열역학적 거리로 본 무질서 단백질의 상분리와 다중성분 거동 예측 모델

초록

본 연구는 무질서 단백질(IDR)의 서열 정보를 저차원, 맥락 독립적인 벡터로 변환하고, 이 벡터들의 유클리드 거리를 열역학적 상호작용 차이와 직접 연결시키는 새로운 열역학적 메트릭 공간을 제안한다. 학습된 MLP 모델은 10차원 정도의 차원만으로도 다양한 농도와 조합의 다중성분 혼합물에서의 초과 화학 퍼텐셜, 자유에너지 차이, 그리고 상도표를 시뮬레이션 수준의 정확도로 예측한다. 기존의 손으로 만든 페어와이즈 모델(FINCHES)이나 제한된 차원의 선형 모델보다 뛰어난 성능을 보이며, 서열 구성과 패턴이 어떻게 혼합물 열역학에 기여하는지 해석 가능하게 한다.

상세 분석

이 논문은 무질서 단백질(IDR)의 복합 혼합물 내 상분리 현상을 정량적으로 예측할 수 있는 통합 프레임워크를 제시한다. 핵심 아이디어는 각 IDR 서열을 d‑차원의 특성 벡터 z로 매핑하고, 이 벡터들을 농도 가중 평균( (\bar z) )으로 결합해 혼합물 표현을 만든 뒤, 학습된 자유에너지 밀도 Ψ 의 기울기 ∇Ψ 와 내적함수 (μ^{ex}_i = z_i·∇Ψ(\bar z)) 을 통해 초과 화학 퍼텐셜을 계산한다는 것이다. 여기서 중요한 점은 (μ^{ex}) 함수의 L2 노름을 거리 척도로 정의함으로써, 두 서열 벡터 사이의 유클리드 거리가 그들의 열역학적 행동 차이와 일대일 대응한다는 열역학적 메트릭 공간을 구축한다는 점이다.

연구진은 인간 IDRome을 20아미노산 길이의 겹치지 않는 조각으로 분할해 335,439개의 대표 조각을 확보하고, 이들을 무작위로 조합해 ‘혼합물 사전(prior)’을 만든다. 이 사전은 실제 세포 내 응축체가 소수의 성분에 고농도로 편중되는 특성을 반영한다. 그런 다음 최신 코스‑그레인 포스필드인 Mpipi를 이용해 방대한 EOS(상태 방정식) 데이터를 생성하고, 이를 입력으로 MLP(다층 퍼셉트론) 모델을 학습한다. 모델은 직접적인 자유에너지 또는 상공존 계산 없이도 EOS와 자유에너지 차이(Δf)를 정확히 재현한다.

차원 분석 결과, d≈10 정도면 초과 화학 퍼텐셜을 0.1 kT 이하의 오차로 복원할 수 있음을 확인했으며, 첫 몇 차원에 대부분의 변동성이 집중된다. 이는 IDR 상호작용이 실제로는 몇 개의 핵심 서열 특징(예: 전하 밀도, 수소 결합 가능성, 패턴화된 친수성/소수성 구간)으로 설명될 수 있음을 시사한다.

성능 비교에서는 학습된 페어와이즈 모델(PW)과 기존 손으로 만든 FINCHES 모델을 동일 데이터에 맞춰 튜닝하였다. FINCHES는 전통적인 Flory‑Huggins 형태의 상호작용을 가정하지만, 복잡한 다중성분 혼합에서는 1 kT 수준의 큰 오차를 보인다. 반면, MLP 모델은 0.1 kT 이하의 RMSE를 달성하고, 구성 성분이 늘어날수록(1→4성분) 오차가 더욱 감소한다. 이는 다중성분 시스템에서 개별 성분의 변동성이 평균화되어 선형 혼합 규칙이 더욱 정확해지는 현상을 반영한다.

또한, 명시적으로 자유에너지 통합을 수행해 만든 231개의 테스트 셋에 대해서도 MLP 모델은 Δf를 거의 완벽히 재현한다. 이는 모델이 단순히 EOS를 보간하는 수준을 넘어, 실제 자유에너지 지형을 학습했음을 의미한다.

해석 측면에서는 학습된 특성 벡터를 시각화해 각 IDR 조각이 메트릭 공간에서 어떻게 군집화되는지 확인했다. 전하가 풍부한 조각은 한쪽에, 친수성/소수성 패턴이 강한 조각은 다른 쪽에 위치하며, 이는 기존의 아미노산 조성·패턴 이론과 일치한다. 따라서 이 메트릭 공간은 서열 변이가 열역학적 특성에 미치는 영향을 직관적으로 파악할 수 있는 ‘열역학적 지도’ 역할을 한다.

결론적으로, 이 연구는 (1) 서열‑열역학 간의 저차원 매핑을 정량화, (2) 복잡한 다중성분 혼합에서도 시뮬레이션 수준의 정확도로 상도표와 파티셔닝을 예측, (3) 모델 자체가 해석 가능하여 서열 설계와 변이 효과를 직관적으로 평가할 수 있는 새로운 프레임워크를 제공한다는 점에서 큰 의의를 가진다. 향후 실험 데이터와 결합하면, 세포 내 응축체 형성 메커니즘 규명 및 맞춤형 바이오머신 설계에 강력한 도구가 될 것으로 기대된다.