펩타이드 라이브러리와 설계: 스크리닝과 예측은 어떻게 이루어지나요?

펩타이드 라이브러리는 체계적으로 비교할 수 있도록 준비되거나 구성된 다양한 펩타이드 서열의 모음입니다. 연구자들은 더 넓은 기준점 없이 단일 서열을 분석하는 대신, 이 라이브러리를 활용하여 어떤 펩타이드가 특정 분자 표적에 결합하는지, 효소의 기질인지, 특정 시험에서 측정 가능한 반응을 유발하는지, 다른 분자에 의해 인식되는 특정 모티프를 포함하거나, 그 밖의 정의된 특성을 나타내는지 확인할 수 있습니다.

모든 펩타이드 라이브러리가 똑같은 것은 아닙니다. 합성된 분자의 물리적 모음, 생물학적 지지체에 고정된 펩타이드, 비드나 표면에 결합된 펩타이드, 그리고 컴퓨터로 분석된 서열 및 분자 구조의 완전히 가상적인 모음 등 다양한 형태로 존재할 수 있습니다.

이 형식들은 각각 약간씩 다른 과학적 질문에 답을 제시합니다.

컴퓨터가 특정 단백질과의 결합 가능성을 예측한 펩타이드가, 스크리닝 실험에서 실제로 선별된 펩타이드와 동일한 것은 아니다. 마찬가지로, 스크리닝 과정에서 농축된 펩타이드가 자동으로 검증된 생물학적 후보 물질이 되는 것은 아니다.

파지 디스플레이, 구상 합성 라이브러리, 중첩된 펩타이드 세트 및 계산적 방법을 활용한 실험들은 펩타이드 발견의 기본 원칙 중 하나를 보여준다:

흥미로운 신호를 발견하는 것은 연구 과정을 시작하는 것이지, 끝내는 것이 아니다.

최종 결론의 설득력은 무엇보다도 다음 요인들에 달려 있다:

• 도서관의 설계 방식과 품질;
• 단순히 이론적인 것이 아닌 실질적인 다양성;
• 시험 설계;
• 적절한 점검;
• 분자 식별;
• 반복성;
• 대안적 설명의 배제;
• 독립적인 실험적 검증. [1] [2] [3]

따라서 펩타이드 라이브러리를 분석할 때는 다음과 같은 몇 가지 단계를 구분해 볼 필요가 있습니다:

문헌 데이터베이스 구축 → 선별 → 적중 결과 식별 → 확인 → 특성 분석 → 예측 또는 최적화 → 독립적 검증.

이 단계들은 각각 서로 다른 수준의 증거를 제시합니다.

펩타이드 라이브러리는 무엇인가요?

다양한 분자 변이형을 체계적으로 정리한 모음

펩타이드 라이브러리는 특정 연구 주제를 중심으로 서로 연관되거나 다양한 펩타이드 서열을 포함하고 있다.

일부 라이브러리는 알려진 펩타이드 내에서 발생하는 미세한 변이를 연구하는 데 사용됩니다. 다른 라이브러리는 가능한 서열의 범위를 훨씬 더 넓게 포괄합니다.

라이브러리의 개별 요소들은 다음 측면에서 차이가 있을 수 있습니다:

• 펩타이드의 길이;
• 아미노산의 종류;
• 각 잔여물의 위치;
• 아미노산의 순서;
• 최종 그룹;
• 사이클화;
• 입체화학;
• 화학적 변형;
• 그 밖의 의도적으로 변경된 구조적 특성.

또한 라이브러리는 관심 있는 요소를 식별할 수 있는 기능을 유지해야 합니다.

펩타이드 매트릭스의 경우, 펩타이드의 정체성은 그 물리적 위치와 연관될 수 있다.

파지 디스플레이 라이브러리에서 제시되는 펩타이드 서열은 박테리오파그에 포함된 유전 정보와 연관되어 있다.

비드 위에 배치된 합성 라이브러리에서, 선택된 비드에 존재하는 펩타이드의 경우 화학적 식별이 필요하거나 추가적인 코딩 시스템을 활용해야 할 수 있다.

신호와 분자의 정체성 사이의 연관성은 근본적으로 중요합니다.

알 수 없는 혼합물에서 나온 강력한 실험 신호가 있다고 해서, 어떤 분자가 그 신호를 유발했는지는 아직 알 수 없다.

따라서 펩타이드 라이브러리의 가치는 그 안에 포함된 후보 물질의 수뿐만 아니라, 결합 가능성에 의해서도 결정됩니다:

후보 → 정체성 → 측정된 응답.

무작위 도서관, 주제별 도서관, 체계적 도서관

다양한 형태의 도서관 구조는 각기 다른 학술적 질문에 답하기 위해 활용됩니다.

무작위 라이브러리 또는 조합 라이브러리는 선택된 위치에 있는 구성 요소들의 조합을 포함합니다.

„무작위”라는 용어는 계획된 설계 또는 표본 추출 방식을 설명하는 것입니다. 이는 이론적으로 가능한 모든 순서가 실제로 동일한 빈도로 발생한다는 것을 의미하지는 않습니다.

목표 지향적 라이브러리는 다음을 중심으로 변동성을 제한합니다:

• 잘 알려진 모티프;
• 모체 펩티드;
• 특정 구조 골격;
• 결합 서열;
• 활발한 지역;
• 특정 분자적 표적에 관한 가설.

체계적 대입 라이브러리는 선택한 나머지 항들을 정돈된 방식으로 변경합니다.

예를 들어, 특정 위치에 있는 아미노산을 여러 가지 다른 아미노산으로 차례로 대체하여, 해당 위치가 연구 대상 특성에 영향을 미치는지 확인할 수 있다.

중첩 펩타이드 라이브러리는 더 긴 모체 서열의 연속적인 단편들을 활용하며, 인접한 단편들은 일부 아미노산 잔기를 공유한다.

이러한 접근 방식은 특정 검사에서 인식되는 단백질의 영역을 규명할 때 특히 유용합니다.

모든 전략에는 각각의 장점과 한계가 있습니다.

광범위한 조합론적 라이브러리는 예상치 못한 순차적 패턴을 드러낼 수 있다.

목적 지향형 라이브러리를 사용하면 이미 관심을 가지고 있는 시퀀스를 더 면밀하게 조사할 수 있습니다.

체계적인 대입을 통해 어떤 항목이 특히 중요한지 파악할 수 있다.

중첩 단편 라이브러리는 더 큰 단백질의 활성 영역이나 인식 영역을 찾아내는 데 도움이 됩니다.

따라서:

시퀀스의 길이가 더 길다고 해서 실험적 정보의 질이 자동으로 더 좋아지는 것은 아니다.

어떤 유형의 문헌을 선택할지는 무엇보다도 연구 질문에 달려 있다.

이론적 다양성이 실제적 대표성을 의미하는 것은 아니다

가능한 펩타이드 서열의 범위는 매우 빠르게 확대되고 있다.

라이브러리가 6개 위치 각각에 20가지 표준 아미노산 모두를 허용한다면, 이론적으로 가능한 서열의 수는 다음과 같습니다:

20⁶ = 64,000,000가지의 가능한 조합.

이는 이론적 다양성이다.

이는 실제 도서관에 6,400만 개의 서로 다른, 정확하게 표현된 펩타이드가 실제로 존재한다는 것을 의미하지는 않습니다.

실질적 다양성은 다음 요인들 등으로 인해 감소하거나 왜곡될 수 있다:

• 합성 실패;
• 불균일한 결합 효율;
• 난이도 순서에 따라 달라지는 합성 문제;
• 라이브러리 구축 과정에서의 생물학적 선별;
• 변환의 한계;
• 증식 방식의 차이;
• 반복되는 시퀀스;
• 시퀀싱과 관련된 부하;
• 샘플링의 한계;
• 각 요소의 개수가 서로 다르다.

또한 전체 라이브러리 중 어느 정도가 특정 실험에서 실제로 활용되었는지도 중요합니다.

이론적으로 데이터 세트에 엄청난 수의 서열이 포함되어 있다 하더라도, 단일 스크리닝으로는 그 다양성의 일부만을 다룰 수 있습니다.

상업용 파지 라이브러리에 대한 심층 시퀀싱 결과, 균일한 분포에서 뚜렷한 편차가 관찰되었으며, 여기에는 펩타이드의 개수 차이 및 서열 구성에 따른 부하 차이가 포함되었습니다. 연구진은 또한 라이브러리의 유효 크기를 감소시키는 요인들을 규명했다. [4]

이러한 결과는 분석 대상인 특정 라이브러리에만 해당하며, 이를 모든 파지 디스플레이 라이브러리에 무조건적으로 수치적으로 적용해서는 안 됩니다.

하지만 여기에는 중요한 원칙이 담겨 있습니다:

이론적 다양성을 측정된 실험적 다양성으로 간주해서는 안 된다.

중첩 펩타이드 라이브러리는 무엇인가요?

중첩 펩타이드 라이브러리는 더 긴 모서리 서열을 일련의 더 짧은 단편들로 나타냅니다.

