교차검증단백질의 구조적 무결성과 기능적 부위를 보존하면서 서열을 대규모로 수정하는 작업은 여전히 복잡한 과제입니다. 레이건은 이를 해결하기 위해 구조적 정보를 담은 임베딩 공간에서 설계 작업을 수행합니다.

주장레이건은 고정된 차원의 확률 분포를 활용하여 단백질 설계의 효율성을 높였습니다. 이러한 설계 방식은 향후 맞춤형 단백질 개발 속도를 앞당길 것으로 전망합니다.

팩트이번 연구 결과는 단백질 설계의 새로운 방법론을 제시하며 생성형 인공지능의 활용 범위를 확장했습니다. 연구진은 향후 다양한 단백질 변이체 생성에 이 기술을 적용할 계획입니다.

출처네이처 머신러닝에 게재된 논문 'Miniaturizing and modifying natural proteins with Raygun'을 교차 검증했습니다.