인공지능(AI)의 구조 생물학 적용은 단백질 설계를 개념적 난제에서 새로운 단백질을 생성하는 실용적 접근 방식으로 변화시켰습니다. 기계 학습을 활용하여 연구자들은 이제 맞춤형 구조와 결합 특이성을 가진 단백질을 전산으로 설계할 수 있게 되었습니다.
이러한 접근 방식은 기존 실험 방식과 비교하여 결합체 개발 시간과 자원 요구 사항을 획기적으로 줄이는 동시에 성공률과 설계 가능성을 향상시킵니다. 이를 통해 다양하고 이전에 다루기 어려웠던 표적에 대한 고친화성 결합체를 컴퓨터로 신속하게 생성할 수 있습니다.
최근 성공 사례로는 독소를 중화하고, 면역 경로를 조절하며, 무질서한 표적과 높은 친화도 및 특이성으로 결합하는 단백질 결합체 생성이 있습니다. 모델 정확도 향상은 설계 가능한 범위의 확대로 이어지고 있으며, 전임상 모델에서의 특성 분석은 치료제 개발의 길을 열고 있습니다.
신규 결합체 설계는 단백질 공학의 패러다임 전환을 나타내며, 특정 생물학적 문제를 해결하기 위해 맞춤형 결합체를 프로그래밍할 수 있게 합니다.
단백질 2차 구조 주석은 단백질 아키텍처 이해에 필수적이며, 구조 분류, 정렬, 시각화 및 기계 학습 응용 분야의 초석 역할을 합니다. 기존 DSSP 알고리즘은 단백질 모델에서 알파-나선, 베타-시트, 루프와 같은 2차 구조 요소를 할당하는 표준으로 사용되어 왔습니다.
본 연구에서는 DSSP 기능을 현대적인 컴퓨팅 프레임워크로 재구성하고, 좌수성 카파-나선(Poly-Proline II 나선) 감지 기능을 확장한 DSSP 버전 4를 소개합니다. FAIR(Findable, Accessible, Interoperable, Reusable) 원칙에 맞춰 DSSP 4는 mmCIF를 기본 입출력 형식으로 채택하면서도 기존 PDB 및 DSSP 형식과의 호환성을 유지합니다.
업데이트된 이 도구를 사용하여 PDB 전반의 2차 구조 요소 분포를 분석하고, 다양한 실험 방법으로 얻은 구조를 구분했습니다. 이를 통해 새롭게 주석 처리된 카파-나선을 포함한 2차 구조 요소의 유병률과 길이에 대한 통찰을 얻었습니다.
DSSP 4 소프트웨어, 데이터뱅크 및 서버는 https://pdb-redo.eu/dssp에서 자유롭게 접근 가능하여 구조 생물학 연구에서 광범위한 유용성과 상호 운용성을 보장합니다.
