알파폴드3 접촉 확률로 유전자 가위 오작동 99% 줄인 네이처 연구

핵심 메시지

• 염기 편집기는 표적과 비슷하게 생긴 DNA 서열까지 함께 고쳐 버리는 오래된 약점이 있다.
• 연구팀은 알파폴드3가 내놓는 3차원 구조 대신 '접촉 확률'이라는 다른 출력값에 주목했다.
• 표적에 붙었을 때와 엉뚱한 곳에 붙었을 때, 구조가 눈에 띄게 달라진 경우는 약 64%였지만 접촉 확률은 거의 모든 경우에서 달라졌다.
• 이 신호를 따라 아미노산 한 자리를 바꾸자 가장 심한 오작동 부위의 편집률이 28.3%에서 4.9%로 약 5.8배 떨어졌다.
• 최종 편집기는 유전체 전체의 표적 이탈 편집 신호를 원본 대비 99% 줄이면서도 표적 편집 능력은 90% 넘게 유지했다.

쉽게 이해하기

알파폴드는 단백질이 어떤 모양인지 알아맞히는 AI로 노벨상까지 받았다. 그런데 네이처에 실린 이 연구는 정반대 지점에서 출발한다. 알파폴드가 그려 준 3차원 구조를 아무리 들여다봐도 아무것도 보이지 않던 상황에서, 같은 AI가 함께 내놓는 다른 출력값 하나를 꺼내 보니 답이 거기 있었다는 이야기다.

문제의 배경은 유전자 편집이다. DNA의 한 글자를 콕 집어 고치는 염기 편집기는 20글자짜리 안내문 하나를 들고 세포 안 30억 글자를 뒤진다. 비슷하게 생긴 자리가 없을 리 없으니 표적이 아닌 곳도 함께 고쳐 버린다. 몸속 세포에서 벌어진 이 실수는 되돌릴 수 없다. 더 정확한 가위를 만들려는 기존 시도는 두 갈래였는데, 구조를 보고 사람이 직접 아미노산을 골라 바꾸는 방식은 성공률이 낮고 연구자의 감에 기대야 했고, 무작위 돌연변이를 대량으로 만들어 좋은 것을 고르는 방식은 장치가 복잡한 데다 엉뚱한 지점에 갇히기 쉬웠다. 무엇보다 정확도를 올리면 편집 능력이 함께 떨어지는 일이 잦았다.

연구팀은 첫 단계를 예측이 아니라 실측으로 잡았다. 이 편집기는 아데닌을 이노신이라는 중간 물질로 바꾸는데, 바로 그 중간 물질에 표지를 붙여 낚아채는 방식으로 편집기가 실제로 실수한 자리를 모두 찾아냈다. 사람 세포와 조혈 줄기세포에서, 안내 서열 하나당 적게는 열 곳 남짓, 많게는 1,700곳이 넘는 오작동 자리가 드러났다. 실제 유전자 치료에 쓰이는 안내 서열도 포함돼 있었다.

이 오작동 서열들을 알파폴드3에 넣고 두 가지를 꺼냈다. 하나는 익숙한 3차원 구조, 다른 하나는 두 원자 또는 잔기가 8옹스트롬 이내로 가까이 있을 확률을 숫자로 매긴 접촉 확률 행렬이다. 표적에 제대로 붙은 경우와 엉뚱한 곳에 붙은 경우를 비교하자 예측 구조가 눈에 띄게 달라진 것은 셋 중 둘, 약 64%에 그쳤다. 반면 접촉 확률은 거의 모든 경우에서 달라져 있었다. 같은 AI가 같은 입력으로 내놓은 두 출력값인데 민감도가 전혀 달랐던 것이다. 심지어 구조에는 아무 변화가 없고 접촉 확률에서만 차이가 잡히는 사례도 있었다.

연구팀은 접촉 확률이 변하는 잔기들이 이웃끼리 한 덩어리처럼 함께 움직인다는 점을 발견하고 이를 '합의 접촉 영역'이라 이름 붙였다. Cas9에서 49개를 찾아 실제 오작동 자료와 맞춰 순위를 매긴 뒤, 엉뚱한 곳에 붙을 때 오히려 접촉이 강해지는 잔기를 범인으로 지목했다. 상위 영역은 RuvC 도메인에 몰려 있었고, 후보 아미노산 열 자리를 실제로 바꿔 시험한 결과 1020번 라이신을 아스파르트산으로 바꾼 변이가 가장 좋았다. 표적 편집 능력은 그대로인데 가장 심한 오작동 부위의 편집률은 28.3%에서 4.9%로 떨어졌다. 여기에 염기를 바꾸는 탈아미노효소 쪽 변이를 하나 더 얹은 최종 편집기는 유전체 전체의 표적 이탈 편집 신호를 원본 대비 99% 줄이면서 표적 편집 능력은 90% 넘게 유지했고, 잘못 건드린 RNA 자리도 3,700여 곳에서 170여 곳으로 줄었다.

주요 인사이트

• AI 모델의 최종 결과물만 보는 것이 늘 최선은 아니다. 알파폴드에서는 사람이 보기 좋은 3차원 구조보다, 그 아래 깔린 중간 계산값인 접촉 확률이 훨씬 예민한 신호였다.
• 단백질과 핵산이 섞인 복합체 예측은 단백질만 예측할 때보다 아직 정확도가 떨어진다. 그런데도 구조가 흐릿한 상태에서 접촉 확률은 쓸 만한 신호를 냈다는 점이 핵심이다.
• 예측에 앞서 실측을 배치한 순서가 중요하다. 실제 오작동 지도를 먼저 확보했기 때문에 AI가 내놓은 신호의 순위를 검증할 기준이 생겼다.
• 이 접근은 특정 유전자 가위에만 통하는 요령이 아니었다. 계열이 다른 시토신 염기 편집기에 같은 절차를 그대로 적용해도 오작동을 줄이는 변이를 찾아냈다.
• 한계도 분명하다. 네 종류 단백질에서 제시된 후보가 실제로 통한 비율은 35%에서 78% 사이였고, 검증은 배양 세포와 조혈 줄기세포 수준에 머물러 있다.

자주 묻는 질문

관련 AI 소식