A New Era in Biocatalysis: Riff-Diff Technology Redefines Enzyme Engineering
By Creati.ai Editorial Team
계산생물학과 인공지능 분야의 획기적인 발전으로 연구진은 효소를 산업적·의학적 용도로 설계하는 방식을 근본적으로 바꾸는 생성형 AI（generative AI） 기반 방법인 "Riff-Diff"를 공개했습니다. 이번 주 권위 있는 학술지 Nature에 게재된 연구는 TU Graz(Institute of Biochemistry at Graz University of Technology)의 주도로 이루어졌으며, 자연에서 발견하는 효소를 찾는 단계에서 원자 수준의 정밀도로 효소를 처음부터 적극적으로 구성하는 단계로의 전환을 보여줍니다.
이 돌파구는 생명공학 분야에서 오랫동안 지속되어온 과제 중 하나를 해결합니다. 즉, 자연 진화의 우연성에 의존하지 않고 특정 화학 반응에 대해 안정적이고 고효율의 생체촉매(생물촉매, biocatalysts)를 창출하는 문제입니다. Riff-Diff(Rotamer Inverted Fragment Finder–Diffusion) 모델은 확산 기반 머신러닝（diffusion-based machine learning）의 힘을 활용하여 특정 활성 부위(Active Site)를 중심으로 단백질 스캐폴드(scaffold)를 구성함으로써 과학자들이 단백질을 새로운 화학적 임무에 "프로그래밍"할 수 있게 합니다.
The Paradigm Shift: From Discovery to Design
수십 년 동안 효소 공학(Enzyme Engineering)은 주로 발견과 변형의 과정이었습니다. 전통적으로 특정 반응을 위한 촉매를 찾고자 하는 과학자들은 방대한 기존 단백질 구조 데이터베이스를 탐색하여 원하는 기능에 맞게 조정할 수 있는 자연 분자를 찾으려 애썼습니다. 이러한 접근 방식은 흔히 "수레가 말을 앞서는" 식으로 비유되며, 자연이 이미 진화시킨 것들의 제약을 벗어나기 어렵다는 한계가 있었습니다.
Riff-Diff는 이 과정을 완전히 뒤집습니다. 활성 중심과 맞을 가능성이 있는 스캐폴드를 찾기 위해 탐색하는 대신, AI가 원하는 촉매 중심을 둘러싼 맞춤형 단백질 구조를 생성합니다.
"수레가 말을 앞지르고 데이터베이스를 검색해 어떤 구조가 활성 중심과 맞는지 보는 대신, 우리는 이제 원샷(one-shot) 프로세스를 사용해 화학 반응을 위해 효소를 처음부터 효율적이고 적절하게 설계할 수 있습니다,"라고 TU Graz의 수석 연구원 Gustav Oberdorfer가 설명합니다. 그의 ERC 프로젝트인 HELIXMOLD가 이 혁신의 기초 작업을 제공했습니다.
이러한 '기능 우선(function-first)' 설계 철학의 의미는 깊습니다. 이는 바이오엔지니어들을 유한한 자연 단백질 라이브러리로부터 해방시켜, 비자연적 반응이나 극한 환경, 복잡한 산업 공정에 맞춘 효소를 설계할 수 있는 사실상 무한한 설계 공간을 열어줍니다.
Unpacking Riff-Diff: How It Works
이 기술은 두 가지 정교한 계산 전략인 "Rotamer Inverted Fragment Finder"(RIFF)와 "Diffusion" 모델링 사이의 시너지를 창출합니다.
- 활성 부위 정의: 프로세스는 특정 반응을 촉매하기 위해 필요한 아미노산의 정확한 배열(로타머, rotamers)과 화학적 조각(fragements)을 식별하는 것으로 시작합니다.
- 생성적 스캐폴딩: RFdiffusion으로 알려진 생성형 AI 모델을 사용하여, 시스템은 이러한 촉매 요소들을 반응이 일어나기 위해 필요한 정확한 기하학적 구성으로 유지하는 단백질 백본을 생성합니다.
- 원자 수준 정제: 모델은 구조를 단계별로 정제하여 화학적으로 활성인 요소들이 옹스트롬 수준의 정밀도(0.1 나노미터)로 배치되도록 합니다.
이 방법은 규칙 기반 또는 이전의 계산 방법으로는 설계할 수 없었던 복잡한 기하학을 생성할 수 있게 합니다.
Comparative Analysis: Traditional vs. Riff-Diff
| Methodology | Traditional Protein Engineering | Riff-Diff AI Generation |
|---|---|---|
| Starting Point | Existing natural protein databases | Desired chemical reaction (Active Site) |
| Process Flow | Search -> Screen -> Mutate -> Optimize | Define Function -> Generate Structure -> Validate |
| Design Constraint | Limited by evolutionary history | Limited only by physics and chemistry |
| Speed | Months to years of iterative testing | One-shot generation (Days to Weeks) |
| Thermal Stability | Often low; requires stabilization | High (Functional up to 90°C+) |
| Success Rate | Low hit rate in initial screening | High activity in initial designs |
Unprecedented Efficiency and Stability
이 연구에서 가장 눈에 띄는 측면 중 하나는 '원샷(one-shot)' 성공률입니다. 단백질 설계 분야에서는 약하게 활성화된 분자를 찾기 위해 수천 개의 후보를 테스트하는 것이 일반적입니다. 그러나 TU Graz 팀은 실험실에서 테스트한 35개의 서열 중 여러 다른 반응 유형에 대해 활성 효소가 생성되었다고 보고했습니다.
