“세포 내 혼잡을 이용한 단백질 메가복합체 형성 메커니즘: INO80 리모델러를 중심으로”

📝 Abstract

Multiple phenotypic protein expressions arising from one genome represent variations in the protein relative abundance and their stoichiometry. A lack of definite compositional parts challenges the modeling of protein megacomplexes and cellular architectures. Despite the advances in protein structural predictions with AI, the mechanism of protein interactions and the emergence of megacomplexes they assemble remains unclear. Here, we present a statistical physics framework of grand canonical ensemble to explore the protein interactions that drive the emergent assembly of a megacomplex using the observational mass spectrometry datasets including protein relative abundance and the cross linked connections. Using chromatin remodeler megacomplex, INO80, as an example, we discovered a class of divergent protein that plays a critical role in orchestrating the assembly beyond nearest neighbors, dependent on the excluded volumes exerted by others. With the constraints of the excluded volumes by varying crowding contents, these divergent subunits orchestrate and form clusters with selective components growing into configurationally distinct architectures. We propose a machinery view for the INO80 chromatin remodeler complex where each loosely associated subunits can be occasionally recruited for parts as attachment into a core assembly driven by excluded volumes. Our computational framework provides a mechanistic insight into taking the macromolecular crowding as necessary physicochemical variables representing cell states to remodel the configurations of protein megacomplexes with structurally loose modules.

💡 Analysis

**

1. 연구 배경 및 필요성

• 다형성 표현형: 동일 유전체가 환경·세포 상태에 따라 다양한 단백질 조합을 형성한다는 점은 기존 정적 모델(고정된 스토이키오메트리)로는 설명이 부족했다.
• AI 기반 구조예측 한계: AlphaFold 등으로 개별 단백질 구조는 정확히 예측되지만, 다중 서브유닛 간 동적 결합 메커니즘은 아직 불명확하다.
• 거시적·미시적 상호작용 통합 필요: 기존 scaffold‑client 모델은 고정된 농도를 가정하고, 실제 세포 내 물질 교환과 혼잡 효과를 반영하지 못한다.

2. 방법론 핵심

• 반복적 μ 조정: 각 서브유닛에 대해 실험 풍도와 일치하도록 μ를 조정하는 반복 수렴 알고리즘을 적용, 수렴 실패 시 “발산”으로 라벨링.
• PMF (Potential of Mean Force) 계산: φ에 따라 Ies6 등 서브유닛의 효과적 상호작용을 직접 측정, 흡인 우물와 탈용매 장벽을 시각화.

3. 주요 결과 및 해석

1. 발산형 서브유닛의 존재

   • Ies4, Ino80 등은 φ가 0.05~0.2 전 구간에서 밀도-화학 퍼텐셜 불연속을 보이며, 이는 spinodal 영역에 해당한다.
   • 발산형 서브유닛은 고정된 입자 수(N 고정)로 모델링해야 실제 클러스터 형성을 재현한다.

2. 혼잡도에 따른 전이

   • Ies6은 φ=0.05에서는 순수 배제(반발)만 보이지만, φ≥0.1에서는 흡인 우물이 나타나며, φ=0.2에서는 탈용매 장벽이 형성돼 장거리 “끈적함”을 유도한다.
   • 이는 혼잡도가 높아질수록 배제 부피가 유도하는 depletion attraction이 강화된다는 고전적인 콜로이드 물리와 일치한다.

3. 열역학적 기여 차이

   • 발산형 서브유닛은 ΔE(잠재에너지)와 ΔV(접근 가능한 부피) 항목에서 큰 기여를 하며, 엔트로피 감소(−ΔS) 역시 뚜렷하게 나타난다.
   • 반면 수렴형 서브유닛은 주로 μΔN 항목(농도 조절)만이 의미 있는 영향을 미친다.

4. 예측 그래프(반이중 그래프) 제시

   • 서브유닛 간 비대칭 상호작용(source → target)과 풍도 가중치를 시각화한 그래프를 통해, **상호작용/풍도 비율(I/N)**이 높은 경우 발산 가능성을 사전에 예측할 수 있음을 보였다.

