항원 및 항체 결합 부위를 예측하기 위해 맥락 인지 구조적 표현 학습하기

동기항체가 항원과 특정하게 상호작용하는 방식을 이해하는 것은 보다 효과적인 약물 및 백신 설계를 가능하게 하며, 자연 면역의 메커니즘에 대한 통찰을 제공할 수 있다. 실험적 구조 분석은 항체-항원 상호작용의 '실제 상태(ground truth)'를 세밀하게 기술할 수 있지만, 대규모 연구에 효율적으로 적용하기 위해서는 계산 기반 방법이 필요하다. 예측 정확도를 향상시키고 이러한 상호작용에 대한 새로운 생물학적 통찰을 도출할 수 있도록, 우리는 항체와 항원 양쪽 모두의 결합 부위를 예측하는 통합적인 딥러닝 기반 프레임워크를 개발하였다.결과본 프레임워크는 항체-항원 상호작용의 세 가지 핵심 특징을 활용하여 예측 가능한 구조적 표현을 학습한다: (i) 결합 부위는 단백질 내에서 공간적으로 근접한 다수의 아미노산 잔기로 구성되므로, 그래프 컨볼루션을 통해 단백질의 국소 영역에서 특성을 집계한다; (ii) 항체-항원 쌍 간의 상호작용은 특이적이므로, 상호작용 상대방의 맥락을 명시적으로 인코딩하기 위해 어텐션 레이어를 도입한다; (iii) 일반적인 단백질-단백질 상호작용에 대한 데이터가 풍부하므로, 전이 학습(transfer learning)을 활용하여 항체-항원 상호작용이라는 특정 상황에 대해 이 데이터를 사전 지식(prior)으로 활용한다. 본 연구에서는 이 단일 프레임워크가 항체와 항원 양쪽 모두에서 결합 부위 예측에서 최신 기준(SOTA, state-of-the-art) 성능을 달성함을 보이며, 프레임워크의 세 가지 구성 요소가 각각 성능 향상에 기여함을 입증하였다. 또한 어텐션 레이어는 성능 향상뿐 아니라, 상호작용 방식에 대한 생물학적으로 해석 가능한 시각을 제공함을 확인하였다.사용 가능 여부 및 구현소스 코드는 GitHub에서 무료로 제공되며, 다음 주소에서 접근 가능하다: https://github.com/vamships/PECAN.git.