인공지능을 활용한 단백질 구조 및 리간드 결합 모형 분석과 인간 세포 성장 조절에의 적용

Abstract

이 연구는 다양한 인공지능(AI) 기술을 활용하여 단백질의 구조 및 리간드 결합 모형을 탐색하고, 이를 인간 세포의 성장 조절에 적용하고자 실시하였다. 먼저, 생성형 AI로부터 제안된 암세포의 세포분열을 조절하는물질로 알려진 ATP 결합 CDK 단백질의 3차원적인 입체 구조를 Neurosnap의 Alphafold2 및 파이션 기반의PyMol AI 프로그램으로 탐색하였다. 이어, CDK 단백질과 결합하여 이 단백질의 기능을 억제할 수 있는 소수성 ATP 유사체 10종류를 선택하여, 딥러닝 기반의Neurosnap의 DiffDock-L AI 프로그램에서 각 유사체의 결합 모형을 탐색하였다. 각 ATP 유사체는 CDK 단백질의 ATP 결합 부위에 대한 입체적 적합성과 단백질-리간드 간 비공유결합의 강도에 따라 서로 다른 결합친화도를 나타냈다. DiffDock-L AI 프로그램에서 제시하는 단백질-리간드 결합도를 나타내는 지표로는DiffDock Confidence, SMINA Affinity 및 SMINA Intramolecular Energy이었다. 이러한 분석 결과를 바탕으로, 10종류의 소수성 ATP 유사체 중에서 높은 결합 결합도를 가진 Dinaciclib과 낮은 결합도를 보이는Flavopiridol이 CDK 단백질에 대해 서로 다른 억제 효과를나타낼 것이라는 가설을 세웠고, 이 가설을 AGS(위암세포주), HCT-116(대장암세포주), HDF(진피 유래 섬유아세포) 세포주를 이용한 세포학적 실험을 통해 검증하였다. Dinaciclib 및 Flavopiridol 처리 후, 두 유사체 모두 농도의존적으로 세포 성장 억제 효과를 나타냈으며, Dinaciclib 은 Flavopiridol보다 유의적으로(p<0.05) 더 낮은 더 낮은반수 최대 억제 농도(IC₅₀)를 보여 더 강력한 세포 독성을나타냈다. 이와 같은 세포학적 실험 결과는 딥러닝 기반 AI 프로그램으로 예측된 유사체의 이론적 결합 친화도와 서로 일치함을 보여주었다. 이상의 연구에서 딥러닝에 기반한 AI 프로그램의 강력한 기능을 알 수 있었다.