인접한 펩타이드들은 일부 공통 서열을 포함하고 있다.

길이 15인 가상의 조각들을 생각해 보자:

• 나머지 1–15;
• 나머지 6–20;
• 나머지 11–25.

각 다음 펩타이는 이전 펩타이에 비해 5개 위치 뒤에서 시작된다.

이는 인접한 단편들이 10개의 공통 잔기를 가지고 있음을 의미합니다.

이러한 배치는 인식이나 기타 측정된 반응과 관련된 영역을 찾아내는 데 도움이 됩니다.

인접한 두 펩타이드가 신호를 보내는 경우, 이들의 공통 서열을 통해 추가 연구가 필요한 영역을 좁힐 수 있다.

그러나 이것이 다음을 입증하는 것은 아니다:

• 공통 영역에 있는 모든 잔여물은 필수적이다;
• 공통 서열만으로도 효과를 얻을 수 있다;
• 최소 활성 서열이 확인되었으며;
• 이 단편은 전체 단백질 내의 해당 영역과 정확히 동일한 방식으로 작용한다.

이러한 문제들을 해결하기 위해서는 추가적인 실험이 필요할 수 있다.

수막구균 외막 단백질에 관한 연구에서는 45개의 중첩되는 합성 펩타이드를 사용하여, 인간 기증자로부터 유래한 세포 내 T 림프구의 인식 과정을 분석하였다. [5]

이 연구는 경험적 펩타이드 매핑의 유용성과 당시 이용 가능한 예측 알고리즘의 한계를 모두 보여주었다.

관찰된 반응은 사용된 펩타이드 세트, 시험 조건 및 연구 대상 기증자로부터 채취한 검체에 따라 특이적인 양상을 보였습니다.

실물 도서관과 가상 도서관은 서로 다른 질문에 답해줍니다

„펩타이드 라이브러리”라는 용어는 매우 다양한 실험 시스템을 지칭할 수 있다.

이 구별은 매우 중요합니다:

디지털 후보는 자동으로 합성된 분자가 아니며, 합성된 분자가 자동으로 실험을 통해 검증된 후보가 되는 것은 아니다.

파지 디스플레이와 합성 라이브러리

파지 디스플레이는 어떻게 펩타이드와 그 서열을 연결하나요?

파지 디스플레이 기술에서는 펩타이드가 박테리오파그 표면에 위치한 단백질의 일부로 제시된다.

파그는 제시된 서열을 암호화하는 유전 정보를 동시에 포함하고 있다.

이를 통해 다음 요소들 간에 유용한 연결이 형성됩니다:

표현형 — 제시된 펩타이드

a

유전자형 — 이에 상응하는 유전 서열.

연구자들은 특정 표적이나 테스트 시스템에 전문 라이브러리를 노출시키고, 선별된 단편을 회수하거나 증식시키거나 분석하여 어떤 서열이 풍부해졌는지 파악할 수 있다.

유전 정보와의 연관성은 신원이 확인되지 않은 분자 혼합물을 분석하는 것에 비해 후보 물질의 식별을 훨씬 용이하게 한다.

실 모양 파지에 제시된 무작위 펩타이드를 활용한 초기 연구들은 높은 친화력을 지닌 항체 리간드를 확보할 수 있음을 보여주었으며, 파지에 제시된 펩타이드의 거동을 화학적으로 합성된 펩타이드에 대해 얻어진 결합 결과와 비교하였다합성된 펩타이드의 결합 결과와 비교했다. [1]

이 비교는 특히 중요했는데, 이는 파지 입자에 존재하는 펩타이드와 이에 상응하는 분리된 합성 펩타이드가 실험적으로 동일한 항원 제시를 구성하지 않기 때문이다.

풍요는 선택의 결과일 뿐, 그 메커니즘에 대한 완전한 설명은 아니다

선발 과정의 각 단계에서 비중이 점점 커지는 시퀀스는 흔히 ‘확장된’ 시퀀스라고 불린다.

이 정보는 매우 중요합니다.

그러나 이것이 왜 특정 서열이 더 많이 나타나게 되었는지를 자동으로 설명해 주지는 않는다.

가능한 원인으로는 다음이 있습니다:

• 의도된 목적과의 연관성;
• 시험에 사용된 표면과의 결합;
• 실험의 다른 요소와의 상호작용;
• 선발 조건을 더 잘 견뎌내는 것;
• 더 높은 전염성;
• 더 효과적인 증식;
• 전파 과정에서 우위를 점하고;
• 서열이나 특정 클론에 따라 달라지는 또 다른 특성.

이는 과학적으로 서로 다른 설명들입니다.

한 연구에서, 게놈 결손으로 인해 증식 능력이 향상된 파지 클론이 확인되었다. [6]

또 다른 연구에서는 대상 표적 대신 폴리스티렌에 결합하는 해당 펩타이드를 분석했다. [7]

이 연구들은 연구의 본래 목적과 무관하게 데이터가 풍부해질 수 있는 두 가지 서로 다른 메커니즘을 보여준다.

그렇다고 해서 모든 풍부화된 파지 서열이 인공 산물이라는 뜻은 아니다.

대신 그 이유를 다음과 같이 설명합니다:

이 풍부화는 설명이 필요한 후보 물질을 식별해 주지만, 그 자체만으로는 특정 분자 표적을 식별했다는 증거가 되지 않는다.

표현 방식은 관찰되는 결합에 영향을 미칠 수 있다

파지 디스플레이 시스템에 제시된 펩타이는 운반체에 물리적으로 결합되어 있다.

따라서 이 분자의 거동은 용액 속에서 자유롭게 존재하는 동일한 분자의 거동과는 다를 수 있다.

여기서 중요한 개념은 비가시성입니다.

친화력은 대개 특정 모델 내에서 단일 상호작용의 강도를 가리킨다.

반면, 탐욕은 동시에 일어나는 여러 상호작용에서 비롯될 수 있다.

제시된 펩타이드의 여러 사본이 동시에 여러 결합 부위와 상호작용할 경우, 총 상호작용은 자유 상태의 단일 펩타이드가 나타내는 개별 상호작용보다 더 강하게 보일 수 있다.

매체에 연결하면 다음과 같은 효과도 있습니다:

• 펩타이드의 입체 구조를 제한하고;
• 그것의 가용성을 변경할 수 있습니다;
• 국소 농도를 증가시키고;
• 방향 감각에 영향을 미치다;
• 입체 효과를 유발할 수 있다;
• 펩타이드의 여러 복사본을 서로 가까이 배치한다.

따라서 항원 제시 시스템에서 효과적으로 선별된 펩타이드라도 독립적으로 합성된 후에는 다른 특성을 보일 수 있다.

바로 그 때문에 분리된 분자를 연구하는 것은 중요한 검증 단계입니다.

파지 디스플레이 초기 연구에서 파지에 제시된 리간드와 화학적으로 합성된 해당 리간드를 비교한 결과는, 선별 결과와 분자의 독립적인 거동 간의 연관성이 얼마나 중요한지를 잘 보여준다. [1]

합성 라이브러리는 다른 화학적 공간을 포함할 수 있다

합성 펩타이드 라이브러리는 생물학적 발현만을 통해서가 아니라 화학적 방법을 통해 생성됩니다.

사용된 합성 방법에 따라 다음과 같은 것들이 포함될 수 있습니다:

• 비표준 아미노산;
• 특정 D-아미노산;
• 단말부의 수정;
• 순환화;
• 화학 표지;
• 변형된 측쇄;
• 기타 합성 건축 자재.

이를 통해 연구에 활용할 수 있는 화학적 영역을 확대할 수 있다.

그러나 스프레드시트나 컴퓨터 프로그램에서 서열을 설계했다고 해서, 그에 상응하는 분자를 쉽고 정확하게 얻을 수 있다는 것을 증명하는 것은 아니다.

실무상의 문제로는 다음이 포함될 수 있습니다:

• 부분 결합;
• 결실 서열;
• 집계;
• 정화 과정의 어려움;
• 용해도가 낮음;
• 부작용;
• 변경의 불안정성;
• 서열에 의존하는 합성 문제.

따라서:

설계된 화학적 다양성 ≠ 실험적으로 입증된 화학적 다양성.

따라서 유전적으로 암호화된 발현 시스템과 화학적 합성은 부분적으로 겹치지만 동일하지는 않은 분자 영역을 포함한다.

변형된 제시 기술은 생물학적 시스템에서 이용 가능한 화학의 범위를 더욱 확장할 수 있으므로, 생물학적 라이브러리가 변형되지 않은 표준 펩타이드만을 포함할 수 있다는 식으로 이 구분을 지나치게 단순화해서는 안 된다.

one-bead–one-compound 라이브러리

one-bead–one-compound(OBOC) 라이브러리에서는 각 비드가 원칙적으로 하나의 특정 화합물을 다수 복제하여 포함하도록 설계되어 있습니다.

자주 사용되는 전략 중 하나는 ‘분할-통합(split-and-pool)’ 방식의 합성입니다.

구슬들을 여러 그룹으로 나누고, 각 그룹을 서로 다른 구성 요소와 반응시킨 다음, 모든 구슬을 다시 결합시킨 후 다음 합성 단계에 앞서 다시 나눕니다.

