단백질 생성 모델 실시간 제어 기술 ProteinGuide 개발

주장ProteinGuide는 단백질 공학을 위한 생성 모델을 추가 학습 없이 실시간으로 제어하는 원칙적인 프레임워크를 제공합니다. 기존 모델은 특정 목적을 달성하기 위해 별도의 추가 학습 과정을 거쳐야 했으나, 이 기술은 그러한 제약을 극복했습니다.

팩트ProteinGuide는 마스크 언어 모델인 ESM3와 자기회귀 모델인 ProteinMPNN에 적용할 수 있습니다. 확산 및 흐름 매칭 모델인 MultiFlow와 같은 다양한 생성 모델에도 활용 가능합니다.

팩트연구진은 통일된 통계적 프레임워크를 바탕으로 이 기술을 설계했습니다. 모델의 구조와 관계없이 일관된 제어 성능을 발휘하도록 구성했습니다.

팩트연구진은 아데닌 염기 편집기의 편집 효율을 높이는 실험을 진행했습니다. 실험 결과, 7번의 반복적인 유도 진화 과정을 거친 기존 방식보다 높은 편집 효율을 확인했습니다.

주장이 기술은 단백질의 안정성이나 활성 등 사용자가 지정한 특정 속성을 가진 단백질을 설계하는 데 유용합니다. 상충하는 두 가지 속성을 동시에 최적화해야 하는 복잡한 설계 작업에서도 효과를 보입니다.

교차검증ProteinGuide는 생성 모델의 구조적 한계를 보완하지만, 실험실 데이터와의 결합이 필수적입니다. 습식 실험 데이터가 부족한 환경에서는 모델의 예측 정확도와 설계 효율이 제한될 수 있습니다.

팩트연구와 관련된 코드 및 분석 데이터는 제노도(Zenodo)를 통해 공개되었습니다. 염기 편집기 실험의 원시 시퀀싱 데이터는 미국 국립생물공학정보센터(NCBI) 바이오프로젝트(BioProject)에서 확인할 수 있습니다.

팩트실험에 사용된 코드는 깃허브(GitHub) 저장소에 게시되었습니다. 연구진은 프로틴젠(ProteinGen) 파이썬 패키지를 배포하여 사용자가 다양한 라이브러리 설계 워크플로우를 구현하도록 지원합니다.

주장ProteinGuide의 등장은 단백질 설계 분야에서 생성형 인공지능의 활용 범위를 확장합니다. 복잡한 생물학적 기능을 가진 단백질을 더 빠르고 정확하게 설계할 토대를 마련했습니다.

교차검증모든 생성 모델이 동일한 성능을 보장하지는 않습니다. 모델의 기초가 되는 사전 학습 데이터의 편향성이나 모델 아키텍처의 특성에 따라 결과값이 달라질 수 있음을 유의해야 합니다.

주장단백질 공학 분야의 연구자들은 이번에 공개된 프레임워크를 통해 복잡한 단백질 구조 설계의 효율성을 개선할 수 있습니다. 실시간 제어 기술은 향후 신약 개발 및 생명공학 연구의 속도를 높이는 핵심 동력이 됩니다.

출처네이처 바이오테크놀로지(Nature Biotechnology) 게재 논문과 제노도, 깃허브 저장소를 교차 검증했습니다.