단백질 구조 정렬의 민감도와 속도를 혁신한 LoL-align 의 등장
Contents
01. 연구 배경과 미해결 과제
최근 AlphaFold 등의 단백질 구조 예측 기술 발전으로 실험적으로 결정된 구조에 필적하는 정확도의 모델이 수억 개 생성되어 데이터베이스에 축적되고 있습니다. 이에 따라 서열 기반 접근법에서 구조 기반 접근법으로 대규모 단백질 분석의 패러다임 전환이 일어나고 있습니다. 그러나 기존 구조 정렬 도구에는 과제가 남아있었습니다. TM-align 나 GTalign 은 단일 도메인의 강체 구조에는 우수하지만, 구조적 유연성에 대한 내성이 제한적입니다. 반면 민감도가 높은 Dali 는 계산 비용이 높아 대규모 데이터베이스 적용이 어렵습니다. Foldseek 는 속도를 극적으로 향상시켰지만, 민감도와 정렬 품질 면에서 타협을 강요받았습니다. 이렇듯 민감도, 속도, 정확도, 그리고 다도메인 단백질 대응을 동시에 만족하는 도구 개발이 강력히 요구되었습니다.
02. 이 논문에서 밝혀진 핵심 내용
본 논문에서는 LoL-align 이라는 새로운 거리 기반 알고리즘을 발표했습니다. LoL-align 은 단백질 내 Cα-Cα 거리를 기반으로 아미노산 잔기 쌍이 동족이라는 증거를 정량화하는 'LoL-odds 점수'를 최대화합니다. 벤치마크 실험 결과, LoL-align 은 단일 도메인 및 다도메인 단백질에서 TM-align 나 Dali 보다 현저히 높은 민감도로 원거리 동족성을 탐지할 수 있음이 입증되었습니다. 특히 Dali 보다 20 배 빠르면서도 더 높은 민감도를 달성했습니다. 또한 Foldseek 에 완전히 통합되어 사전 필터링 후 상위 히트를 정밀화함으로써, 수억 개의 예측 구조에 대한 대규모 구조 비교를 고정밀도로 수행할 수 있게 되었습니다.
03. 연구 설계와 기술적 포인트
LoL-align 의 핵심은 새로운 LoL-odds 점수 함수와 이를 최적화하는 반복 알고리즘에 있습니다. 먼저 3Di 서열과 아미노산 치환 점수를 사용하여 벡터화된 포워드-백워드 알고리즘으로 사후 정렬 확률을 계산하고, 고점수 시드 앵커를 선택합니다. 이후 앵커 잔기 쌍을 기반으로 LoL-점수 행렬을 계산하고, 확률 임계값을 초과한 잔기 쌍을 앵커 세트에 추가하는 과정을 반복하여 정렬을 정밀화합니다. 또한 이 연구에서는 단일 명령 다중 데이터 (SIMD) 로 벡터화된 확률론적 서열 정렬 알고리즘을 최초로 구현했습니다. 이를 통해 현대 CPU 아키텍처에서의 병렬 처리가 가속화되고, 수치적 오버플로우를 방지하기 위한 리스케일링 기법과 동적 계획법 행렬의 오버로딩을 통한 메모리 사용량 축소가 실현되었습니다.
- LoL-odds 점수: Cα-Cα 거리와 서열 거리를 기반으로 잔기 쌍의 동족성을 확률적으로 평가
- SIMD 벡터화 포워드-백워드 알고리즘: 계산 속도의 대폭 향상
- 반복적 앵커 확장: 구조적 유연성 및 다도메인 구조 대응
- Foldseek 통합: 대규모 데이터베이스 검색과의 원활한 연동
04. 질환 연구 및 신약 개발에 대한 시사점
신약 연구에서 미지의 단백질 기능을 추론하거나, 기존 약물 타겟과 구조적 유사성을 가진 신규 분자를 탐색할 때 구조 정렬은 매우 중요합니다. LoL-align 의 높은 민감도는 서열 동족성이 낮아도 구조적으로 유사한 '원거리 동족 단백질'을 발견하는 능력을 비약적으로 향상시킵니다. 이는 신규 신약 타겟 발견이나 기존 약물의 새로운 적응증 (드러그 리포지셔닝) 탐색에 큰 기여가 기대됩니다. 또한 구조 예측 모델 (AlphaFold DB 등) 의 방대한 데이터에서 질환 관련 단백질의 기능적 도메인이나 상호작용 인터페이스를 신속하게 동정하는 정확도도 향상되므로, 타겟 검증 및 리드 화합물 설계 프로세스를 효율화할 수 있습니다.
05. 전임상 모델 및 연구 도구와의 연관성
LoL-align 은 생물정보학 도구로서의 성능 향상이 주안점이지만, 그 출력은 실험계 설계에 직접적인 영향을 미칩니다. 고정밀 구조 정렬은 특정 유전자 변이가 단백질 구조에 미치는 영향을 예측할 때 필수적이며, 유전자 편집 을 이용한 동물 모델이나 세포 모델 설계 정확도를 높입니다. 예를 들어, 특정 도메인 구조를 유지하는 변이를 Knock-in(KI) 마우스에 도입하거나, 기능 상실 변이를 Knockout(KO) 할 때 타겟 영역 선정에 LoL-align 에 의한 구조 보존성 평가는 중요한 지침이 됩니다. 또한 Cyagen 이 제공하는 유전자 변형 동물 모델 이나 세포주 제작에서 타겟 단백질의 구조 정보를 정확히 파악하는 것은 모델의 표현형 예측 및 전임상 시험의 성공률 향상에 이어집니다.
06. 정리
LoL-align 은 단백질 구조 정렬 분야에서 민감도, 속도, 정확도라는 트레이드오프를 해결하는 획기적인 도구입니다. Foldseek 와의 통합으로 수억 개의 단백질 구조 데이터베이스 분석이 현실적인 시간 내에 가능해져, 신약 연구 및 기초 생물학에서 구조 기반 접근법을 크게 전진시킵니다. 이 기술은 신규 타겟 발견부터 유전자 기능 분석, 전임상 모델 설계에 이르기까지 생명과학 연구의 넓은 영역에서 중요한 역할을 할 것으로 기대됩니다.