이 과정을 반복하면, 개별 구슬과 특정 순서 간의 계획된 연관성을 유지하면서 방대한 조합 라이브러리를 구축할 수 있다.

‘one-bead–one-peptide’ 시스템에 관한 초기 연구에서는 리간드 결합을 목적으로 대규모 합성 펩타이드 라이브러리를 구축하고 선별하는 방법을 제시했다. [2]

그러나 ‘one bead–one compound’라는 표현은 라이브러리의 구성 원리를 설명하는 것이다.

다음과 같은 사실을 입증하지는 않는다:

• 각 구슬에는 화학적으로 완벽한 펩타이드가 포함되어 있으며;
• 각 구슬은 동일한 양의 펩타이드를 함유하고 있으며;
• 모든 결합 반응은 동일한 수율로 진행되었으며;
• 각 구슬에 있는 펩타이드의 접근성은 모두 동일합니다.

후속 단일 구슬 연구에서는 라만 분광법을 이용하여 펩타이드의 양을 측정했다.

연구자들은 초기 자료의 부하가 더 균일했음에도 불구하고, 특히 긴 서열의 경우 라이브러리 볼 간에 상당한 변동성이 관찰되었다. [8]

이는 스크리닝 중 신호의 강도가 다음 두 가지 요인에 모두 좌우될 수 있기 때문에 중요합니다:

상호작용력,

그리고 다음에서:

비드에 제시된 이용 가능한 펩타이드의 양.

매트릭스, 개별적으로 합성된 세트 및 풀링 분석

펩타이드 라이브러리는 매트릭스 형태로 구성되거나 개별적으로 합성된 세트로 구성될 수도 있다.

펩타이드 행렬에서 정의된 펩타이드들은 알려진 물리적 위치에 존재한다.

이를 통해 다음과 같은 직접 연결이 제공됩니다:

위치 → 시퀀스 식별 → 테스트 신호.

그러나 표면에서의 고정화가 펩타이드의 구조와 가용성에 영향을 미칠 수 있다는 점을 유의해야 합니다.

또 다른 방법은 펄스 스크리닝입니다.

여러 펩타이드가 하나의 시료로 결합되어 함께 분석됩니다.

풀이 긍정적인 결과를 보이면, 다음 단계로 더 작은 그룹이나 개별 요소를 테스트하여 풀의 디콘볼루션(deconvolution)을 수행할 수 있습니다.

풀링을 활용하면 초기 단계에서 필요한 측정 횟수를 줄일 수 있습니다.

그러나 풀은 항상 그 구성 요소 각각과 정확히 똑같이 행동하는 것은 아니다.

다음과 같은 요인이 영향을 미칠 수 있습니다:

• 농도 차이;
• 경쟁;
• 용해도;
• 집계;
• 간섭;
• 길항 효과;
• 테스트의 포화도.

따라서 양성 집단은 추가 연구가 필요한 그룹을 나타냅니다.

이 연구가 그 안에 포함된 모든 펩타이드가 해당 특성을 지닌다는 것을 입증하는 것은 아니다.

후보자 심사 및 선발

먼저, 해당 테스트가 정확히 무엇을 측정하는지 파악하십시오

스크리닝 결과의 의미는 전적으로 측정된 종결점에 달려 있습니다.

결합 스크리닝은 특정 조건에서 펩타이드가 특정 표적과 상호작용하는지 여부를 확인해 줍니다.

효소 기질 스크리닝은 해당 효소가 특정 펩타이드를 변환하는지 여부를 확인하는 실험이다.

억제 시험은 펩타이드가 특정 활성을 감소시키는지 여부를 확인하는 시험입니다.

세포 실험은 세포 내에서 정의된 반응을 측정합니다.

이 결과들은 동등하지 않습니다.

펩타이드가 표적에 결합하더라도, 이를 활성화하거나 억제하지는 않을 수 있다.

효소의 기질이 될 수는 있지만, 세포 내에서는 적절한 반응을 보이지 않을 수 있다.

반면, 세포 반응은 의도하지 않은 경로를 통해 발생할 수 있다.

따라서 어떤 종류의 활성이 실제로 측정되었는지 명시되지 않은 경우, „활성 펩타이드”라는 용어는 종종 너무 광범위한 의미를 지닐 수 있다.

기계 학습을 활용한 반복적 연구를 통해, 선별된 후보 물질들을 여러 차례 실험적으로 테스트함으로써 특정 효소 군에 대한 펩타이드 기질을 최적화하였다. [3]

이 연구 결과는 해당 특정 시스템에서 측정된 생화학적 기능에 관한 것이었다.

이것이 다른, 관련이 없는 생물학적 응용 분야에서도 동일한 서열이 효과가 있을 것이라고 입증하지는 않는다.

검증은 목표 식별과 테스트 자체의 수행을 구분하는 데 도움이 됩니다

적절하게 선정된 대조 실험은 의도된 분자적 현상을 다른 가능한 설명들과 구별하는 데 도움이 된다.

테스트에 따라 다음 중 하나일 수 있습니다:

• 표적 분자가 없는 표면;
• 매체 자체만을 포함하는 검사;
• 서로 관련이 없는 분자적 목표;
• 양성 판정;
• 부정적 검사;
• 배경 측정;
• 경쟁 실험;
• 해당 시스템에 특화된 기타 점검 사항.

표적 분자가 없는 표면은 시험 물질과의 비특이적 결합을 나타낼 수 있습니다.

매체를 점검하면 프레젠테이션 시스템 자체에 의해 유발된 응답을 감지하는 데 도움이 됩니다.

관련이 없는 목표는 선택성에 대한 정보를 제공할 수 있다.

양성 대조군은 해당 검사가 알려진 결과를 감지할 수 있는지 여부를 보여줍니다.

네거티브 컨트롤은 배경 수준을 파악하는 데 도움이 됩니다.

그러나 검사는 해당 실험에서 실제로 발생할 수 있는 오류의 원인에 맞춰 선정해야 한다.

모든 가능한 시스템에서 생물학적으로 중립적인, 단 하나의 보편적인 대조 펩타이드는 존재하지 않는다.

폴리스티렌에 결합하는 파지에 대한 연구는 표면 제어가 왜 중요한지 보여준다. 연구진은 결합과 증식을 별도로 분석했으며, 파지의 회수가 의도된 표적을 인식했다는 증거라고 가정하기보다는, 그 증가를 시험 표면과의 상호작용에 기인한 것으로 보았다. [7]

친화성, 선택성, 기능은 서로 다른 특성이다

자주 혼동되는 세 가지 개념은 다음과 같습니다:

친화성, 선택성 및 기능.

친화력은 특정 조건 하에서, 그리고 적절한 상호작용 모델의 틀 내에서 나타나는 상호작용의 강도를 의미합니다.

선택성은 후보자가 관련 대안들에 비해 특정 목표와 어느 정도 우선적으로 상호작용하는지를 나타낸다.

이 기능은 그러한 상호작용이 초래하는 생물학적 또는 생화학적 결과에 관한 것이다.

따라서 펩타이드에는 다음과 같은 특성이 나타날 수 있다:

• 친화력은 높지만 선택성은 낮음;
• 높은 선택성을 가지지만 결합력이 약하며;
• 예상된 기능적 효과가 없는 강력한 결합;
• 예상치 못한 기전을 통해 기능적 활성을 나타낸다.

이러한 구분은 다음 단계에서 어떤 실험을 수행해야 할지를 결정합니다.

예를 들어:

관찰된 결합 ≠ 관찰된 억제.

결합 스크리닝에서 발견된 펩타이드는 그 억제 작용이 직접 측정되지 않은 경우, 무조건 억제제라고 부르면 안 된다.

지원자들은 몇 가지 유형의 데이터를 바탕으로 평가하는 것이 좋습니다

후보자 선발은 단 하나의 순위 기준에만 의존하지 않을 때 더 신뢰할 수 있습니다.

다음과 같은 사항들을 고려할 수 있습니다:

• 신호의 크기;
• 재현성;
• 배경 유지;
• 시퀀스의 식별자;
• 초기 가치 대비 증가분;
• 선택성;
• 시퀀스 가족;
• 독립적인 합성이 가능한;
• 용해도;
• 시험의 재현성;
• 추가 검증의 가능성.

선택된 검색 결과 간의 서열적 다양성도 유용할 수 있다.

여러 가지 서열 계열을 대표하는 표본을 조사함으로써, 오해를 불러일으킬 가능성이 있는 단일 모티프나 클론에 대한 의존도를 줄일 수 있다.

전문 도서관의 경우, 선별 전과 선별 후의 소장 건수를 비교하는 것이 특히 유용합니다.

원본 라이브러리에서 이미 매우 빈번하게 나타났던 서열은, 스크리닝 후에도 목적에 따른 특별히 강력한 농축 과정 없이도 다수 검출될 수 있다.

