새 연구: 딥러닝 모델, Google AI보다 펩타이드 구조 예측 더 정확해져

Seoul토론토 대학의 연구진이 새롭게 개발한 딥러닝 모델인 PepFlow를 소개합니다. 이 모델은 펩타이드가 취할 수 있는 다양한 형태를 예측할 수 있습니다. 펩타이드는 아미노산으로 구성된 사슬로서, 단백질보다 짧지만 유사한 기능을 가지고 있습니다. 이들은 매우 유연하여 여러 가지 형태를 취할 수 있습니다.

PepFlow는 펩타이드가 접히는 방식을 이해하기 위해 머신러닝과 물리학을 사용합니다. 이 기술은 딥러닝을 활용하여 펩타이드의 형태를 몇 분 안에 빠르고 정확하게 예측할 수 있습니다. 이러한 새로운 접근법은 결합제로 작용하는 펩타이드를 설계하여 약물 개발에 기여할 수 있습니다.

다음은 PepFlow의 몇 가지 주요 기능입니다:

• 모든 가능한 펩타이드 형태를 예측합니다
• 기계 학습과 물리학을 결합합니다
• 펩타이드 구조를 포착하는 데 몇 분밖에 걸리지 않습니다
• 약물 개발에 유용합니다

펩타이드의 3차원 형태는 그 기능에 매우 중요합니다. 접히는 방식에 따라 다른 분자와의 결합 및 작용 방식이 달라집니다. 따라서 펩타이드는 다양한 생물학적 과정 및 약물에 필수적입니다. 예를 들어, GLP1 유사체인 오젬픽은 당뇨병과 비만 치료에 사용됩니다.

PeptideFlow는 중요한 생물학적 분자인 펩타이드를 전문으로 합니다. 새로운 모델은 하나의 펩타이드에 대해 여러 모양을 생성할 수 있어 구글의 AlphaFold2보다 뛰어납니다. AlphaFold2는 이러한 기능을 염두에 두고 설계된 것이 아닙니다.

더 읽기:

오늘 · 오전 7:41

OpenAI의 수익기업 전환에 따른 도전 과제

토론토 대학교의 교수인 필립 M. 킴이 이 연구를 이끌었습니다. 그는 이전까지는 펩타이드 형태의 전체 범위를 연구하지 못했다고 설명했습니다. 킴 교수는 대학교의 인문과학부에서 컴퓨터 과학도 가르치고 있습니다.

PepFlow는 독특한 기술적 특징으로 두드러집니다. 이는 물리학에 기반한 고급 기계 학습 모델인 볼츠만 생성기로부터 아이디어를 얻습니다. PepFlow는 매크로사이클화 과정을 통해 형성되는 고리 모양과 같은 특이한 구조의 펩타이드를 모델링할 수 있습니다. 이러한 펩타이드 매크로사이클은 신약 개발에 잠재력을 갖고 있습니다.

PepFlow는 몇 가지 한계가 있습니다. 첫 번째 버전이므로 개선의 여지가 있습니다. 저자들은 PepFlow 개선을 위한 여러 가지 방법을 언급했습니다.

• 용매 원자에 대한 명확한 데이터를 사용하여 모델을 훈련하세요.
• 고리 구조의 원자 간 거리 제약을 강화하세요.

PepFlow는 새로운 기능과 정보를 쉽게 추가할 수 있도록 설계되었습니다. 이 모델의 개발에는 2년 반이 소요되었으며, 훈련에는 한 달이 걸렸습니다. 연구의 주 저자인 오사마 압딘은 여러 구조를 예측할 수 있는 모델을 만드는 것이 그만한 가치가 있었다고 언급했습니다.

이 연구는 네이처 머신 인텔리전스에 게재되었습니다. 이 모델은 펩타이드 결합을 기반으로 한 치료법 개발에 유용하고 효율적인 도구가 될 수 있습니다. 펩타이드의 에너지 패턴을 파악하면 그 기능과 의학적 활용 가능성에 대한 중요한 정보를 얻을 수 있습니다.