4. 학문적·실용적 의의

• 세포 상태와 물리적 변수 연결: φ와 μ를 세포 내 “상태 변수”로 정의함으로써, 환경 변화(예: 스트레스, 영양 제한)가 메가복합체 조립에 미치는 물리적 메커니즘을 정량화했다.
• 다중 서브유닛 시스템에 대한 새로운 프레임워크: 기존의 고정 스토이키오메트리 모델을 넘어, 개방계 통계역학을 적용한 최초 사례 중 하나다.
• 예측 가능성: 실험적으로 측정 가능한 XL‑MS와 프로테오믹스 데이터만으로도 복합체 조립 경로와 핵심 서브유닛을 사전에 식별할 수 있어, 신약 표적 발굴이나 인공 나노머신 설계에 활용 가능하다.

5. 제한점 및 향후 연구 방향

**

📄 Content

번역 (한국어, 최소 2000자)

환경 구배가 존재하는 고처리량 실험, 영상화, 그리고 인공지능(AI) 기반 고급 분석 도구의 발달에 힘입어, 하나의 유전체로부터 다양한 세포 표현형이 어떻게 발생하는지를 이해하려는 관심이 급격히 증가하고 있다[1]. 유전체 정보와 그로부터 파생된 지식이 풍부하게 제공됨에 따라, 우리는 유전자 발현 데이터[2][3][4], 단일세포 RNA 시퀀싱[5], 그리고 단백질 서열·구조[6]를 통해 생물학적 네트워크에 대한 통찰을 얻었다. 그러나 단백질 상호작용의 변이와 그 풍부도에 의해 나타나는 세포 상태를 대표하는 단백질체 수준의 다중 표현형(단백질 상호작용 및 양의 변이)은 아직 충분히 이해되지 못하고 있다(그림 1A)[7][8][9]. 세포 상태에 따라 동적으로 적응하는 단백질 어셈블리—예를 들어, 생체분자 응축체(biomolecular condensates)[12][13][14][15][16] 혹은 메가복합체(megacomplexes)[17][18][19][20]—는 유전형에서 표현형으로 이어지는 복잡성이 환경 요인에 의해 어떻게 형성되는지를 보여주는 대표적인 사례이다. AI 기반 단백질 구조 예측이 크게 발전했음에도 불구하고, 단백질 상호작용 메커니즘과 이들이 형성하는 메가복합체의 발생 원리는 아직 명확히 규명되지 않았다.

이러한 지식 격차를 메우기 위해, 이종 성분을 포함하는 거대분자 어셈블리를 구동하는 단백질 상호작용을 조사하는 여러 계산·이론적 프레임워크가 제시되었다[12][13][14][15][16][21][22][23]. 그 중 하나가 스캐폴드‑클라이언트(scaffold‑client) 모델이다. 여기서는 파트너 수(즉, 결합가치, valency)가 높은 단백질을 스캐폴드라 하고, 파트너가 적은 단백질을 클라이언트라 부한다[24][25]. 스캐폴드와 클라이언트 간의 보다 포괄적인 상호작용을 포함하는 확장 모델도 존재하지만, 이들 모델은 여전히 고정된 단백질 양을 전제하여 정적인 세포 상태를 가정한다[26][27].

세포 상태가 동적으로 변하고, 이러한 변이가 어셈블리 구성 성분 및 구조에 영향을 미친다는 점을 반영하기 위해, 우리는 그랜드 캐노니컬 앙상블(grand canonical ensemble) 기반의 개방 시스템을 도입하였다[28]. 이 시스템은 세포 내 ‘저장소(reservoir)’와 같은 환경에서 서브유닛들의 배제 부피가 단백질 상호작용의 구성 탐색을 제한하고, 결국 어셈블리를 촉진한다는 가설을 검증한다. 실험적 사례로, 우리는 효모 크로마틴 리모델러 INO80 복합체[29][30][31][32][33][34][35]를 선택하였다. INO80은 구조적으로 느슨한 다수의 파트가 세포와 유사한 환경에서 결합·재배열하며, 환경 신호에 따라 리모델링된다[29][30].

