단백질 구조 예측을 위한 거시적 랭게뱅 분자동역학 접근법

초록

본 논문은 조각 조립 기법과 물리 기반 랭게뱅 분자동역학을 결합한 새로운 de novo 단백질 구조 예측 방법을 제시한다. 조각이 일관되게 결합된 후보 구조를 랭게뱅 동역학으로 동적으로 탐색하고, 경험적으로 도출한 점수 함수로 교차 검증함으로써 예측 정확도를 향상시켰다.

상세 분석

이 연구는 기존의 조각 기반 구조 예측이 갖는 전역적인 탐색 한계를 보완하기 위해, 조각 조립 단계에서 얻어진 후보 구조를 물리적 폴딩 시뮬레이션으로 재검증한다는 혁신적인 흐름을 도입한다. 구체적으로, 먼저 단백질 서열을 짧은 3~9개의 잔기 조각으로 분할하고, 각 조각을 기존 PDB 데이터베이스에서 유사한 구조를 찾아 조립한다. 이때 조립된 모델은 아직 거시적인 자유 에너지 지형을 충분히 탐색하지 못한 상태이므로, 저마찰 랭게뱅 방정식을 이용해 연속적인 좌표 변화를 시뮬레이션한다. 랭게뱅 동역학은 온도와 점성 항을 명시적으로 포함함으로써, 실제 세포 내와 유사한 열적 요동과 마찰 효과를 재현한다. 이 과정에서 구조는 에너지 최소화 경로를 따라 이동하면서, 조각 간의 비물리적 충돌을 자연스럽게 해소하고, 이차 구조와 장거리 상호작용이 동시에 고려된다.

시뮬레이션 후에는 경험적으로 도출된 점수 함수—주로 접촉 지도 일치도, 잔기 간 거리 제약, 그리고 전역적인 토폴로지 보존을 평가하는 항목들—를 적용해 후보 모델을 재평가한다. 교차 검증 단계에서 점수 함수가 높은 모델은 물리적 시뮬레이션 결과와 조각 조립 정보가 일관된 경우에 해당한다. 실험적으로는 CASP와 같은 공개 벤치마크 데이터셋을 사용해 30여 개의 타깃 단백질을 테스트했으며, 기존 조각 조립만을 이용한 방법 대비 TM-score와 RMSD에서 평균 5~8 %의 향상을 기록했다. 특히, 구조가 복잡하고 장거리 상호작용이 풍부한 β-시트 중심 단백질에서 개선 효과가 두드러졌다.

이 방법의 강점은 (1) 조각 조립의 빠른 전역 탐색 능력과 (2) 랭게뱅 동역학이 제공하는 미세한 에너지 지형 탐색을 결합함으로써, 두 단계가 상호 보완적인 피드백 루프를 형성한다는 점이다. 또한, 점성 계수와 온도 파라미터를 조절함으로써 시뮬레이션의 탐색 깊이를 유연하게 조절할 수 있어, 계산 비용과 정확도 사이의 트레이드오프를 효율적으로 관리한다. 한계점으로는 고차원 자유도와 복잡한 에너지 장벽으로 인해 대형 단백질(길이 > 250 aa)에서는 시뮬레이션 시간이 급격히 증가한다는 점이며, 점수 함수가 경험적 데이터에 크게 의존하므로 새로운 폴딩 메커니즘을 포착하는 데는 제한적일 수 있다. 향후 연구에서는 멀티스케일 접근법과 딥러닝 기반 점수 함수를 통합해, 더 큰 시스템에 대한 확장성과 일반성을 높이는 방향이 제시된다.