파지 라이브러리의 심층 시퀀싱 분석 결과, 초기 표현이 고르지 않은 것으로 나타났다. [4]

번식 우위에 관한 연구는 또한 단순히 개체 수만을 친화도의 척도로 자동적으로 해석해서는 안 되는 이유를 추가로 보여준다. [6]

종합해 보면, 이러한 결과들은 다음과 같은 분석을 뒷받침합니다:

해당 시퀀스가 어떻게 보강되었는지,

그뿐만 아니라:

선발 과정이 끝난 후 1위를 차지한 시퀀스는 무엇인가요?.

스크리닝을 통과했다고 해서 아직 검증된 후보자는 아닙니다

‘히트(Hit)’란, 초기 선별 기준을 충족하는 후보를 의미합니다.

이는 의미 있는 성과입니다.

그러나 검증 과정을 끝내지는 않습니다.

확인서에는 특히 다음 사항에 대한 답변이 포함되어야 합니다. 즉, 후보자의 행동이:

• 반복 가능하다;
• 적절한 통제 조치를 적용한 후에도 지속되며;
• 개별 검사 중에 나타납니다;
• 재합성 후에도 여전히 관찰되며;
• 의도된 분자에 할당할 수 있다;
• 해당 2차 검사에서 여전히 중요한 요소로 남아 있다.

추가적인 특성 분석에는 특정 연구 목적에 중요한 특성이 포함될 수 있다.

재합성은 초기 스크리닝에서 캐리어, 비드, 제시 시스템 또는 혼합물을 사용한 경우에 특히 유용합니다.

독립적인 종합을 통해 후보자를 그 후보자가 처음 제시된 방식과 분리할 수 있다.

시료의 정체성 및 기타 중요한 특성을 확인함으로써, 관찰된 결과와 목표 분자 간의 연관성이 더욱 강화된다. 이 단계에서 정확한 해석이 특히 중요해진다. 펩타이드 순도 및 실험실 분석, HPLC의 분석 결과, 분자량 확인 및 실제 펩타이드 함량은 서로 다른 분석적 질문에 대한 답을 제공하기 때문입니다.

따라서 올바른 순서는 다음과 같습니다:

스크리닝에서 적격자 선정 → 적격자 확인 → 후보자 프로파일 작성,

다음과 같이 하지 말고:

스크리닝에서 양성 반응 → 기능성이 입증된 펩타이드.

우월한 순위, 시각적으로 설득력 있는 도킹 모델, 또는 오류가 발생하기 쉬운 동일한 테스트에서 유사한 결과가 반복적으로 도출된다고 해서, 이것이 자동으로 독립적인 검증을 대체할 수는 없다.

시퀀스 설계 및 예측 도구

설계는 분자적 목표를 설정하는 것부터 시작됩니다.

펩타이드 설계는 다음 중 하나에서 시작할 수 있습니다:

• 잘 알려진 모티프;
• 모체 펩티드;
• 단백질의 상호작용 표면;
• 실험을 통해 얻은 결과;
• 구조 모델;
• 진화 계통;
• 조사된 펩타이드에 관한 데이터 세트.

그런 다음 다음과 같은 변화를 분석할 수 있습니다:

• 아미노산 치환;
• 시퀀스 단축;
• 시퀀스 연장;
• 순환화;
• 단말부의 수정;
• 아미노산 서열의 변화;
• 기타 구조적 수정 사항.

목표는 명확하게 정해져야 합니다.

예를 들어:

결합 예측

다음과 같은 과제와는 다릅니다:

효소에 의한 인식 예측,

그리고 이는 다음과 같은 것과는 다릅니다:

용해도 예측.

한 가지 특성을 개선하는 수정은 다른 특성에는 영향을 미치지 않거나, 심지어 그 특성에 부정적인 영향을 줄 수도 있습니다.

따라서 실용적인 펩타이드 설계는 서로 상충되는 여러 목표를 절충해야 할 수도 있다.

실험을 통해 뒷받침된 효소 기질 연구는 알고리즘이 후보를 제안하고, 생화학 실험을 통해 이를 평가하며, 얻어진 결과가 후속 서열 선택 결정에 영향을 미치는 체계적인 접근 방식을 보여주었다. [3]

이 계산은 실험의 구체적인 목적을 뒷받침하는 것이지, 측정을 대체하는 것은 아니었다.

시퀀스 기반 예측은 훈련 데이터에 따라 달라진다

서열을 기반으로 한 컴퓨터 모델은 훈련 데이터셋에 포함된 펩타이드의 특성과 라벨 또는 측정 결과 간의 관계를 학습합니다.

모델에 따라 다음과 같은 결과가 나타날 수 있습니다:

• 분류;
• 확률과 유사한 결과;
• 순위 값;
• 예상되는 정량적 특성;
• 또 다른 종류의 컴퓨터 기반 추정 방법.

해석은 훈련 중에 사용된 라벨들이 실제로 무엇을 의미했는지에 따라 달라집니다.

예를 들어, „활동적인”이라는 표현은 다음과 같은 의미를 가질 수 있습니다:

• 특정 기준치를 초과하는 결합;
• 효소에 의한 변환;
• 항미생물 활성;
• 세포 반응;
• 해당 검사에 특정한 다른 기준.

이 두 특성은 동등하지 않습니다.

데이터 세트에는 다양한 실험 조건에서 얻어진 결과도 포함될 수 있다.

검증되지 않은 펩타이드를 단순히 그에 대한 양성 결과가 존재하지 않는다는 이유만으로 자동적으로 ‘확정된 음성 결과’로 간주해서는 안 된다.

모델을 평가하는 것 또한 마찬가지로 중요합니다.

훈련 데이터셋과 테스트 데이터셋 모두에 거의 동일한 서열이 포함되어 있다면, 예측 문제는 진정으로 새로운 펩타이드의 특성을 예측하는 것보다 훨씬 쉬울 수 있다.

따라서:

모델의 전반적인 정확도가 높다고 해서, 그 자체만으로는 새로운 시퀀스에 대한 일반화 능력이 입증되는 것은 아니다.

일반화에는 신중한 평가가 필요하다

일반화란 모델이 훈련 시 사용된 예시 이외의 상황에서 유용성을 유지할 수 있는 능력을 말합니다.

이는 제안된 펩타이드가 다음 측면에서 훈련 데이터와 현저히 다른 경우 특히 중요합니다:

• 시퀀스;
• 길이;
• 구조적 등급;
• 화학적 변형;
• 분자적 목적;
• 실험적 맥락.

T 세포 수용체 결합 예측에 관한 연구에서는 훈련 펩타이드와 테스트 펩타이드 간의 차이가 모델 평가에 미치는 영향을 분석했다. [9]

서열과 구조의 유사성을 기반으로 한 집합 분류는 동일한 결과를 내놓지 않았다.

이는 훈련 데이터와 테스트 데이터를 단순히 구분하거나 모델의 성능을 나타내는 단일 값만으로는 새로운 펩타이드에 대한 모델의 거동을 완전히 반영하지 못할 수 있는 이유를 보여줍니다.

그렇다고 해서 펩타이드 예측 모델이 본질적으로 신뢰할 수 없다는 뜻은 아닙니다.

이는 오히려, 이러한 요소를 평가하는 방식이 실제로 적용될 상황을 반영해야 함을 의미합니다.

펩타이드 도킹은 무엇을 예측하나요?

펩타이드 도킹은 펩타이드가 수용체나 다른 분자 표적과 어떻게 상호작용할 수 있는지를 제안하는 데 사용되는 컴퓨터 기반 방법입니다.

계산을 통해 다음과 같은 다양한 사항을 분석할 수 있습니다:

• 펩티드의 구조;
• 방향;
• 항목;
• 수용체와의 상호작용;
• 상호작용 기하학.

그런 다음 제안된 회로들은 적절한 점수 함수나 에너지 함수를 사용하여 평가됩니다.

따라서 도킹 결과는 다음과 같은 정보를 제공할 수 있습니다:

• 잠재적 결합 위치;
• 상호작용에 참여하는 제안된 잔여물들;
• 구조적 가설;
• 후보자 순위;
• 추가적인 컴퓨터 분석을 위한 초기 구조.

다만 다음 사항을 유의해야 합니다:

도킹 이외의 경우는 가설일 뿐, 실험을 통해 관찰된 복합체가 아닙니다.

마찬가지로:

도킹 점수 결과는 실험적으로 측정된 해리 상수, 세포 활성 또는 생물학적 성공 확률을 자동으로 나타내는 것은 아닙니다.

해석은 다음 요인에 따라 달라집니다:

• 점 함수;
• 콘포메이션 샘플링 방법;
• 수용체 구조;
• 수용체의 유연성;
• 펩타이드의 유연성;
• 초기 가정;
• 양자화 및 분자 표현;
• 특정 작업에 대한 보정.

펩타이드의 도킹은 펩타이드가 대개 매우 유연하기 때문에 특히 까다로울 수 있습니다.

결합 과정에서 이들의 구조는 물론 표적에 대한 위치도 크게 달라질 수 있다.

Rosetta FlexPepDock: 정제(refinement)와 전역 도킹(global docking)은 서로 다른 절차입니다.

