효소 특화 단백질 언어 모델 EnzGFM 개발

주장효소는 세포 대사 과정에서 핵심적인 역할을 수행하지만, 아미노산 서열만으로 촉매 특성을 예측하는 작업은 여전히 생명공학 분야의 난제로 남아 있습니다. 기존의 범용 단백질 언어 모델은 특정 효소의 복잡한 기능을 분석하는 데 효율성이 떨어지는 한계가 있습니다.

팩트연구진은 이러한 문제를 해결하기 위해 맘바-트랜스포머 하이브리드 구조를 기반으로 한 효소 특화 단백질 언어 모델인 EnzGFM을 제안했습니다. 이 모델은 계층적 사전 학습 방식을 도입하여 효소 고유의 서열 패턴을 효과적으로 포착합니다.

팩트EnzGFM은 기존 트랜스포머 기반 모델과 비교하여 2배에서 5배 빠른 처리 속도를 달성했습니다. 또한 다양한 효소 특성 예측 벤치마크에서 우수한 성능을 입증했습니다.

팩트구체적인 성능 개선 수치를 살펴보면, 동역학 매개변수 예측에서 16.67%, 효소-반응 매핑에서 15.69%의 향상을 보였습니다. EC 번호 분류에서는 13.19%, 돌연변이 효과 평가에서는 20.04%의 상대적 성능 개선을 기록했습니다.

주장연구진은 EnzGFM의 성능을 극대화하기 위해 효소 중심의 에이전트 파이프라인인 EnzGFM-Agent를 추가로 개발했습니다. 이 시스템은 인공지능이 도출한 예측 결과를 실제 실험에서 즉시 활용 가능한 후보군으로 전환하는 역할을 수행합니다.

교차검증실험적 검증 결과, EnzGFM-Agent는 소규모 후보군 내에서 유익한 변이체를 효과적으로 선별하는 능력을 보였습니다. 이는 실제 습식 실험 과정에서 발생하는 스크리닝 부담을 크게 줄일 수 있다는 점을 시사합니다.

팩트본 연구는 중국 허난 의과대학, 상하이 인공지능 연구소, 존스 홉킨스 대학교 연구진의 국제 협력으로 진행되었습니다. 연구 결과는 2026년 7월 17일 학술지 네이처 커뮤니케이션즈에 게재되었습니다.

팩트이번 연구는 중국 국가자연과학기금과 허난성 주요 연구개발 프로그램 등 다수의 기관으로부터 재정적 지원을 받았습니다. 저자들은 본 연구 수행 과정에서 이해 상충이 없음을 명시했습니다.

주장이번 성과는 인공지능이 복잡한 생물학적 데이터인 효소 서열을 해석하는 데 있어 전문화된 모델이 필수적임을 보여줍니다. 범용 모델보다 특정 도메인에 최적화된 아키텍처가 실질적인 산업적 가치를 창출할 수 있습니다.

주장앞으로 EnzGFM과 같은 특화 모델은 신약 개발 및 바이오 공정 최적화 분야에서 핵심적인 도구로 자리 잡을 전망입니다. 데이터의 복잡성이 높은 생명과학 분야일수록 맞춤형 인공지능 설계가 중요합니다.

교차검증다만, 이번 연구는 특정 벤치마크 데이터셋을 기반으로 성능을 평가했으므로, 실제 현장의 다양한 실험 환경에서 동일한 효율성을 보일지는 추가적인 검증이 필요합니다.

출처Wang, C., Li, M., Geng, S. et al. An enzyme-specific protein language model for catalytic property prediction. Nat Commun (2026). 해당 논문을 교차 검증했습니다.