단백질 접힘과 질병의 연결 고리
알파폴드와 단백질 접힘 연구의 도전
알파폴드와 같은 AI 기술은 단백질 접힘 연구에서 중요한 역할을 합니다. 이 연구는 특히 약물 발견에서 핵심 동력으로 작용하며, 질병과 관련된 단백질의 접힘과 기능을 이해하고 이를 정확히 타겟으로 하는 분자를 설계하는 것을 목표로 합니다.
- 최근 연구에 따르면, 알파폴드 2는 98.5%의 정확도로 단백질 3차 구조를 예측했습니다. 이는 이전의 생화학적 예측 방법보다 훨씬 높은 수준입니다.
- 이러한 AI 기술의 발전은 새로운 약물 개발 주기를 크게 단축시키며, 기존의 연구가 해결하지 못했던 복잡한 생물학적 문제를 풀 가능성을 높이고 있습니다.
신경퇴행성 질환과 무질서한 단백질
알츠하이머와 파킨슨병과 같은 신경퇴행성 질환은 IDR(내재적 무질서 영역)을 포함한 단백질이 중요한 역할을 합니다. 이들 단백질은 정상적으로는 유연하지만, 잘못 접히면 유독한 집합체를 형성해 뇌 세포를 파괴합니다.
- 2022년 보고서에 따르면, 세계적으로 약 5000만 명의 사람들이 알츠하이머병으로 고통받고 있으며, 이 수치는 2050년까지 두 배로 증가할 것으로 예상됩니다.
- 무질서한 단백질의 형성은 세포 간의 신호 전달과 자가면역 반응에도 영향을 미쳐, 치료 방법 개발 시 이러한 메커니즘을 철저히 이해하는 것이 중요합니다.
AI와 IDR 예측의 한계
AI 기반의 단백질 구조 예측 모델은 IDR을 처리하는 데 어려움을 겪습니다. IDR은 고정된 구조가 없으며, 다양한 생화학적 환경에 따라 다르게 형성되기 때문입니다. AI는 단일 “최적 구조”를 예측하도록 설계되어 이러한 변동성을 처리하지 못합니다.
- 연구에 따르면, IDR의 비율이 높은 단백질일수록 질병과의 연관성이 높아지고 있으며, 이러한 단백질의 거의 44%가 전사 과정과 관련이 있습니다.
- 현재 AI 모델은 IDR을 반복 학습하고 시뮬레이션을 통해 현실적인 변이성을 예측하려는 연구가 진행 중입니다.
암 연구와 AI의 한계
암 연구에서도 유사한 문제가 나타납니다. 예를 들어, 종양 억제 단백질 p53은 크게 무질서한 영역을 포함하고 있어 AI 모델이 정확히 예측하기 어렵습니다. 이는 치료적 개입을 복잡하게 만듭니다.
- p53 단백질의 변형은 세계 암의 약 50%에 관련되어 있으며, 이로 인해 AI 모델이 정밀한 예측을 수행하는 데 중요한 도전 과제가 되고 있습니다.
- 종양 억제제 및 새로운 치료법 개발을 위해서는 이러한 무질서한 영역을 보다 정확히 이해하고 예측하는 기술이 필요합니다.
TIM-3 문제: 고정되지 않는 단백질
실제 약물 발견에서도 AI의 한계가 드러납니다. 예를 들어, TIM-3는 면역 조절에 중요한 단백질로, 고정된 결합 포켓이 없어 AI 모델이 예측하기 어렵습니다. 이는 AI가 예측한 구조가 실질적인 생체 내 단백질 행동과 다르게 나타나는 결과를 초래합니다.
- TIM-3는 면역 체크포인트로 작용하며, 특히 항암 치료에서 중요한 역할을 합니다. 그러나 이 단백질의 구조적 유동성은 예측을 복잡하게 합니다.
- 최근 연구에서는 AI 기반 기법을 사용하여 TIM-3의 구조적 특성과 상호작용 파트너를 예측하려는 노력이 강화되고 있으며, 이는 면역 치료의 효과성을 높이는 데 기여할 수 있습니다.
출처 : 원문 보러가기
