Antigravity: 여러 생물학 자료를 연결해 항균 펩타이드 후보 좁히기

배경과 문제

원문은 항균제 내성을 주요 공중보건 문제로 제시하며, 새로운 치료 후보를 찾는 연구의 필요성을 설명한다. 기존 항생제에 내성을 가진 병원균이 늘어나면서 새로운 치료제의 발견이 시급하지만, 전통적인 신약 탐색은 여러 데이터베이스를 오가며 수작업으로 후보를 좁히는 느리고 노동 집약적인 과정이다. 항균 펩타이드(AMP) 중 이 글이 다루는 박테리오신은 박테리아가 경쟁하는 과정에서 발달한 항균 물질이다. 원문은 세포 외피나 필수 기능을 겨냥한다는 점을 장점으로 들지만, 이번 후보의 효과나 내성 발생 가능성을 실험으로 확인한 것은 아니다.

문제는 유용한 AMP 후보가 이미 공개 데이터베이스에 대량으로 존재하지만 대부분 기능이 밝혀지지 않은 채 남아 있다는 점이다. UniProt과 같은 주요 단백질 데이터베이스에는 게놈 시퀀싱 프로젝트에서 직접 넘어온 수백만 개의 서열이 기능 주석 없이 저장되어 있다. 이들은 알려진 단백질과 서열 유사성이 낮아 기존의 상동성 기반 검색으로는 찾아내기 어려운 '다크 매터'에 해당한다. 따라서 서열만으로 생물학적 기능을 예측할 수 있는 새로운 도구가 필요하다.

기존 접근의 한계

기존의 AMP 탐색은 연구자가 직접 스크립트를 작성해 데이터베이스를 조회하고, 결과를 3D 모델링 프로그램으로 내보내고, 별도의 유전체 도구를 관리하며, 습식 실험 설계를 위해 여러 전문가와 협업해야 하는 파편화된 과정이었다. 이러한 단계들은 서로 다른 소프트웨어와 전문 지식을 요구하기 때문에 한 명의 연구자가 전체 흐름을 일관되게 수행하기 어렵고, 각 단계에서 오류가 발생하거나 시간이 지연될 가능성이 높다.

서열 유사성 검색만으로는 알려진 단백질과 충분히 닮지 않은 후보의 기능을 알아내기 어렵다. Swiss-Prot과 같은 수동 검토 데이터베이스에 등록된 단백질과 의미 있는 유사성이 없는 서열은 기존 도구로는 '미지의 단백질'로 남는다. 이 글에서 소개하는 ProtNLM은 아미노산 서열의 진화적 '문법'을 직접 읽도록 학습된 딥러닝 모델로, 원시 서열에서 생물학적 기능을 예측하여 UniProt의 주석 없는 항목에 고신뢰도 기능 라벨을 부여한다. 이는 기존의 상동성 기반 접근이 놓치는 후보를 발굴할 수 있는 대안이다.

연구방법을 단계별로

이 시연은 Google Antigravity라는 에이전트형 과학 플랫폼에서 연구자와 AI 에이전트가 대화형으로 협력하는 방식으로 진행된다. 먼저 연구자는 'Streptococcus pseudopneumoniae에서 새로운 AMP를 찾아 계산적으로 검증하라'는 구체적인 생물학적 목표를 설정한다. 에이전트는 UniProt 데이터베이스에서 수백만 개의 항목을 필터링하여 주목할 만한 소수의 후보로 좁힌다. 이 과정에서 에이전트는 Lactococcin 972 계열에 속하는 97개 아미노산 길이의 박테리오신(UniProt ID: A0A0U0D591)을 찾아낸다.

다음으로 연구자는 후보의 신규성을 검증하기 위해 에이전트에게 Swiss-Prot의 수동 검토 단백질과 비교하도록 지시한다. 에이전트는 EMBL-EBI NCBI-BLAST 서비스를 통해 이 펩타이드가 수동 검토된 단백질 중 의미 있는 서열 상동체가 없음을 확인한다. 이어서 구조적 증거를 확보하기 위해 에이전트는 AlphaFold Protein Structure Database에서 후보의 3D 모델을 가져와 실험적으로 결정된 구조와 비교하고 중첩하여 유사성을 평가한다. 그 결과 후보의 접힘이 실험적으로 결정된 박테리오신과 밀접하게 일치함을 보여준다.

에이전트는 분자 자체를 넘어 유전체 주변 맥락도 분석한다. 후보 유전자의 인접 영역을 조사한 결과, 후보가 ABC 수송체 퍼미에이스 유전자보다 6염기쌍 앞에 있고, 주변에 그 파트너일 가능성이 있는 ATP 결합 단백질 유전자도 있으며, 주변에 다른 주석이 달린 박테리오신과 XRE 전사 조절자가 함께 있는 오페론 구조를 발견한다. 이는 후보가 실제로 작동하는 박테리오신 시스템의 일부라는 강력한 맥락적 증거를 제공한다. 마지막으로 에이전트는 기존 문헌을 검토하여 이 분자가 세균 세포 분열을 표적으로 할 가능성이 있고 여러 약제 내성 병원균에 대한 예측 효능 스펙트럼을 가진다는 기작 가설을 제안하고, 단백질 발현, 항균 감수성 시험, 표적 결합, 시험관 내 독성 시험을 포함하는 실험 계획을 생성한다.

