[논문 리뷰] A Study of Sequence Distribution of a Painted Globule as a Model for Proteins with Good Folding Properties

Tahar Kechadi, Richard B. Reilly외 3명|arXiv (Cornell University)|2001. 04. 23.

biodegradable polymer synthesis and properties인용 수 3

한 줄 요약

이 논문은 단일 고분자 글로불의 붕괴 상태에 몬테카를로 시뮬레이션과 페인팅 기법을 융합한 하이브리드 방법을 제안하여 단백질 접힘을 모델링한다. 수용성-비수용성 서열 분포를 사용해 밀도 높은, 미세상태로 분리된 구조를 예측한다. 주요 발견은 페인팅 깊이를 증가시킬수록 관련 길이(ξ ≈ 77 ± 25)는 증가하지만 주기성(d ≈ 21.7 ± 0.3)에는 영향을 주지 않아, 안정적인 접힘에 핵심적인 블록형 서열 상관관계가 있음을 시사한다.

ABSTRACT

In this paper we present a method to study the folding structure of a simple model consisting of two kinds of monomers, hydrophobic and hydrophilic. This method has three main steps: an efficient simulation method to bring an open sequence of homopolymer to a folded state, the application of a painting method called (regular hull) to the folded globule and the refolding process of the obtained copolymer sequence. This study allows us to suggest a theoretical function of disorder distribution for copolymer sequences that give rise to a compacted and well micro-phase separated globule.

연구 동기 및 목표

• 서열 분포로부터 안정적이고 밀도 높은 단백질 유사 접힘을 예측하는 방법을 개발하기 위해.
• 특히 비수용성-수용성 상관관계를 포함한 서열 패tern을 규명하여 잘 분리된 글로불 구조를 이끌어내기 위해.
• 짧은 서열 시뮬레이션과 긴 서열 예측을 연결하기 위해 페인팅된 글로불 데이터로 훈련된 인공 신경망을 사용하기 위해.
• 도메인 구조와 페인팅 깊이가 접힘 거동과 상관 함수에 미치는 영향을 분석하기 위해.
• 효율적인 재접힘과 글로불의 압축을 지원하는 불규칙성 분포에 대한 이론적 함수를 수립하기 위해.

제안 방법

• 몬테카를로 방법을 사용해 단일 고분자가 압축되고 구형 형태로 접히는 것을 시뮬레이션하여 밀도 높은 구형 구조를 도출한다.
• 사용자 정의한 비수용성 비율 τ에 기반해 비수용성 핵 영역을 식별하기 위해 '정규 헐' 페인팅 기법을 적용한다.
• 단량체 서열 순서를 정량화하고 잠재적인 비수용성-수용성 블록 구조를 탐지하기 위해 상관 함수(γm)를 사용한다.
• 짧은 서열의 페인팅된 서열 데이터로 훈련된 인공 신경망(ANN)을 사용해 더 긴 사슬으로의 접힘 예측을 일반화한다.
• 국소적 및 비국소적 서열 영향이 접힘 안정성에 미치는 영향을 분석하기 위해 ANN에 윈도잉 기법을 구현한다.
• 글로불 내부의 여러 중심점(P₀)에서 반복적으로 페인팅하여 도메인 수준의 구조적 특징을 캡처하고 총 상관 함수를 계산한다.

실험 결과

연구 질문

• RQ1 비수용성 및 수용성 단량체의 어떤 서열 분포가 안정적인 핵과 표면을 가진 밀도 높고 미세상태로 분리된 글로불을 만들어내는가?
• RQ2 페인팅 깊이(즉, 핵 반지름 τ)가 서열 구조의 관련 길이와 주기성에 어떤 영향을 미치는가?
• RQ3 페인팅 기법은 접힘 능력을 지닌 서열을 신뢰성 있게 식별할 수 있는가? 즉, 열린 상태에서 접힌 상태로 효율적으로 재접힘하는가?
• RQ4 짧은 페인팅 서열로 훈련된 인공 신경망이 더 긴 서열의 접힘 예측에 얼마나 잘 일반화되는가?
• RQ5 글로불의 기하학적 구조와 도출된 서열 상관 함수 사이의 관계는 무엇인가?

주요 결과

• 상관 함수 γm은 매개변수 A = 0.04, ξ = 77 ± 25, d = 21.7 ± 0.3, φ = 90°를 가진 이론적 모델 g(m)에 잘 맞아떨어지며, 강한 서열 순서를 시사한다.
• 페인팅 깊이를 증가시킬수록 관련 길이 ξ가 크게 증가하여 서열 분포의 장거리 질서가 향상됨을 시사한다.
• 주기성 d(≈21.7)와 위상 φ(≈90°)는 더 깊은 페인팅에도 거의 변화하지 않아, 핵 크기와 무관한 구조적 내구성을 시사한다.
• 큰 글로불에서는 비수용성 핵과 표면 사이의 경계 영역이 무시할 만큼 작아져, 긴 사슬에 대해서는 핵 전용 분석이 타당함을 검증한다.
• 페인팅 기법은 접힘 능력을 지닌 서열을 성공적으로 식별하였으며, 이는 이후 긴 서열 예측을 위한 ANN 훈련에 사용된다.
• 짧은 서열에 대한 페인팅과 긴 서열에 대한 ANN 예측을 융합한 하이브리드 접근법이 단백질 유사 접힘 거동을 모델링하는 데 효과적임을 입증한다.