우리는 시스템이 주변 입자 저장소와 지속적으로 성분을 교환하며 평형에 도달하는 동적 세포 상태를 모델링하였다. INO80의 실험 데이터를 이용해 느슨한 파트 간의 상호작용 에너지와 화학 퍼텐셜을 추정함으로써 구조 모델을 생성하였다. 농도 변화와 군집도(crowding)[36][37][38][39]와 같은 열역학적 퍼터베이션을 적용해, 인접 이웃을 넘어서는 상호작용을 조정하는 핵심 서브유닛을 도출하였다. 높은 군집도 하에서는 배제 부피가 모듈 간 감쇠(interaction depletion)[40]를 야기하고, 이는 다양한 군집도 조건에서 INO80 구조 기계의 독특한 구성 상태를 초래한다(그림 1B).

화학 퍼텐셜과 서브유닛 별 시뮬레이션

각 서브유닛의 화학 퍼텐셜은 상대적인 단백질 풍부도와 연계된다[41]. 우리는 INO80 복합체에 대한 교차결합 질량분석(Cross‑linking Mass Spectrometry, XL‑MS) 데이터를 이용해 서브유닛 간 상호작용을 정량화하였다(Methods 섹션). 15개의 서브유닛 각각에 대해, 다른 14개의 서브유닛 농도를 고정한 채 시뮬레이션 입자 수가 실험적 풍부도와 일치할 때까지 화학 퍼텐셜을 반복적으로 조정하였다. 대부분의 서브유닛은 몇 차례 반복만에 수렴했으며(보조 그림 S4), 일부 서브유닛은 실험값 주변에서 진동만을 보이며 수렴하지 못했다. 우리는 이러한 서브유닛을 **‘divergent(발산)’**라 명명하고, 수렴하는 서브유닛을 **‘convergent(수렴)’**이라 구분하였다.

발산 서브유닛의 위상도(phase diagram) 분석

발산 서브유닛의 근본 원리를 파악하기 위해, 우리는 밀도(density)–화학 퍼텐셜(μ) 위상을 온도 T = 1(축소 온도 단위)에서, 부피 분율 φ = 0.05, 0.1, 0.2에 대해 그렸다(그림 2). φ는 세포 내 군집도(군집 물질의 부피 비율)를 나타내며[38][42], 밀도는 정규화된 풍부도를 의미한다.

• 그림 2A에서 발산 서브유닛은 두꺼운 선으로 표시되며, 특정 화학 퍼텐셜 μ* 근처에서 밀도 불연속성을 보인다. 예를 들어, Ies4(노란 곡선)의 경우 φ = 0.1에서 μ* = ‑9.8 근처에 0 ~ 0.014 사이의 밀도 불연속이 관찰되며, 실험값(노란 화살표)이 이 구간에 위치한다. Ino80 역시 동일한 불연속을 보여 φ 전 범위에서 발산 특성을 유지한다.

• 모든 서브유닛이 발산하지는 않는다. Ies6, Arp5, Nhp10 등은 제한된 φ 구간에서만 발산 행동을 보인다. Ies6은 φ = 0.05에서는 수렴하지만 φ = 0.1, 0.2에서는 발산한다. Arp5와 Nhp10은 φ = 0.1, 0.2에서 각각 발산‑수렴 경계(critical) 상태에 있다(그림 2A의 점선).

밀도‑화학 퍼텐셜 곡선의 불연속은 해당 서브유닛이 입자 저장소와 연결될 때 열역학적으로 불안정한 영역에 있음을 의미한다. 이는 스핀오달 분해(spinodal decomposition) 개념으로 해석될 수 있다(그림 2A 삽입).

발산 서브유닛의 실험 풍부도가 불연속 영역에 위치하므로, 이들을 고정 입자 수 모델로 다루는 것이 더 적절하다. 따라서 우리는 발산 서브유닛의 실험 풍부도와 나머지 서브유닛의 추정 화학 퍼텐셜을 이용해 INO80 메가복합체 형성을 시뮬레이션하였다(Methods). 결과 클러스터와 그 조성은 보조 그림 S6에 제시되며, 모든 클러스터는 최소 하나의 발산 서브유닛을 포함한다는 점이 눈에 띈다.