결과와 숫자의 의미

이 시연에서 확인된 후보는 97개 아미노산으로 구성된 Lactococcin 972 계열의 박테리오신이다. 이 숫자는 서열 길이를 나타내며 항균 효과의 강도를 의미하지 않는다. 또한 후보 유전자가 ABC 수송체 퍼미에이스와 6염기쌍 간격으로 인접해 있다는 사실은 유전체 배열의 물리적 거리를 설명하는 것이지, 항균 활성의 정량적 지표가 아니다. 이러한 수치는 후보의 생물학적 맥락을 뒷받침하는 증거로 해석해야 한다.

에이전트가 수행한 Swiss-Prot 검색에서 '의미 있는 서열 유사성이 없다'는 결과는 검사한 수동 검토 단백질 집합 내에서의 검색 결과일 뿐, 전체 자연계에서 이 분자가 처음 발견되었다는 보증이 아니다. 또한 구조적 유사성과 문헌 기반 기작 추론은 생물학적 개연성을 높이는 근거이지 실험적 검증을 대체하지 못한다. 이 후보는 현재 다른 후보들과 함께 습식 실험 검증 단계에 있으며, 실험 결과가 에이전트 분석의 궁극적인 검증이 될 것이다.

구체적인 예시

이 시연에서 에이전트가 찾은 후보는 Streptococcus pseudopneumoniae에서 유래한 Lactococcin 972 계열의 박테리오신이다. 이 후보는 기존에 기능이 밝혀지지 않은 UniProt 항목이며, Lactococcin 972 계열이라는 분류가 기능 가설의 출발점이 됐다. 에이전트는 ProtNLM의 기능 예측과 AlphaFold 구조 모델, 유전체 주변 유전자 분석을 결합하여 이 후보가 실제 박테리오신 시스템의 일부일 가능성이 높다고 판단했다.

구조 분석에서는 후보의 AlphaFold 예측 구조가 실험적으로 결정된 박테리오신 구조와 밀접하게 일치함을 확인했다. 이는 서열 유사성이 낮아도 구조적 상동성을 통해 기능을 추론할 수 있음을 보여준다. 또한 유전체 맥락에서 후보 유전자가 ABC 수송체와 오페론을 형성하고 주변에 다른 박테리오신과 전사 조절자가 존재한다는 점은 이 유전자가 단독으로 존재하는 우연한 서열이 아니라 조절되고 발현되는 시스템의 일부임을 시사한다.

한계와 오해하기 쉬운 점

이 글은 공식 기술 시연이며, 새로운 치료제의 효능을 확정한 실험 논문이 아니다. 후보는 생물학적 개연성이 높지만 아직 습식 실험 검증이 완료되지 않았다. 따라서 '항균 효과가 입증되었다'거나 '새로운 항생제가 개발되었다'고 해석해서는 안 된다. 또한 '여러 날의 작업을 한 세션으로 줄인다'는 회사의 사례 설명에는 대조군, 반복 실험, 실측 시간 분포가 제시되지 않았으므로 정량적인 속도 배수나 성공률을 추론할 수 없다.

서열 유사성이 없다는 결과는 Swiss-Prot 수동 검토 집합에 국한된 것이며, 구조적 유사성과 문헌 기반 기작 추론은 계산적 예측에 불과하다. 97개 아미노산 길이나 6염기쌍 간격과 같은 수치는 후보의 서열·유전체 특성을 설명하는 것이지 항균 활성의 강도를 나타내지 않는다. 또한 이 시연은 Streptococcus pseudopneumoniae라는 좁은 범위에 초점을 맞추었으므로, 다른 병원균이나 환경 미생물로 일반화하려면 추가적인 검색과 검증이 필요하다.

실제로 어떻게 활용할까

Google Antigravity는 연구자가 데이터베이스 조회, 구조 분석, 문헌 검토, 실험 계획 수립을 하나의 작업 공간에서 수행할 수 있게 함으로써 AMP 탐색의 진입 장벽을 낮춘다. 연구자는 대화형 세션에서 에이전트에게 특정 병원균을 대상으로 한 검색, 서열 길이 변경, 새로운 필터링 기준 추가 등을 지시할 수 있다. 예를 들어 인간 공생균에서 환경 미생물로 검색 범위를 넓혀 UniProt 전체에서 새로운 AMP 후보를 대규모로 발굴하는 방향으로 확장할 수 있다.

이 플랫폼의 Biomolecular Structure Viewer는 연구자와 에이전트가 3D 구조를 공유하며 상호작용할 수 있게 한다. 에이전트가 AlphaFold 데이터베이스에서 구조를 가져와 특정 기능 부위를 강조하면, 연구자는 3D 공간에서 관심 영역을 표시하거나 결합 포켓에 메모를 고정하여 에이전트에게 질문할 수 있다. 예를 들어 '이 β-가닥이 Lipid II 결합에 어떤 영향을 미칠까?'라고 물으면 에이전트가 연구자가 보고 있는 정확한 구조적 맥락을 바탕으로 추론한다. 이러한 협업은 습식 실험 전에 계산적 근거를 강화하여 자원 집약적인 실험 검증에 들어갈 후보를 최고 신뢰도의 소수로 좁히는 데 도움을 준다.