왜 우리는 RNA 구조를 원자 수준에서 예측할 수 없는가

초록

현재 어떤 알고리즘도 임의의 RNA 서열을 입력받아 기능을 보장하는 정확한 3차원 구조를 자동으로 산출하지 못한다. 본 장에서는 기존 자동 RNA 구조 예측 방법들(FARNA‑FARFAR 포함)의 성과와 한계를 테트라루프와 사르신/리신 모티프 사례를 통해 분석하고, 샘플링 향상, 실험 구조 의존도 감소, 원자 수준 상호작용을 묘사하는 미세 모델 도입이라는 세 가지 핵심 과제를 제시한다. 또한, 전 세계적인 CASP‑style 평가 실험을 제안한다.

상세 분석

본 논문은 RNA 3차원 구조 예측이 아직도 ‘정밀도’와 ‘범용성’ 사이에서 균형을 잡지 못하고 있음을 강조한다. 기존 방법들은 크게 두 축으로 나뉜다. 첫 번째는 비교 모델링으로, 알려진 고해상도 RNA 구조를 템플릿으로 삼아 서열 정렬을 통해 모델을 구축한다. 이 접근법은 템플릿이 풍부한 경우 높은 정확도를 보이지만, 새로운 리보솜 부위나 비코딩 RNA처럼 데이터베이스에 유사 구조가 거의 없을 때는 전혀 활용할 수 없다. 두 번째는 물리‑기반 샘플링으로, FARNA‑FARFAR와 같은 프래그먼트 어셈블리 및 로테이션 기반 Monte‑Carlo 시뮬레이션이 대표적이다. 이들은 원자 수준의 힘장(Force Field)을 적용해 가능한 구조 공간을 탐색하지만, 샘플링 효율이 낮아 실용적인 시간 안에 전역 최소 에너지 구조에 도달하기 어렵다. 특히, 10–30 nt 정도의 작은 루프조차도 다양한 비정상적인 비틀림을 생성해 에너지 함수를 혼란스럽게 만든다.

논문은 두 가지 사례를 통해 이러한 한계를 구체화한다. 첫 번째는 GNRA 테트라루프이며, 실험적으로 알려진 ‘U‑turn’ 구조는 프래그먼트 조합만으로는 재현되지 않는다. 시뮬레이션이 생성한 구조들은 대체로 비정상적인 골격을 보이며, 에너지 최소화 단계에서도 실제 구조와 RMSD > 3 Å 수준을 유지한다. 두 번째는 사르신/리신 모티프와 같은 복합적인 삼차원 접힘을 가진 RNA이다. 여기서는 금속 이온과 단백질 상호작용이 중요한데, 현재 힘장은 이러한 비공유 결합을 충분히 모델링하지 못한다. 결과적으로, FARFAR가 제시한 최상위 모델은 핵심 결합 거리와 각도가 실험값과 크게 차이 난다.

핵심적인 세 가지 도전 과제로는 (1) 샘플링 효율 향상, 즉 고차원 자유도 공간을 효과적으로 탐색할 수 있는 새로운 알고리즘(예: 강화 학습 기반 탐색, 고속 GPU 가속 MD) 필요; (2) 실험 구조에 대한 의존도 감소, 이를 위해서는 대규모 비지도 학습을 통한 잠재 구조 패턴 학습이 요구된다; (3) 원자 수준 상호작용을 정밀히 묘사하는 힘장의 개발, 여기에는 양자역학 기반 파라미터화와 전자밀도 기반 보정이 포함된다.

마지막으로, 저자들은 전 세계 연구자들이 동일한 테스트 세트와 평가 기준을 공유하는 CASP‑style 실험을 정기적으로 개최할 것을 제안한다. 이를 통해 알고리즘 간 객관적 성능 비교와 동시에 현재 힘장의 약점이 명확히 드러날 것이며, 공동 데이터베이스 구축과 베스트 프랙티스 전파가 가속화될 것으로 기대한다.