이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
유전체 크기와 드문 서열 일치로 인해 유전자 편집에서 비표적 편집이 누적되는 안전성 문제가 발생한다는 맥락에서, 연구진은 AlphaFold의 단백질 구조 예측 능력을 설계 단계에 결합해 비표적 활성을 일으키는 구조적 영역을 식별하고 그 부위를 변경하는 방식으로 편집 효소를 재설계했다. 이 방식은 서열을 입력으로 구조를 예측한 뒤 예측된 표면 잔기와 결합 가능한 부위를 도출해 해당 부위를 변형하는 일련의 계산적 설계와 실험적 검증 흐름으로 작동한다. Nature에 보고된 결과를 근거로 계산적 예측을 활용한 단백질 재설계가 비표적 편집을 줄이는 실용적 경로를 제시했으나, 예측 정확도와 실험적 검증의 범위, 그리고 새로운 변형이 유발할 수 있는 예기치 않은 상호작용은 여전히 검증이 필요한 한계로 남아 있다.
섹션별 상세
유전자 편집 치료는 표적 서열 외에 유전체 전체에 유사 서열이 존재할 수 있어 비표적 편집이 발생하면 다수 세포를 편집하는 치료 상황에서 오류가 누적되어 안전성 문제가 된다. 입력으로 편집 효소의 표적성 데이터와 표적 외 서열을 고려할 때 확률적으로 드물게 나타나는 일치도라도 편집 횟수가 많으면 임상적 리스크로 이어질 수 있다. 원문은 초기 편집 시스템들이 알려진 비표적 비율을 갖고 있었고, 다수 세포를 편집하는 치료 환경에서는 이러한 낮은 확률의 오류조차 무시할 수 없다고 보도했다. 이 문제는 유전자 편집 치료의 안전성 향상이 최우선 과제임을 의미한다.
연구진은 AlphaFold의 단백질 구조 예측 기능을 수정해 편집 단백질에서 비표적 활성을 유발하는 핵심 영역을 식별하고 그 부위를 변형하여 문제를 줄였다. 구체적으로는 단백질 서열을 입력으로 구조와 구조 기반의 기능적 좌표를 예측한 뒤, 예측된 구조에서 비표적 결합 또는 비특이적 상호작용과 연관된 잔기나 표면 영역을 도출해 해당 부위의 아미노산을 변경하는 방식으로 설계-검증 순서를 구현했다. 이 접근법은 Nature에 보고된 연구를 근거로 삼고 있으며, 계산적 예측을 설계 단계에 직접 연계해 안전성 개선 가능성을 보여준다는 점에서 의미가 있다.
용어 해설
- AlphaFold
- — 단백질 서열을 입력으로 받아 3차원 구조를 예측하는 딥러닝 기반 소프트웨어로, 단백질의 접힘과 상호작용을 구조적 관점에서 추정하여 단백질 기능과 설계 지점을 도출하는 데 사용된다.
- Off-target effect
- — 목표 외의 유전체 서열이 우연히 편집되어 원치 않는 변이가 생기는 현상으로, 치료적 개입에서 편집 횟수가 많아질수록 누적된 오류로 인해 임상적 안전성 문제를 유발할 수 있다.
- Protein structure prediction
- — 아미노산 서열을 바탕으로 단백질의 입체 구조를 계산하는 과정으로, 구조 예측 결과는 단백질의 상호작용 지점과 기능적 영역을 식별하여 설계·변형 전략을 세우는 기초가 된다.
- Protein engineering
- — 단백질의 서열이나 구조를 변경하여 작용 특성이나 안정성, 표적 특이성을 개선하는 분야로, 예측 도구와 실험적 검증을 결합해 치료용 단백질을 재설계하는 데 활용된다.
근거 모음
기술
- AlphaFold
활용 사례
- 단백질 내 비표적 활성을 유발하는 부위 식별을 통한 치료용 편집 효소의 안전성 개선
- 구조 기반 단백질 재설계를 통한 임상 전 검증 워크플로 보완
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 07. 25.수집 2026. 07. 25.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.