단백질-RNA 결합 자유 에너지 예측 모델 개발

주장단백질과 리보핵산(RNA) 사이의 상호작용은 유전자 발현을 조절하는 기본 과정입니다. 유전자 돌연변이가 발생하면 이 상호작용에 변화가 생기며, 그에 따른 결합 자유 에너지 변화를 정량적으로 파악하는 작업은 생물학 연구에서 중요합니다.

팩트연구진은 복합체 돌연변이의 에너지 변화를 계산하는 새로운 물리학 기반 기계학습 프레임워크인 프레드-뮤트피알아이(Pred-MutPRI)를 개발했습니다. 이 모델은 실험 데이터가 부족하고 불균형한 환경에서 정확도를 높이도록 설계되었습니다.

팩트연구팀은 실험실에서 측정한 결합 자유 에너지 값을 표준화된 열역학 기준에 맞춰 하나의 데이터셋으로 통합했습니다. 이어 열역학적 순열 기법을 적용해 학습 데이터의 범위를 넓히고 돌연변이 유형 사이의 불균형을 해소했습니다.

팩트프레드-뮤트피알아이는 단백질 삼차원 구조 기반의 기술자와 원자 수준 상호작용 네트워크를 결합합니다. 이를 통해 복잡한 분자 환경에서 일어나는 결합 현상을 구체적으로 인코딩합니다.

팩트모델 내에는 마스크된 이에스엠투(ESM-2) 엔트로피 항과 알파폴드3(AlphaFold3) 기반 국소 유효 변형 기술자가 포함됩니다. 이 특징들은 아미노산 서열 제약과 돌연변이에 따른 구조적 변화를 요약합니다.

팩트엑스지부스트(XGBoost) 회귀 분석기를 활용한 성능 검증에서, 프레드-뮤트피알아이는 구조적 중첩이 낮은 블라인드 테스트 데이터셋을 대상으로 피어슨 상관계수 0.705를 기록했습니다. 이 수치는 기존 예측 모델들과 비교해 성능이 향상되었음을 나타냅니다.

주장이번 연구는 데이터가 부족한 생물학 분야에서 물리학적 지식을 기계학습 구조에 결합하는 방식의 유효성을 증명합니다. 단백질 공학과 신약 개발 분야에서 돌연변이의 영향을 분석하는 기준점으로 자리 잡을 전망입니다.

교차검증다만 이 모델은 특정 학습 데이터셋을 중심으로 구축되었으므로, 매우 희귀한 돌연변이나 복잡한 다중 돌연변이 조건에서는 예측 정확도에 차이가 발생할 수 있습니다. 성능을 보완하기 위해서는 다양한 실험 데이터를 추가로 확보하는 작업이 필요합니다.

팩트이번 연구는 중국 국가자연과학기금과 후베이성 자연과학기금의 연구비 지원으로 진행되었습니다. 연구진은 개발된 소스 코드를 깃허브(GitHub) 저장소에 공개해 연구자들의 접근성을 높였습니다.

출처네이처 커뮤니케이션즈 바이올로지(https://www.nature.com/articles/s42003-026-10948-9) 및 깃허브(https://github.com/CCNU-COMPBIO/Pred-MutPRI)의 자료를 교차 검증했습니다.