게다가 이러한 데 노보(de novo) 효소들은 취약한 시제품이 아니었습니다. 이들은 산업 적용을 위해 중요한 요인인 놀라운 강인성(robustness)을 보였습니다.
"지금 생산할 수 있는 효소들은 높은 효율을 지닌 생체촉매로, 안정성 덕분에 산업 환경에서도 사용할 수 있습니다,"라고 교신저자 Markus Braun이 언급합니다. "이는 이전에 필요했던 스크리닝과 최적화 노력을 대폭 줄여줍니다."
연구는 설계된 거의 모든 효소가 90도 이상에서도 기능적 형태를 유지한다는 것을 확인했습니다. 이러한 수준의 열안정성은 광범위한 엔지니어링 없이 자연 효소에서는 드물게 발견되며, 고온이 반응 가속을 위해 자주 요구되는 가혹한 산업 제조 조건에서도 Riff-Diff가 생성한 단백질이 즉시 실용적임을 의미합니다.
Industrial and Environmental Implications
맞춤형 효소를 빠르게 생성할 수 있는 능력은 여러 분야에 걸쳐 광범위한 영향을 미칩니다. Creati.ai에서는 Riff-Diff가 현재의 워크플로를 흔들 수 있는 세 가지 주요 영역을 확인합니다:
1. Sustainable Manufacturing (Green Chemistry)
화학 합성은 종종 유독한 금속 촉매와 고에너지 공정에 의존합니다. 효소는 물에서 낮은 온도로 작동하는 더 깨끗한 대안을 제공합니다. Riff-Diff는 복잡한 의약품이나 산업용 화학물질을 보다 지속 가능하게 합성할 수 있는 효소를 창출할 수 있게 합니다. 특정 산업 워크플로와 호환되는 촉매를 설계함으로써 기업들은 폐기물과 에너지 소비를 줄일 수 있습니다.
2. Environmental Remediation
자연은 아직 특정 플라스틱이나 '영구 화학물질'(PFAS)과 같은 많은 현대 오염물질을 효율적으로 분해하는 효소를 진화시키지 못했습니다. Riff-Diff는 이러한 합성 결합을 표적화하여 분해하도록 설계된 효소를 과학자들이 만들 수 있게 하여 오염 통제에 대한 생물학적 해결책을 제공합니다.
3. Targeted Therapeutics
의학 분야에서 효소는 유전 질환 치료 및 약물 합성 도구로 사용됩니다. Riff-Diff의 정밀성은 부작용을 최소화하고 인체 내에서의 안정성을 향상시킨 새로운 계열의 치료용 효소로 이어질 수 있습니다.
"자연은 진화를 통해 많은 수의 효소를 생성하지만, 이는 시간이 걸립니다,"라고 연구의 교신저자 Adrian Tripp는 말합니다. "우리의 접근법으로 이 과정을 대규모로 가속화할 수 있으며, 그로써 산업 공정을 보다 지속 가능하게 만드는 데 기여할 수 있습니다."
The Role of Interdisciplinary Collaboration
Riff-Diff의 성공은 학제 간 융합의 필요성을 강조합니다. 이 프로젝트는 TU Graz의 Institute of Biochemistry와 University of Graz의 Institute of Chemistry 간의 협력 프로젝트였습니다.
University of Graz의 협력자 Mélanie Hall은 단백질 과학, 생명공학 및 유기화학의 통합이 결정적이었다고 강조했습니다. AI 모델이 더욱 복잡해짐에 따라 반응 메커니즘의 뉘앙스를 이해하는 화학자와 단백질 접힘을 이해하는 생물학자 같은 도메인 전문가들의 투입은 여전히 필수적입니다. AI는 과학자를 대체하는 것이 아니라 분자 수준에서 물질을 조작하는 능력을 증폭시킵니다.
Future Outlook
이번 Nature 게재는 생성 생물학(generative biology)이 '개념 증명' 단계를 넘어 실용적 유틸리티의 영역으로 진입했음을 알립니다. AlphaFold가 서열로부터 단백질 구조를 예측하는 문제(서열에서 형태를 결정)를 해결했다면, Riff-Diff는 기능으로부터 서열·형태를 결정하는 역접힘 문제(inverse folding problem)를 화학적 활성에 중점을 두고 다룹니다.
AI 커뮤니티에는 이것이 이미지 생성기인 Midjourney나 Stable Diffusion과 같은 배후 구조인 확산 모델(diffusion models)의 성공적 적용을 물리과학 분야에서 보여주는 사례입니다. 픽셀의 노이즈를 제거해 이미지를 생성하는 대신, Riff-Diff는 3D 좌표의 노이즈를 제거해 기능성 분자를 생성합니다.
활성 부위 데이터베이스가 확장되고 계산 능력이 증가함에 따라, 우리는 Riff-Diff와 유사한 모델들이 클라우드 기반 실험실에 통합되는 것을 보게 될 것입니다. 가까운 미래에는 화학자가 서버에 반응 도식을 업로드하면 몇 시간 내에 그 반응을 촉매하는 효소의 DNA 서열을 받게 될 수도 있습니다.
Creati.ai는 이 기술의 상용화를 계속 주시할 것이며, 특히 제약 및 청정 에너지 분야에 미치는 영향이 본격화될 때를 주목할 것입니다. 디지털 생물학의 시대는 더 이상 도래하는 중이 아니라, Riff-Diff와 같은 도구로 확고히 도래했습니다.
