딥러닝과 물리 시뮬레이션 결합으로 단일/다중 도메인 단백질 구조 예측 정확도 향상

한줄 요약

D-I-TASSER는 딥러닝 예측과 전통적 물리 기반 폴딩 시뮬레이션을 결합하여 단일 및 다중 도메인 단백질 구조 예측에서 AlphaFold2/3를 능가하는 성능을 달성한 하이브리드 방법이다.

풀어야 하는 문제

단백질 구조 예측에서 딥러닝 기반 방법(AlphaFold 등)이 큰 성공을 거두었지만, 다중 도메인 단백질의 자동 모델링과 일부 도메인에서의 정확도 한계가 존재한다. 또한 순수 딥러닝 방법은 물리적 원리를 간과할 수 있어, 전통적 포스 필드 시뮬레이션의 필요성에 대한 논쟁이 있다.

접근 방법

D-I-TASSER는 다중 소스 딥러닝 포텐셜(예: 접촉 예측, 거리 분포)을 반복적 스레딩 단편 조립 시뮬레이션에 통합한다. 다중 도메인 단백질을 위해 도메인 분할 및 조립 프로토콜을 도입하여 자동 모델링을 가능하게 했다. 이 방법은 딥러닝의 예측 능력과 물리 시뮬레이션의 샘플링 및 에너지 최적화를 결합한다.

결과·기여

벤치마크 테스트와 CASP15 실험에서 D-I-TASSER는 단일 및 다중 도메인 단백질 모두에서 AlphaFold2와 AlphaFold3를 능가했다. 대규모 폴딩 실험에서 인간 단백질체의 81% 도메인과 73% 전체 사슬 서열을 접을 수 있었으며, AlphaFold2 모델과 상호 보완적인 결과를 보였다. 이는 딥러닝과 고전 물리 기반 폴딩 시뮬레이션의 통합이 게놈 차원의 고정밀 단백질 구조 및 기능 예측에 효과적임을 입증한다.