FlexPepDock 서버에 관한 초기 논문에서는, 대략적으로 수용체 결합 부위에 위치한 펩타이드를 출발점으로 하여 모델을 고해상도로 정교화하는 과정을 설명하고 있다. [10]

따라서 이 도구를 단순히 구조적 정보 없이도 알려지지 않은 결합 부위를 찾아낼 수 있는 범용적인 방법으로만 설명해서는 안 된다.

PIPER-FlexPepDock은 펩타이드 단편의 배치를 이후의 유연한 모델 개선 과정과 결합함으로써, 이 개념을 전역 도킹 방향으로 확장합니다. [11]

이 논문에서는 제한적이지만 대표성이 있는, 실험적으로 규명된 펩타이드-단백질 복합체 집합을 대상으로 이 방법을 평가하였다.

벤치마크에서의 성공은 테스트 조건 하에서 그 효과를 입증합니다.

모든 새로운 수용체-펩타이드 쌍에 대해 정확한 예측을 보장하지는 않습니다.

로제타의 공식 문서에서는 다음과 같이 구분하고 있습니다:

• 정제;
• 근사 결합 위치 주변의 ab initio 모델링;
• PIPER-FlexPepDock의 전체 워크플로우. [12]

따라서 컴퓨터 보고서는 다음 사항을 명시할 경우 훨씬 더 유익한 정보를 제공하게 됩니다:

어떤 FlexPepDock 프로토콜을 적용했는지 + 어떤 초기 데이터를 사용했는지 + 얻어진 구조를 어떻게 평가했는지.

단순히 다음과 같이 언급하는 것만으로도:

„"로제타의 도킹이 완료되었습니다"”

많은 중요한 방법론적 정보를 명확히 규정하지 않은 채로 남겨두고 있다.

변형된 펩타이드에는 적절한 표현이 필요합니다

컴퓨터 모델은 연구 대상인 분자 구조를 정확하게 재현해야 한다.

표준 1글자 아미노산 코드만으로 기록된 서열은 중요한 화학적 정보를 생략할 수 있다.

여기에는 다음이 포함될 수 있습니다:

• C-말단의 아미드화;
• N-말단 아세틸화;
• 비표준 아미노산;
• D-아미노산;
• 순환화;
• 공유 결합에 의한 횡방향 결합;
• 인산화;
• 기타 수정 사항.

FlexPepDock을 활용한 이 연구에서는 비표준 잔기 및 선별된 펩타이드 변형을 포함한 펩타이드-MHC 모델링을 분석했다. [13]

저자들은 유용한 벤치마크 결과를 얻었으며, 계산된 결과와 연구 대상 집합에서 실험적으로 측정된 상대적 결합도 간의 상관관계를 관찰했다.

이는 검증된 모델링의 구체적인 적용 사례를 뒷받침합니다.

그러나 이것이 모든 가능한 변형이 자동으로 정확하게 표현된다는 것을 의미하지는 않으며, 도킹이 결합에 대한 실험적 측정을 대체한다는 것을 의미하지도 않는다.

CHARMM-GUI, 펩타이드 모델 및 C-말단 아미드화

CHARMM-GUI는 시뮬레이션을 위해 분자 배열을 준비할 수 있는 도구를 제공합니다.

공식 문서는 수정된 잔여항에는 적절한 구조적 정의와 힘장 매개변수가 필요함을 강조하고 있다. [14]

따라서 시뮬레이션에 필요한 입력 데이터를 성공적으로 생성했다는 것은 해당 시스템의 컴퓨터 모델이 준비되었다는 것을 의미합니다.

실험적으로 입증되지 않는다:

• 펩타이드의 정체;
• 해결책;
• 생물학적 기능;
• 안정성;
• 활동.

C-말단에 아미드화된 펩티드의 경우, 말단 화학기는 자유 카르복실기가 아니라 아미드입니다.

이러한 차이는 다음 사항에 영향을 미칠 수 있습니다:

• 형식적 내용;
• 수소 결합;
• 정전기적 상호작용;
• 형상;
• 주변 분자 환경과의 상호작용.

따라서 시뮬레이션에 사용된 힘장의 구조, 토폴로지 및 매개변수는 실험을 통해 연구되는 것과 동일한 최종 형태를 나타내야 한다.

H5 맥시민에 관한 연구에서는 C-말단 구조 변화의 영향을 평가하기 위해 실험적 방법과 시뮬레이션 방법을 결합하였다. [15]

이 특정 펩타이드의 구조와 막과의 상호작용에 차이가 관찰되었다.

그렇다고 해서 아미드화 반응이 모든 펩타이드의 특성을 개선한다는 뜻은 아닙니다.

대신, 분자 설명에서 말단기의 화학적 성질을 간과해서는 안 되는 이유를 보여준다.

따라서 펩타이드 설계 프로그램에서 아미드화 옵션을 탐색할 때는 다음과 같은 화학적 질문부터 시작해야 합니다:

정확히 어떤 분자 형태를 모델링해야 합니까?

이 문제를 명확히 정의한 후에야 비로소 소프트웨어 설정 선택이 의미를 갖게 됩니다.

실험적 검증 및 재현성

해당 분자를 독립적으로 연구하라

선정된 후보 물질은 최종적으로 정의된 분자 물질로서 분석되어야 한다.

주요 특징으로는 다음이 포함될 수 있습니다:

• 정확한 순서;
• 말미의 형태;
• 특정 수정 사항;
• 분자적 정체성;
• 실험에 중요한 기타 특성.

초기 스크리닝에서 파지 디스플레이나 비드에 결합된 펩타이드를 사용했다면, 후속 실험을 통해 분리된 펩타이드가 초기 제시 시스템 밖에서도 측정된 특성을 유지하는지 확인할 수 있다.

초기 파지 디스플레이 연구에서는 파지에 제시된 펩타이드와 화학적으로 합성된 해당 펩타이드를 비교했다. [1]

이는 독립적인 연구를 통해 문헌 선별 결과와 펩타이드 분자 자체의 거동 사이를 어떻게 연결할 수 있는지를 보여준다.

시료의 품질과 특성 또한 중요합니다.

다음과 관련된 차이점:

• 지정된 농도;
• 용해도;
• 청결;
• 집계;
• 최종 형태;
• 화학적 변형

실험적 비교 결과에 영향을 미칠 수 있다.

동일한 펩타이드 이름으로 지칭되는 두 시료가, 해당 분자 형태가 명확히 정의되지 않은 경우, 화학적으로 동등하지 않을 수 있다. 따라서 실험 결과를 해석하기 전에, ‘동일성’, ‘순도’ 및 ‘실제 물질량’이라는 개념을 구분하는 것이 유용하며, 이에 대해서는 다음 기사에서 더 자세히 다루고 있습니다. 펩타이드의 순도 및 실험실 연구.

추가 검사는 구체적인 의문을 해소해 줄 때 가장 큰 가치를 지닙니다.

직교 검정은 다른 측정 원리나 다른 실험적 제시 방식을 사용하여 특정 특성을 조사한다.

이 방법의 가장 큰 장점은 구체적인 대안적 설명을 검증할 수 있다는 점입니다.

두 번째 검사는 예를 들어, 초기 결과가 다음 중 어느 것에서 비롯된 것인지 파악하는 데 도움이 될 수 있습니다:

• 표면과의 결합;
• 태그 간섭;
• 매체에 따라 달라지는 특성;
• 고정 효과;
• 첫 번째 테스트에서 특징적으로 나타난 또 다른 유물.

단순히 두 가지 다른 모델의 장치를 사용한다고 해서 측정 결과가 직교적이라고 단정할 수는 없다.

두 검사가 동일한 고정 방식이나 동일한 검출 원리를 사용하는 경우, 동일한 오류 원인의 영향을 받을 수 있다.

가장 중요한 질문은 다음과 같습니다:

두 번째 실험은 어떤 대안적 설명을 검증하는가?

실제로 상호 보완적인 방법들 간의 일관성은, 오류가 발생하기 쉬운 동일한 판독 내용을 반복하는 것보다 일반적으로 더 강력한 근거가 됩니다.

복제와 생물학적 맥락

다양한 유형의 복제를 통해 여러 가지 불확실성 요인을 평가할 수 있습니다.

기술적 반복은 동일한 실험 설계 내에서 재현성을 평가하는 데 도움이 된다.

실험을 독립적으로 반복할 경우, 시료 준비 과정이나 실험 시리즈 간에 발생하는 추가적인 변동성이 반영될 수 있다.

생물학적 시료를 사용하는 실험에서는 다음 간의 차이점을 고려해야 할 수도 있습니다:

• 기증자;
• 세포 준비;
• 생물체;
• 조직;
• 기타 생물학적 물질 공급원.

중첩 펩타이드를 활용한 이 연구에서는 기증자로부터 채취한 검체에서 T 세포의 인식 반응을 분석하고, 인식된 영역을 식별하기 위해 라이브러리를 활용했다. [5]

관찰된 반응은 생물학적 맥락에 따라 달라졌다.

한 명의 기증자나 하나의 실험 시스템에서 얻은 결과를 모든 사람이나 모든 생물학적 시스템에 대해 무조건 일반화해서는 안 된다.

