혼잡한 환경에서 단백질 메가복합체 형성의 물리 원리

초록

본 연구는 대규모 단백질 메가복합체의 조립 메커니즘을 통계 물리학의 그랜드 정준계 모델로 분석한다. 질량분석 기반 단백질 상대량과 교차결합 데이터를 이용해, 특히 크라우드링(분자 혼잡) 환경에서 배제 부피가 어떻게 ‘다양한’ 서브유닛을 중심으로 클러스터를 형성하고, INO80 크로마틴 리모델러와 같은 메가복합체의 구조적 다양성을 유도하는지를 규명한다.

상세 분석

이 논문은 단백질 메가복합체를 ‘구성 요소가 명확히 정의되지 않은’ 시스템으로 정의하고, 전통적인 고정 입자 모델이 적용되기 어려운 세포 내 고밀도 환경을 고려한다. 저자들은 그랜드 정준계(μVT ensemble)를 도입해, 시스템 전체의 화학 퍼텐셜 μ와 부피 V, 온도 T를 외부 변수로 설정하고, 각 단백질 종의 복제·소멸을 확률적으로 기술한다. 이렇게 하면 관측된 질량분석(MS) 데이터—특히 상대적 풍부도와 화학 교차결합(chemical cross‑link) 네트워크—를 직접적인 제약조건으로 활용할 수 있다.

핵심은 ‘배제 부피(excluded volume)’ 효과를 정량화한 점이다. 세포질의 고농도 매크로분자는 단백질 간 물리적 충돌을 억제하고, 특정 서브유닛이 차지하는 부피가 주변 분자들의 자유 에너지 지형을 변형시킨다. 저자들은 ‘다양한(divergent) 단백질’이라 명명한 서브유닛군이 이러한 배제 부피를 매개로, 단순히 인접한 파트너와의 직접 결합을 넘어 장거리 조절 역할을 수행한다는 가설을 세운다.

이를 검증하기 위해 INO80 크로마틴 리모델러 메가복합체를 모델 시스템으로 선택하였다. INO80은 핵심 코어와 여러 loosely associated subunits 로 구성되며, 기존 구조학적 데이터가 불완전한 특징을 가진다. 저자들은 실제 세포 추출물에서 얻은 MS 기반 풍부도와 교차결합 매트릭스를 입력으로, Monte‑Carlo 시뮬레이션을 수행해 다양한 군집화 패턴을 탐색한다. 시뮬레이션 결과, 배제 부피가 크게 변하는 ‘고밀도’와 ‘저밀도’ 조건에서 각각 다른 클러스터 구성이 나타났으며, 특히 divergent 서브유닛이 핵심 코어 주변에 선택적으로 모여 새로운 서브구조를 형성한다는 점이 확인되었다.

통계적 자유에너지 분석에 따르면, 이러한 클러스터는 전역 최소가 아니라 ‘메타안정성(meta‑stable)’ 상태에 머무르는 경우가 많다. 즉, 세포 내 신호나 스트레스에 따라 쉽게 전환될 수 있는 구조적 ‘플라스틱’을 제공한다. 이는 기존의 ‘고정된 스테레오화학적 결합’ 모델과는 대조적이며, 메가복합체가 환경 변화에 따라 동적으로 재구성될 수 있음을 시사한다.

또한, 저자들은 배제 부피를 ‘세포 상태를 나타내는 물리적 변수’로 정의하고, 이를 조절함으로써 메가복합체의 구성비와 형태를 예측·조작할 수 있는 프레임워크를 제시한다. 이 접근법은 AI 기반 구조 예측(예: AlphaFold‑Multimer)과 결합하면, 아직 실험적으로 확인되지 않은 ‘느슨하게 결합된’ 서브유닛들의 위치와 역할을 추정하는 데 유용할 것으로 기대된다.

전반적으로 이 연구는 통계 물리학과 질량분석 데이터를 융합해, 고밀도 세포 환경에서 단백질 메가복합체가 어떻게 ‘물리적 압력’에 의해 조직화되는지를 정량적으로 설명한다. 이는 향후 세포 내 신호 전달, 유전정보 발현 조절, 그리고 질병 관련 메가복합체 변형 메커니즘을 이해하는 데 중요한 이론적 토대를 제공한다.