군집도에 따른 Ies6의 평균 힘 퍼텐셜(PMF)

Ies6이 φ에 따라 발산·수렴 전이를 보이는 점에 주목하여, 우리는 **잠재 평균 힘(potential of mean force, PMF)**을 계산하였다. φ = 0.05, 0.1, 0.2에서 Ies6과 다른 서브유닛 간의 PMF를 구한 결과는 그림 2B에 나타난다.

• φ = 0.05에서는 전 구간에서 PMF > 0, 즉 부피 배제에 의한 반발만 존재한다.
• φ = 0.1에서는 r < 5σ(σ는 서브유닛 직경) 구간에서 PMF < 0인 **흡인 우물(attractive well)**이 나타난다.
• φ = 0.2에서는 짧은 거리에서 PMF가 0 이하로 내려간 뒤, 6σ < r < 9σ 구간에서 다시 0 이상이 되며 **탈용매화 장벽(desolvation barrier)**이 형성된다. 이 장벽은 상호작용을 끊을 때 엔트로피 비용을 추가함으로써 ‘감쇠(sticky)’ 효과를 강화한다[43][40].

이와 같이 φ에 따라 PMF 프로파일이 변하는 현상은 군집도가 서브유닛의 유효 상호작용을 조절한다는 흥미로운 현상을 보여준다. Ies6은 φ ≥ 0.1에서 ‘끈적함(stickiness)’을 보이며 발산하게 되고, φ = 0.05에서는 순수 배제로 인해 수렴한다. 이러한 경향은 보조 그림 S8에서도 확인되며, 발산 서브유닛은 φ = 0.1에서 모든 다른 서브유닛과의 흡인 우물을, 수렴 서브유닛은 오직 배제 반발만을 나타낸다.

자유에너지 변화와 기여도 분석

발산 서브유닛이 클러스터 응집에 미치는 열역학적 기여를 정량화하기 위해, 우리는 입자 삽입 자유에너지 ΔG를 다음과 같이 분해하였다.

[ \Delta G = \underbrace{\mu \Delta N}{\text{입자 수·화학 퍼텐셜}} + \underbrace{\Delta E}{\text{잠재 에너지 변화}} + \underbrace{\Delta V’ - \phi \Delta V’}{\text{접근 가능한 부피와 부피분율}} - \underbrace{\Delta S}{\text{구성 엔트로피}} . ]

여기서 ΔV’는 σ³ 단위의 부피, ΔE는 k_BT 단위의 에너지이다.

먼저 순수 배제 입자(오직 부피 배제만 고려)로 ΔV’와 ΔE를 측정한 뒤, 실제 INO80 서브유닛 i를 삽입했을 때의 ΔV’ᵢ와 ΔEᵢ를 계산하였다. ‘끈적한(sticky)’ 발산 서브유닛을 삽입하면, 유효 흡인 상호작용이 촉진되어 접근 가능한 부피가 확대되고, 잠재 에너지가 크게 감소한다(그림 3B). 이는 장거리 PMF 꼬리(long tail)와 일치한다. 반면, 수렴 서브유닛을 삽입해도 ΔV’와 ΔE의 변화는 미미하며, 그 영향은 국소적에 그친다.

각 항목별 기여도를 정량화한 결과(그림 3C)에서는 발산 서브유닛이 에너지(ΔE), 엔트로피(ΔS), 접근 부피(ΔV’) 항목에서 크게 기여하는 반면, 수렴 서브유닛은 μΔN 항목(입자 수·화학 퍼텐셜)에서 주로 기여한다는 점이 드러났다.

발산성 예측 모델

발산 서브유닛을 사전에 예측하기 위해, 우리는 단백질‑단백질 상호작용 강도와 풍부도만을 이용한 그래프 기반 모델을 제시한다(그림 4A). 두 서브유닛 i와 j는 각각 다른 풍부도 Nᵢ, Nⱼ를 가질 수 있으므로, 우리는 ‘source‑target’ 형태의 양방향 반쪽(half‑edged) 그래프를 구축하였다.

• 화살표는 **source → targ

이 글은 AI가 자동 번역 및 요약한 내용입니다.