따라서 재현성이란 적절히 기술된 조건 하에서 특정 주장을 재현할 수 있는 능력을 의미한다.

단순히 비슷한 모양의 또 다른 차트를 얻는 것을 의미하는 것은 아닙니다.

문서화를 통해 분석을 재현할 수 있어야 한다

펩타이드 라이브러리에 대한 훌륭한 연구는 다른 연구자가 그 결과가 어떻게 도출되었는지 이해할 수 있도록 충분한 문서를 갖추어야 합니다.

유용한 실험 데이터에는 다음이 포함됩니다:

• 펩타이드의 정확한 서열;
• 펩타이드의 길이;
• 최종 그룹;
• 화학적 변형;
• 도서관의 건축 양식;
• 시료 식별자;
• 선별 검사 조건;
• 측정 대상 종점;
• 점검;
• 반복 구조;
• 배경 지정 방법;
• 명중 판정 기준;
• 후보자 선정 기준;
• 사용된 분석 방법.

컴퓨터 연구에서는 다음 사항들이 중요할 수 있습니다:

• 소프트웨어 이름;
• 버전;
• 회의록;
• 입력 구조;
• 분자의 표현 방식;
• 매개변수 세트;
• 데이터 처리;
• 훈련 세트와 테스트 세트의 분류 방법;
• 채점 방법;
• 후보자 선정 절차;
• 선정 기준.

가장 높은 점수를 받은 모델, 최상의 도킹 이미지 또는 최종 시퀀스만을 보존할 경우, 나중에 그 결과를 어떻게 얻었는지 재현할 수 없게 될 수 있습니다.

도서관 자체의 특성 또한 반복성의 한 요소입니다.

전문 도서관의 구성과 볼 부하를 조사한 결과, 스크리닝을 시작하기 전부터 변동성이 존재할 수 있음이 밝혀졌다. [4] [8]

따라서 최종 타격 결과만을 기록하는 것은 원재료에 관한 중요한 정보를 간과할 수 있다.

긍정적인 예측과 부정적인 결과는 똑같이 중요하다

컴퓨터 시뮬레이션을 통해 예측되었으나 실험을 통해 검증되지 않은 후보도 여전히 유용한 정보를 제공할 수 있다.

다음과 같은 내용을 공개할 수 있습니다:

• 모델의 한계;
• 잘못된 기계론적 가정;
• 화학적 특성의 불충분한 재현;
• 시험에 관한 가설의 문제;
• 모델의 일반화 능력이 낮은 순차 공간의 영역.

이러한 결과는 단순히 초기 예측을 뒷받침하지 못했다는 이유만으로 평가에서 제외해서는 안 된다.

반복적 설계는 실험적 관찰 결과—예상치 못한 결과나 부정적인 결과도 포함하여—가 후속 결정에 영향을 미칠 때 그 가치가 더욱 커진다.

효소 기질 설계에 관한 이 연구는 다음과 같은 일반적인 과정을 따랐다:

예측 → 실험적 측정 → 데이터를 바탕으로 한 모델 개선. [3]

이 연구의 과학적 가치는 계산과 관측을 결합한 데서 비롯된 것이지, 첫 번째 순위를 최종적인 답으로 간주한 데서 비롯된 것이 아니었다.

따라서 가장 설득력 있는 주장은 무엇이 입증되었는지를 정확히 명시해야 한다:

• 풍요;
• 결합;
• 효소의 기질로서의 작용;
• 억제;
• 세포 반응;
• 컴퓨터 예측;
• 구조적 벤치마크에서의 효과성.

이러한 결과들 각각은 과학적으로 가치가 있을 수 있다.

그러나 하나를 다른 것으로 대체해서는 안 됩니다.

펩타이드 라이브러리 해석에서 가장 흔히 발생하는 오류

펩타이드 라이브러리에 대한 연구 결과는, 결론이 실제로 측정된 범위를 벗어날 경우 오해를 불러일으킬 수 있다.

흔히 저지르는 실수 중 하나는 라이브러리의 이론적 크기를 실험적으로 입증된 다양성으로 간주하는 것이다. 물리적 라이브러리는 불균형한 구성, 누락된 요소, 중복, 또는 합성 과정에서 발생하는 부하 등의 특성을 보일 수 있다. [4]

또 다른 오류는 부유 현상을 친연성의 증거로 간주하는 것이다. 부유 현상은 번식력 우위, 표면 결합력 또는 선택 과정과 관련된 기타 특성에서 비롯될 수도 있다. [6] [7]

세 번째 문제는 결합을 기능과 동일시하는 것이다. 펩타이드가 제안된 생물학적 효과를 유발하지 않으면서도 표적과 상호작용할 수 있다.

마찬가지로, 도킹 결과를 친화도에 대한 실험적 측정값으로 간주해서는 안 된다. 점별 결과는 컴퓨터 모델에서 도출된 것이므로, 결합에 대한 정량적 증거로 인정받기 전에 검증 과정을 거쳐야 한다. [10] [11] [13]

가상 펩타이드가 반드시 올바른 화학적 형태로 쉽게 합성될 수 있는 펩타이드인 것은 아닙니다. 합성, 용해도, 분자적 정체성 및 시료의 특성은 여전히 실험을 통해 확인해야 할 문제들입니다.

마지막으로, 파그에 제시되거나 표면에 고정되거나 비드에 결합된 펩타이드에서 얻은 결과는, 제시 방식 자체가 구조, 접근성, 국소 밀도 및 아비딘성에 영향을 미칠 수 있기 때문이다.

이러한 한계는 펩타이드 라이브러리의 가치를 떨어뜨리지 않는다.

대신, 이 증거들이 제시하는 바를 어떻게 해석해야 하는지를 규정하고 있다.

자주 묻는 질문

1. 중첩 펩타이드 라이브러리는 무엇인가?

중첩 펩타이드 라이브러리는 더 긴 모서열을 포괄하는 단편들의 모음으로, 인접한 펩타이드들은 아미노산 서열의 일부를 공유합니다. 이러한 접근 방식은 연구자들이 인식 또는 기타 측정된 반응과 관련된 영역을 식별하는 데 도움을 줍니다. 수막구균 단백질의 중첩 단편을 활용한 연구는 기증자 유래 표본에서 T 림프구 반응을 매핑하는 데 이 방법이 적용될 수 있음을 보여주었습니다. [5] 그러나 단편에 대한 양성 결과가 최소 에피토프를 자동으로 식별해 주는 것은 아니며, 모든 공통 잔기가 필수적임을 입증하지도 않고, 해당 단편이 전체 단백질의 구조와 처리 과정을 정확히 재현한다는 것을 의미하지도 않습니다.

2. 컴퓨터 예측이 실험을 대체할 수 있을까?

아닙니다. 컴퓨터 예측은 후보의 우선순위를 정하고, 패턴을 파악하며, 구조적 가설을 세우고, 즉각적인 실험적 검증이 필요한 시퀀스의 수를 줄이는 데 도움이 될 수 있습니다. 그러나 그 신뢰도는 모델, 훈련 데이터, 분자 표현 방식, 가정된 전제 조건 및 구체적인 과제에 따라 달라집니다. 효소 기질 설계 연구에서는 알고리즘이 선정한 펩타이드를 반복적으로 테스트하고, 실험 결과를 다음 단계의 선별 과정에 활용했습니다. [3] 이는 계산적 방법과 실험의 협력을 보여주는 것이지, 모델이 실험을 대체하는 것은 아닙니다. 후보 물질은 해당 특성이 실험을 통해 평가될 때까지는 컴퓨터 예측에 불과합니다.

3. 펩타이드 라이브러리는 물리적 모음인가, 아니면 데이터베이스인가?

둘 다일 수 있습니다. 물리적 라이브러리는 실험을 통해 직접 연구할 수 있는 분자를 포함하는 반면, 가상 라이브러리는 디지털 서열, 분자 구조 또는 기타 컴퓨터 표현을 포함합니다. 최초의 ‘one-bead–one-peptide’ 연구는 물리적 합성 라이브러리를 대상으로 한 반면, 컴퓨터 설계 기법은 선별된 후보 물질을 합성하기 전에 분자 표현형을 분석한다. [2] [3] 가상 라이브러리에 서열이 존재한다고 해서, 그에 해당하는 펩타이드가 올바르게 합성되었거나 의도된 화학적 형태를 갖거나 예측된 특성을 나타낸다는 것을 보장하지는 않는다. 따라서 라이브러리의 규모나 스크리닝 결과를 논의할 때는 항상 그 형식을 명시해야 한다.

4. 채용 풀이 넓어지면 항상 더 우수한 후보자를 찾을 수 있는 것일까?

