AI 알고리즘 구조 생물학 문제 해결

생물학적 분자의 3차원 모양을 결정하는 것은 현대 생물학 및 의학적 발견에서 가장 어려운 문제 중 하나다.

과학자들은 새로운 기계 학습(machine learning) 기술을 사용해 정확한 구조를 계산적으로 예측함으로써 이 문제를 극복하는 접근 방식을 개발했다.

가장 주목할만한 것은 그들의 접근 방식이 알려진 몇 가지 구조에서만 학습하는 경우에도 성공하여 구조를 실험적으로 결정하기 가장 어려운 분자 유형에 적용할 수 있다는 것이다.

스텐포드 대학(Stanford University) Ron Dror 컴퓨터 과학 부교수 연구팀 박사과정 학생 Stephan Eismann과 Raphael Townshend이 참여한 연구는 각각 2021년 8월 27일 Science 저널에 발표됐다. 논문은 리주 다스(Rhiju Das) 생화학 부교수 스탠포드 연구실과의 협업이다.

연구원이 설계한 알고리즘은 정확한 분자 구조를 예측하고 이를 통해 과학자들은 기초 생물학 연구에서 정보에 입각한 약물 설계 관행에 이르기까지 다양한 응용 분야에서 다양한 분자가 작동하는 방식을 설명할 수 있다.

Eismann은 “단백질은 모든 종류의 기능을 수행하는 분자 기계다. 그 기능을 실행하기 위해 단백질은 종종 다른 단백질에 결합한다”며 “당신이 한 쌍의 단백질이 질병과 관련되어 있다는 것을 알고 있고 그것들이 3차원에서 어떻게 상호작용하는지 안다면, 당신은 이 상호작용을 약물과 매우 구체적으로 표적화하려고 시도할 수 있다”고 말했다.

구조적 예측을 어느 정도 정확하게 만드는 요소를 지정하는 대신, 연구원들은 알고리즘이 이러한 분자적 특징을 스스로 발견하도록 한다.

Eismann은 “문제는 알고리즘이 이러한 기능을 선택하는 사람이 중요하다고 생각하는 쪽으로 편향되어 더 잘해야 할 일부 정보를 놓칠 수 있다는 것”이라고 말했다.

Townshend는 “네트워크는 분자 구조 형성에 핵심적인 기본 개념을 찾는 법을 배웠지만 명시적으로 말하지는 않았다. 흥미로운 점은 알고리즘이 우리가 중요하다고 알고 있던 것을 명확하게 복구했지만 이전에 알지 못했던 특성도 복구했다는 것”이라고 설명했다.

연구원들은 RNA의 다른 부류도 알고리즘을 적용했다. 그들은 해당 분야의 오랜 경쟁에서 나온 일련의 “RNA 퍼즐”에 알고리즘을 테스트, 유효성을 확인했다.

연구원들은 단백질 복합체와 RNA 분자 이외에 다른 곳에 적용될 수 있다고 강조한다.

Dror는 “최근 기계 학습의 극적인 발전은 훈련을 위해 엄청난 양의 데이터를 필요로 했다. 이 방법이 매우 적은 훈련 데이터를 감안할 때 성공한다는 사실은 관련 방법이 데이터가 부족한 많은 분야에서 해결되지 않은 문제를 해결할 수 있음을 시사한다”고 말했다.