딥러닝 기반 세포 표면 디스플레이 설계 기술 개발

주장세포 표면 디스플레이 요소는 생명공학의 핵심 모듈이지만, 서열과 기능적 효능을 연결하는 체계적인 규칙이 부족했습니다. 연구진은 딥러닝 모델인 DeepSCan을 개발하여 이러한 서열과 기능 간의 관계를 매핑하고 새로운 모듈을 설계했습니다.

팩트세포 표면 디스플레이 요소와 관련해 연구진은 570개 이상의 키메라 항원을 통해 세포 표면 발현을 정량화했습니다. 또한 310개 정도의 세포 표면 디스플레이 요소에 대한 세포 표면 전위 강도 라벨을 도출하고 45개의 독립적인 학습 데이터셋을 구축했습니다.

팩트구축한 데이터셋을 바탕으로 연구진은 DeepSCan 모델의 지도를 받아 3700개의 생성형 세포 표면 디스플레이를 컴퓨터로 설계했습니다. 이 가운데 120개 정도를 실험적으로 검증하였으며, 자연 발생 세포 표면 디스플레이보다 성능이 우수하거나 대등한 7개의 생성형 세포 표면 디스플레이를 식별했습니다.

팩트식별된 생성형 세포 표면 디스플레이의 성능 검증을 위해 연구진은 개발된 향상된 표면 디스플레이 기술을 다양한 세포 유형에서 검증했습니다. 특히 항원 특이적 키메라 항원 수용체 T세포 독성 분석에서 기능적 효능이 확인됐습니다.

팩트기능적 효능이 확인된 DeepSCan 모델은 이에스엠투와 같은 단백질 언어 모델을 기반으로 구현되었습니다. 학습 가속화를 위해 래피즈 씨유엠엘 라이브러리의 익스트림 그라디언트 부스팅 및 고전적 머신러닝 모델을 사용했습니다.

팩트머신러닝 모델을 구동하기 위해 연구진은 파이썬 버전 3.11.5와 파이토치 버전 2.5.1, 쿠다 버전 12.4 환경에서 워크플로우를 구축했습니다. 모델의 체크포인트와 소스 코드는 허깅페이스, 도커, 깃허브를 통해 공개될 예정입니다.

교차검증소스 코드 공개 일정과 별개로 본 연구는 딥러닝을 통한 생물학적 모듈 설계의 효율성을 입증했으나, 실제 임상 적용을 위해서는 다양한 세포 환경에서의 추가적인 안전성 검증이 필요합니다. 또한 대규모 시퀀스 분석을 위해서는 그래픽 처리 장치와 같은 고성능 컴퓨팅 자원이 필수적입니다.

팩트고성능 컴퓨팅 자원이 필요한 대규모 시퀀스 분석의 신뢰성을 높이기 위해 모든 주요 연구 데이터는 제노도를 통해 공개되어 있습니다. 연구진은 10.5281/zenodo.19179097 디지털 객체 식별자 번호를 통해 데이터 접근성을 보장했습니다.

주장데이터 접근성이 보장된 이번 연구는 메신저 리보핵산 항원 디스플레이를 위한 새로운 세포 표면 디스플레이 모듈 개발의 가능성을 열었습니다. 이는 앞으로 차세대 면역 치료제 및 백신 플랫폼 설계에 중요한 기술적 토대가 됩니다.

출처네이처 바이오테크놀로지 학술지에 게재된 논문 및 논문 내 데이터 가용성 섹션을 교차 검증했습니다.