아닙니다. 라이브러리의 규모는 그 안에 중요하고, 접근 가능하며, 식별 가능하고, 적절하게 대표되는 다양성이 포함되어 있을 때만 의미가 있습니다. 파지 라이브러리에 대한 심층 시퀀싱 분석 결과, 계획된 프로젝트의 광범위한 범위에도 불구하고 시퀀스 개수가 고르지 않게 분포되어 있으며, 유효 다양성을 저하시키는 요인들이 있는 것으로 나타났습니다. [4] 매우 큰 라이브러리는 또한 샘플링 및 해석과 관련된 문제를 가중시킬 수 있는데, 이론적으로 가능한 모든 요소가 실제로 존재하거나 적절하게 조사되는 것은 아니기 때문이다. 따라서 후보의 품질은 단순히 광고된 가능한 서열 수뿐만 아니라, 라이브러리의 구성, 스크리닝 설계, 검사 품질, 통제 및 검증에 따라 달라집니다.

5. 무작위 펩타이드 라이브러리는 정말로 편향이 없는가?

항상 그런 것은 아닙니다. 무작위 설계라 하더라도 뉴클레오티드, 아미노산 및 전체 서열의 불균형한 표현으로 이어질 수 있습니다. 생물학적 생산, 증식, 합성 화학 및 샘플링 과정은 추가적인 편향 요인을 초래할 수 있습니다. 상업용 파지 라이브러리에 대한 심층 시퀀싱 결과, 표적에 대한 선별이 시작되기도 전에 이미 대표성의 불균형이 드러났다. [4] 그렇다고 해서 모든 무작위 라이브러리가 신뢰할 수 없다는 뜻은 아니다. 오히려 이는 „무작위 설계”와 „실험적으로 입증된 균일성”이 서로 다른 주장임을 보여준다. 초기 라이브러리의 특성은 높은 초기 수와 선택에 따른 실제 농축을 구별하는 데 도움이 된다.

6. 파지 디스플레이를 통해 펩타이드 서열을 어떻게 확인할 수 있습니까?

파지 디스플레이는 박테리오파지 표면에 제시된 펩타이드와 동일한 입자 내부에 있는 유전 정보를 결합시킵니다. 따라서 선별된 파지를 회수하고, 관련 유전 물질을 바탕으로 이에 상응하는 펩타이드 서열을 규명할 수 있습니다. 초기 연구에서는 실모양 파지에 무작위로 제시된 펩타이드를 이용하여, 이러한 유전자형과 표현형 간의 상관관계를 바탕으로 결합 리간드를 회수하고 특성화했다. [1] 그러나 파지를 회수하는 것만으로는 표적에 대한 특이성을 입증할 수 없는데, 이는 표면과의 상호작용, 증식 차이와 같은 요인 및 기타 선택 압력이 회수 수에 영향을 미칠 수 있기 때문이다. 유전적 연관성을 통해 후보 물질의 정체성을 확인할 수 있으며, 후속 실험을 통해 해당 물질이 선택된 원인을 규명할 수 있다.

7. 파지가 의도된 표적과 결합하지 않고도 풍부해질 수 있는 이유는 무엇인가?

본래의 목적과 무관한 풍부화는 여러 가지 메커니즘에 의해 발생할 수 있다. 파지는 시험 표면과 상호작용하거나, 선별 조건을 유난히 잘 견디거나, 경쟁 클론보다 더 효율적으로 증식할 수 있다. 별도의 연구에서는 폴리스티렌과 관련된 회수 현상 및 증식 우위와 연관된 농축 현상이 입증되었다. [6] [7] 이는 서로 다른 메커니즘이며, 각각 다른 검증 절차가 필요하다. 따라서 농축 현상은 해당 클론이 선발 과정에서 생존하여 그 비율을 높였다는 증거로 해석되어야 한다. 표적에 대한 특이적 인식이 입증되려면, 이 가능성을 다른 대안적 설명들과 구별할 수 있는 추가적인 증거가 필요하다.

8. ‘one-bead–one-compound’이란 무엇을 의미합니까?

‘One-bead–one-compound’이란 각 비드가 원칙적으로 하나의 특정 화합물을 여러 개 포함하도록 설계되어, 선택된 비드를 궁극적으로 라이브러리의 단일 요소와 연결할 수 있음을 의미합니다. 이 개념은 대규모 조합적 합성 라이브러리를 구축할 수 있게 해주며, 초기 ‘one-bead–one-peptide’ 연구에서 소개된 바 있다. [2] 그러나 이 용어는 라이브러리의 의도된 구성을 설명할 뿐, 각 비드의 부하량이 동일하거나, 합성이 완벽하거나, 화학적 균일성이 보장된다는 것을 의미하지는 않습니다. 이후 개별 비드에 대한 측정 결과, 제시된 펩타이드의 양에 상당한 차이가 있는 것으로 나타났습니다. [8] 따라서 물질의 품질과 부하량은 여전히 실험적 평가가 필요한 특성이다.

9. 비드당 펩타이드의 양이 스크리닝 결과에 영향을 미칠 수 있습니까?

그렇습니다. 이용 가능한 펩타이드의 양이 더 많은 비드는, 분자 간 상호작용 자체가 더 강하지 않더라도 더 강한 검사 신호를 생성할 수 있습니다. 라만 분광법을 이용하여 one-bead–one-compound 라이브러리를 분석한 연구에서는, 특히 긴 서열의 경우 펩타이드 양에 상당한 변동성이 있는 것으로 밝혀졌습니다. [8] 이 연구는 모든 가능한 스크리닝 시스템에서 로딩량의 영향을 구체적으로 규명하지는 않았지만, 신호 강도에 영향을 미칠 수 있는 변동성의 원인을 파악하고 있습니다. 따라서 비드 스크리닝 결과는 분자 상호작용 자체뿐만 아니라 제시된 물질의 농도 측면에서도 해석되어야 한다.

10. 결합은 생물학적 활성과 같은 것입니까?

아닙니다. 결합이란 특정 조건 하에서 분자 간에 일어나는 상호작용을 의미합니다. 생물학적 또는 생화학적 활성은 별도로 정의된 종결점을 필요로 합니다. 펩타이드가 단백질에 결합할 수는 있지만, 이를 활성화하거나 억제하지는 않을 수 있으며, 세포 반응은 표적과의 예상된 상호작용과는 다른 기전을 통해 발생할 수 있습니다. 파지 디스플레이 연구는 주로 결합에 초점을 맞춘 반면, 기계 학습을 활용한 연구는 효소 기질로서의 펩타이드의 거동에 관한 것이었습니다. [1] [3] 이는 서로 다른 과학적 질문입니다. 따라서 스크리닝을 통해 발견된 유망 물질은 더 광범위한 작용을 부여하지 않고, 실제로 측정된 특성에 따라 기술되어야 합니다.

11. 왜 해당 결과를 다시 합성하여 개별적으로 분석해야 하는가?

독립적인 합성은 특정 정의된 펩타이드가 원래 라이브러리 시스템 밖에서도 실제로 관찰된 행동을 재현하는지 확인하는 데 도움이 됩니다. 파지에의 결합, 비드 당 물질의 양, 혼합 효과, 캐리어와의 상호작용 또는 기타 스크리닝 요소들이 초기 결과에 영향을 미칠 수 있습니다. 초기 파지 디스플레이 연구에서는 제시된 리간드를 화학 합성을 통해 얻은 펩타이드와 비교했는데, 이는 이러한 검증 단계를 잘 보여줍니다. [1] 재합성은 얻어진 물질이 적절하게 특성화되고, 원래의 주장과 관련된 테스트를 통해 검증될 때 가장 유익한 정보를 제공합니다. 합성 자체만으로는 기능이나 기전을 아직 입증하지 못합니다.

12. Rosetta FlexPepDock은 무엇을 예측하나요?

Rosetta FlexPepDock은 펩타이드-단백질 복합체의 구조를 모델링하지만, FlexPepDock과 관련된 개별 절차들은 각기 다른 범위의 초기 정보를 전제로 합니다. 이 서버에 관한 초기 논문은 주로 이미 수용체 결합 부위 근처에 대략적으로 위치해 있는 펩타이드 모델에 대한 고해상도 정교화 과정을 다루고 있다. [10] PIPER-FlexPepDock은 더 광범위한 전역 도킹 전략을 활용하고, 그 후 유연한 모델 정교화 단계를 거칩니다. [11] 벤치마크 결과는 모든 새로운 펩타이드-단백질 쌍에 대해 정확성을 보장하지는 않습니다. 따라서 유용한 보고서는 사용된 프로토콜, 초기 정보 및 예측된 구조의 평가 방법을 명시해야 합니다.

13. 도킹 결과가 양호한 것이 강한 결합을 입증하는 것입니까?

아니요. 도킹 결과는 컴퓨터 기반 점 함수에 의해 생성된 값이며, 해리 상수와 같은 실험적으로 측정된 친화도와 자동으로 동일시될 수는 없습니다. 그 의미는 도킹 프로토콜, 분자 표현, 콘포메이션 샘플링 방식, 연구 대상, 그리고 보정 방법에 따라 달라집니다. 펩타이드-MHC 복합체에 관한 FlexPepDock 연구에서는 특정 데이터 세트에서 계산 결과를 상대적 결합 측정값과 비교하여, 이러한 상관관계를 가정하기보다는 반드시 조사해야 함을 보여주었습니다. [13] 도킹 결과가 양호하면 후보 물질의 우선순위를 정하거나 구조적 가설을 뒷받침하는 데 도움이 될 수 있지만, 강력한 결합 여부는 적절한 실험적 증거를 통해 입증되어야 합니다.

