대부분 노벨상 수상자인 David Baker의 워싱턴대학교 연구실 소속인 연구진이 인공지능으로 설계한 효소 단백질을 개발했다. 이 단백질은 다른 단백질의 펩타이드 결합을 절단할 수 있다. 이번 연구는 RFdiffusion2와 ProteinMPNN 같은 도구를 활용했으며, 이러한 모델이 표적 서열 가까이에 촉매 아미노산을 배치하는 구조를 구축할 수 있음을 보여줬다. 이는 설계가 데이터베이스에 알려진 단백질과 유사하지 않은 경우에도 가능했다.
펩타이드 결합은 화학적으로 매우 안정적이어서 물속에서 자발적으로 분해되는 데 수백 년이 걸릴 수 있다. 생명체는 이 과정을 가속하기 위해 프로테아제 효소를 사용한다. 연구진은 두 가지 메커니즘에 초점을 맞췄다. 하나는 아연 의존성 프로테아제이고, 다른 하나는 아미노산 시스테인에 의존하는 프로테아제다. 두 경우 모두 표적 결합을 공격할 수 있는 촉매 중심 내부에 소수의 아미노산을 정확하게 배열하는 것이 과제였다.
설계 효소는 어떻게 구축됐나?
연구팀은 알려진 두 구조에서 출발했다. 하나는 바닷가재의 소화기관에서 유래한 아연 프로테아제이고, 다른 하나는 효모의 시스테인 프로테아제였다. RFdiffusion2를 사용해 단백질 골격을 생성하면서 촉매 아미노산들이 서로 가까워지고 절단하려는 서열과도 가까워지도록 제약을 설정했다. 이후 ProteinMPNN은 구조적 접힘, 촉매 부위, 표적과의 상호작용에 부합하는 아미노산으로 골격을 채웠다.
연구진은 시스테인 프로테아제 프로젝트에서 12개의 골격과 69개의 아미노산 조합을 설계했으며, 아연 프로테아제 프로젝트에서는 135개의 설계를 시험했다. 또한 AlphaFold3를 사용해 여러 설계의 구조를 예측했다. 데이터베이스에서는 도구가 기존 구조를 단순히 재사용했다고 볼 수 있을 정도로 유사한 단백질을 찾지 못했다.
측정 가능한 활성과 천연 효소와의 격차
연구팀은 프로테아제, 표적 서열, 형광 단백질을 하나로 연결한 긴 단백질 안에서 설계를 시험했다. 절단이 일어나면 반응의 성공 여부를 확인할 수 있는 방식이었다. 시스테인 프로테아제 설계 중 13개가 성공했으며, 이는 시험의 19%에 해당했다. 그러나 활성은 기준으로 삼은 효모 효소보다 훨씬 낮았다.
반응에 필요한 물 분자를 명시적인 제약으로 설정하지 않은 아연 프로테아제 설계에서는 89개 중 14개가 약한 촉매 활성을 보였다. 실패한 설계를 분석한 결과, 물 분자가 반응에 필요한 위치를 차지하는 경우가 있었다. 설계에 물 분자의 위치를 포함하자 성공률은 38개 중 35개로 상승했지만, 대부분의 경우 활성은 여전히 천연 효소 수준에 미치지 못했다.
연구진은 활성 부위 가까이에 있지만 촉매 작용에 직접 참여하지 않는 아미노산을 바꿔 일부 설계를 개선했다. 한 프로젝트에서 가장 효과적인 수정은 표적 서열에 대한 높은 특이성을 유지하면서 펩타이드 결합 절단 속도를 109배 높였다. 아연 프로테아제의 두 번째 버전도 최초 설계보다 활성이 30배 높았으며, 반응을 1010배 가속했다.
의료 응용에는 무엇을 의미하나?
최종 실험에서 연구진은 알츠하이머병 및 전두측두엽 치매와 관련된 단백질을 표적으로 하는 아연 프로테아제를 설계했으며, 그중 하나는 세포 안에서 의도한 표적을 절단하는 데 성공했다. 그러나 기존 설계를 수정해 새로운 서열을 표적으로 삼는 방식은 잘 작동하지 않았고, 이에 따라 연구팀은 설계 과정을 처음부터 다시 진행했다.
이번 결과는 이러한 방법론을 일부 질환과 관련된 비정상 단백질을 표적으로 삼는 데 사용할 가능성을 보여준다. 하지만 치료제가 준비됐다는 의미는 아니다. 단백질을 적절한 위치로 전달하는 일은 어렵고 면역 반응을 유발할 수 있다. 표적이 세포 안에 있다면 프로테아제를 암호화하는 유전자를 해당 세포로 전달해야 할 수도 있으며, 이는 추가적인 과제다.
인공지능 설계의 한계
실험은 현재의 설계 도구가 공학적·구조적 제약을 충족하는 데는 뛰어나다는 점을 보여준다. 원하는 형태로 단백질을 접고, 촉매 아미노산을 서로 가깝게 배치하며, 특정 서열에 결합하는 능력이다. 그러나 이러한 도구만으로는 높은 효소 활성을 위해 필요한 세부 사항을 보장할 수 없다. 일부 설계는 구조적으로는 거의 정확했지만 반응성이 약했고, 이후 소규모 돌연변이를 통해 활성이 크게 향상됐다.
여기서 가장 중요한 점은 인공지능 단백질 설계가 이론적 구조를 제안하는 단계를 넘어 특정 표적에 실제로 작용하는 효소를 생산하는 단계에 도달했다는 것이다. 그러나 구조와 활성 사이의 격차, 그리고 체내 전달 문제는 여전히 치료 응용으로의 전환을 제한하고 있다. 연구 결과는 Nature에 디지털 객체 식별자 10.1038/s41586-026-11143-w 및 10.1038/s41586-026-11167-2로 게재됐다.