신규 단백질 설계 (De Novo Protein Design)
쉽게 풀면
자연 단백질을 개조하는 것이 기존 건물을 리모델링하는 것이라면, 신규 단백질 설계는 백지 상태에서 원하는 기능에 딱 맞는 건물을 새로 설계하는 것과 비슷합니다. 연구자는 원하는 3차원 구조나 결합 기능을 먼저 정하고, 그 구조를 만들어낼 수 있는 아미노산 서열을 컴퓨터로 계산해 냅니다.
이렇게 설계된 서열은 실제로 세포에서 발현시켜 원하는 모양대로 접히는지 검증합니다. 최근에는 딥러닝 기반 구조 예측 모델의 발전 덕분에 이 과정이 훨씬 빠르고 정확해졌습니다.
왜 중요한가
자연이 진화시킨 단백질만으로는 얻기 어려운 새로운 기능이나 안정성을 가진 분자를 만들 수 있기 때문에 신약 개발, 백신 항원 설계, 산업용 효소 개발 등 여러 분야에서 활발히 활용됩니다. 기존 단백질을 뒤지는 대신 목표 기능에 최적화된 분자를 처음부터 설계할 수 있어 개발 속도와 자유도가 크게 높아집니다.
어떤 절차인가
- 목표 정의: 원하는 접힘(fold), 결합할 표적, 대칭성 같은 구조·기능 조건을 정합니다.
- 골격(백본) 생성: 목표 구조를 만족하는 단백질 뼈대를 만듭니다. 초기에는 작은 구조 조각을 조립하는 방식(Rosetta)이 쓰였고, 최근에는 확산 모델(RFdiffusion 등)이 표적에 맞는 골격을 직접 생성합니다(Watson 외, 2023).
- 서열 설계: 그 골격으로 접힐 아미노산 서열을 정합니다. 에너지 함수를 최소화하는 방식 또는 신경망 기반 역접힘(ProteinMPNN 등, Dauparas 외, 2022)이 쓰입니다.
- 컴퓨터 검증: AlphaFold2 같은 구조 예측 도구로 설계 서열이 목표 골격으로 접히는지(예측 구조와 설계 구조의 RMSD, 예측 신뢰도)를 확인해 후보를 거릅니다.
- 실험 검증: 유전자 합성, 발현·정제, 분광·열 안정성 시험, X선 결정학이나 NMR로 실제 구조를 설계와 비교합니다.
대표적 초기 사례는 자연에 없는 접힘을 설계한 Top7(93개 아미노산)으로, 결정구조가 설계 모형과 높은 정확도로 일치했습니다(Kuhlman 외, 2003). David Baker는 컴퓨터 단백질 설계 업적으로 2024년 노벨 화학상을 공동 수상했습니다.
언제 쓰고 무엇을 얻나
- 언제: 자연에 없는 접힘이나 크기·안정성이 필요한 단백질, 특정 표적에 붙는 작은 결합 단백질, 나노입자 형태의 백신 항원, 새 효소 활성 부위가 필요할 때 씁니다.
- 얻는 것: 자연 단백질을 개조하는 방식보다 설계 자유도가 높고, 열 안정성이 높은 단백질을 얻는 경우가 많습니다(Huang 외, 2016).
- 한계: 설계한 서열의 상당수는 발현되지 않거나 접히지 않아 실험으로 걸러야 합니다. 기능, 특히 효소 활성은 설계 직후 낮은 경우가 많아 유도 진화 같은 후속 개량이 필요합니다.
가상의 설계 캠페인으로 단계별 성공률을 계산해 보겠습니다. 단계마다 남는 후보가 줄어듭니다.
| 단계 | 후보 수 | 전체 대비 | 직전 단계 대비 |
|---|---|---|---|
| 설계해 주문한 서열 | 200 | 100.0% | — |
| 대장균에서 가용성으로 발현 | 120 | 60.0% | 60.0% |
| 크기배제 크로마토그래피에서 단량체 피크 | 90 | 45.0% | 75.0% |
| 원편광이색성·열 안정성이 설계와 부합 | 64 | 32.0% | 71.1% |
| 결정구조 또는 NMR로 설계 구조 확인 | 12 | 6.0% | 18.8% |
최종 구조 확인 성공률은 12/200 = 6.0%이고, 이항 비율의 윌슨 95% 신뢰구간은 3.5~10.2%입니다. 각 단계의 성공률을 따로 보고해야 방법 사이를 비교할 수 있습니다.
논문에는 이렇게 적는다
- 사용한 도구와 버전(백본 생성, 서열 설계, 구조 예측)과 주요 설정, 생성한 후보 수를 적습니다.
- 후보를 거른 컴퓨터 기준(예측 신뢰도, 설계와 예측 구조의 RMSD, 에너지 등)을 사전에 밝히고, 실험한 수와 성공한 수를 분모와 함께 보고합니다. 성공한 것만 골라 보여 주지 않습니다.
- 자연 단백질과의 서열·구조 유사성(서열 일치율, 구조 검색 결과)을 제시해 ‘새롭게 설계했다’는 주장을 뒷받침합니다.
- 구조 확인 방법(결정구조, NMR, 저온전자현미경)과 해상도, 설계 모형과의 일치도를 적고, 기능은 결합 친화도(Kd)나 효소 활성 같은 정량값으로 보고합니다.
논문에서는 이렇게 쓰입니다
실제 논문에서
이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
연구팀이 바이러스 스파이크 단백질에 결합하는 안정적인 결합체를 처음부터 새로 설계했다는 의미입니다.
새로 설계된 단백질 골격이 자연에 존재하는 유사 단백질보다 열 안정성이 높았다는 것을 보여줍니다.
조금 더 깊게 보면
대표적인 접근법으로는 물리 기반 에너지 함수를 이용해 구조 안정성을 계산하는 방법과, 딥러닝 기반 구조 예측·생성 모델을 활용하는 방법이 있습니다. 설계된 서열은 대장균 등 발현 시스템에서 실제로 만들어본 뒤 X선 결정학, 저온전자현미경(cryo-EM), 원편광이색성(CD) 분광법 등으로 예상 구조와 실제 구조가 일치하는지 검증하는 과정을 거칩니다.
주의할 점
컴퓨터 상에서 안정적으로 예측된 구조라도 실제로 발현했을 때 예상대로 접히지 않거나 기능이 나타나지 않는 경우가 있어, 계산 결과만으로 성공을 단정할 수 없고 실험적 검증이 반드시 필요합니다.
헷갈리기 쉬운 용어
| 용어 | 출발점 | 핵심 |
|---|---|---|
| 드 노보 단백질 설계 | 원하는 구조·기능(서열은 새로 만듦) | 자연 단백질 서열에 의존하지 않음 |
| 합리적 설계(rational design) | 기존 단백질 | 구조 지식으로 일부 잔기를 바꿈 |
| 유도 진화(directed evolution) | 기존 단백질 또는 라이브러리 | 돌연변이와 선별을 반복해 개량 |
| 단백질 구조 예측(예: AlphaFold) | 이미 주어진 서열 | 서열로부터 구조를 예측. 설계가 아니라 설계 후보를 검증하는 도구로도 쓰임 |
참고 문헌
- Kuhlman, B., Dantas, G., Ireton, G. C., Varani, G., Stoddard, B. L., & Baker, D. (2003). Design of a novel globular protein fold with atomic-level accuracy. Science, 302, 1364–1368.
- Huang, P.-S., Boyken, S. E., & Baker, D. (2016). The coming of age of de novo protein design. Nature, 537, 320–327.
- Dauparas, J., Anishchenko, I., Bennett, N., et al. (2022). Robust deep learning-based protein sequence design using ProteinMPNN. Science, 378, 49–56.
- Watson, J. L., Juergens, D., Bennett, N. R., et al. (2023). De novo design of protein structure and function with RFdiffusion. Nature, 620, 1089–1100.
- Jumper, J., Evans, R., Pritzel, A., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.