14. 펩타이드 모델링에서 C-말단의 아미드화 반응이 중요한 이유는 무엇인가?

C-말단의 아미드화는 펩타이드 말단에 위치한 화학기를 변화시키며, 형식 전하, 수소 결합, 정전기적 상호작용 및 분자의 콘포메이션에 영향을 미칠 수 있다. 따라서 컴퓨터 모델은 실험적으로 연구된 펩타이드와 동일한 말단 화학적 특성을 반영해야 한다. 맥시민 H5 연구에서는 말단 형태의 변화와 관련된 구조 및 막과의 상호작용에서 차이가 관찰되었다. [15] 이는 아미드화가 항상 펩타이드의 특성을 개선한다는 것을 입증하는 것은 아닙니다. 대신, 말단기의 화학적 성질이 왜 정확하게 규명되어 모델에 반영되어야 하는지를 보여줍니다.

15. CHARMM-GUI에서 모델을 생성하면 펩타이드의 특성이 확인되나요?

아닙니다. CHARMM-GUI는 시뮬레이션을 위한 분자 계를 준비하는 데 도움을 줍니다. 구조나 입력 파일을 성공적으로 생성했다는 것은 연구 대상 계에 대한 컴퓨터 상의 표현이 만들어졌음을 의미할 뿐, 결합, 생물학적 활성, 안정성 또는 임상적 중요성을 실험적으로 입증하는 것은 아닙니다. 공식 문서에는 또한 수정된 잔기들에 대해 적절한 구조적 정의와 매개변수가 필요하다는 점이 명시되어 있습니다. [14] 따라서 컴퓨터 모델의 준비는 향후 모델링을 위한 출발점입니다. 실제 분자가 예측대로 행동하는지는 별개의 실험적 문제로 남아 있습니다.

16. 새로운 펩타이드의 경우 예측 모델이 왜 실패할 수 있는가?

새로운 펩타이드가 훈련 과정에서 사용된 예시와 모델이 올바르게 표현하도록 학습하지 못한 방식으로 다를 수 있습니다. 이러한 차이는 서열, 구조, 길이, 변형, 분자적 표적 또는 기타 특성에 기인할 수 있습니다. T 림프구 수용체 결합을 예측하는 모델에 대한 연구에 따르면, 훈련 펩타이드와 테스트 펩타이드 간의 서열 및 구조적 유사성을 고려하는 방식에 따라 예측 정확도가 달라지는 것으로 나타났다. [9] 이는 새로운 서열에 대한 모든 예측이 틀릴 것이라는 의미는 아닙니다. 오히려 모델의 전반적인 성능 통계는 테스트 조건이 모델의 계획된 적용 환경과 얼마나 유사한지를 고려하여 해석되어야 함을 보여줍니다.

17. 펩타이드 라이브러리 연구 결과가 재현 가능한 이유는 무엇인가?

재현성을 확보하려면 라이브러리, 후보 분자, 실험 조건, 대조군, 분석 방법 및 결과를 ‘적중’으로 간주하는 기준을 정의할 수 있는 충분한 정보가 필요합니다. 파지 라이브러리의 구성과 비드당 펩타이드 양에 대한 연구에 따르면, 스크리닝을 시작하기 전부터 이미 변동성이 존재할 수 있는 것으로 나타났습니다. [4] [8] 따라서 최종 서열과 점수 결과만을 제시하는 것은 잠재적으로 중요한 차이의 원인을 간과하게 됩니다. 재현 가능한 연구를 위해서는 서열, 변형, 라이브러리 구조, 시료 식별자, 시험 종점, 대조군, 분석 기준, 컴퓨터 매개변수 및 주요 결과에 대한 독립적인 검증에 대해 명확하게 보고해야 한다.

18. 가장 풍부하게 존재하는 펩타이드가 반드시 최고의 리간드여야 할까?

아닙니다. 높은 농축도는 표적과의 결합에서 기인할 수 있지만, 시퀀스의 초기 농도, 증식 효율, 표면과의 비특이적 상호작용 및 기타 선택과 관련된 특성들도 이에 영향을 미칠 수 있습니다. 심층 시퀀싱을 통해 파지 라이브러리의 초기 표현이 고르지 않다는 사실이 밝혀졌으며, 다른 연구들에서는 증식 우위와 관련된 농축 현상이 보고되었다. [4] [6] 따라서 최종 시퀀스 중 가장 많은 수를 차지하는 것을 자동으로 가장 높은 친화력을 가진 리간드로 간주해서는 안 된다. 초기 및 최종 수량의 비교, 적절한 대조군, 그리고 독립적인 결합 측정 등을 통해 더 강력한 증거를 확보할 수 있다.

19. 제시된 펩타이드 서열이 이를 효과적으로 합성할 수 있음을 입증하는가?

아니요. 컴퓨터 시뮬레이션은 분자 서열이나 가설을 도출할 수는 있지만, 합성의 성공 여부를 입증하지는 못합니다. 일부 서열은 결합 효율, 응집, 정제, 용해도 또는 화학적 변형과 관련된 문제를 야기할 수 있습니다. 따라서 가상 라이브러리에는 실제 합성 가능성에 있어 매우 큰 차이를 보이는 후보 물질들이 포함될 수 있습니다. 실험을 통해 물질을 실제로 얻고 분석적 특성을 확인해야만 의도한 분자가 실제로 얻어졌는지 판단할 수 있습니다. 컴퓨터를 통한 우선순위 결정과 화학적 실현 가능성은 서로 연관되어 있지만 별개의 연구 단계입니다.

20. 파지 디스플레이를 통해 선별된 펩타이드가 자유 분자 상태에서는 다른 특성을 보일 수 있습니까?

네. 파지 디스플레이에서 펩타이는 운반체에 결합된 환경에 존재하며, 이는 펩타이의 구조, 배향, 접근성, 국소 밀도 및 친화도에 영향을 미칠 수 있습니다. 자유 상태의 펩타이는 이러한 특성 중 일부를 갖추지 않았기 때문에 결합 시 다른 겉보기 행동을 보일 수 있습니다. 초기 파지 디스플레이 연구에서는 파지에 제시된 리간드를 화학적으로 합성된 대응 물질과 비교했는데, 이는 이러한 실험적 구분의 중요성을 보여줍니다. [1] 따라서 성공적인 파지 선별은 제시된 서열에 대한 귀중한 증거가 되지만, 이에 상응하는 유리 상태 펩타이드의 거동을 확인하기 위해서는 별도의 연구가 필요합니다.

펩타이드 라이브러리 및 예측에서 도출된 증거의 한계

펩타이드 라이브러리 연구 결과를 해석할 때는 몇 가지 한계점을 염두에 두어야 합니다.

첫째, 이론적 다양성은 실제 실험적 다양성과 동일하지 않다. 불균형한 대표성, 합성 문제, 증식 차이와 표본 추출 방식은 라이브러리의 실제 구성을 변화시킬 수 있다. [4]

둘째, 스크리닝 과정에서 관찰된 농도 증가는 표적과의 특이적 결합을 자동으로 입증하는 것은 아니다. 표면과의 상호작용과 증식 우위는 서로 다른 기전을 통해 농도 증가를 초래할 수 있다. [6] [7]

셋째, 제시 방식이 중요합니다. 파지, 구형 입자 또는 표면에 결합된 펩타이드들은 가용성, 배향, 국소 밀도 또는 아비딘성 등의 이유로 용액 내의 동일한 분자들과는 다르게 행동할 수 있습니다. [1] [8]

넷째, 결합력, 선택성, 기능은 서로 다른 특성이다. 이 중 하나를 입증한다고 해서 나머지 특성들이 자동으로 입증되는 것은 아니다.

다섯째, 컴퓨터 예측은 모델에 따라 달라진다. 훈련 데이터, 평가 방법, 분자적 표현 및 가정된 전제 조건에 따라 결과에 부여할 수 있는 의미가 결정된다. [3] [9]

여섯째, 도킹 결과는 실험을 통해 측정된 결합 친화도가 아니다. 구조 모델과 점 함수는 가설을 선정하는 데 도움이 될 수 있지만, 결합 시의 실제 거동은 실험적 측정을 통해 확인해야 한다. [10] [11] [13]

일곱째, 화학적 형태가 중요합니다. 말단기, 비표준 아미노산, 입체화학 및 기타 변형은 실험적 설명과 컴퓨터 모델 모두에서 정확하게 표현되어야 합니다. [13] [14] [15]

마지막으로, 선별 검사에서 양성 결과가 나온 것은 검증의 시작일 뿐, 끝이 아닙니다. 시료의 독립적인 준비, 분자적 특성 분석, 대조군 검사, 보완적 검사 및 재현을 통해 확보된 증거는 점차 강화됩니다.

요약

펩타이드 라이브러리를 통해 가능한 분자 서열의 방대한 영역을 체계적으로 연구할 수 있다.

이를 통해 여러 후보자를 비교하고 다음과 관련된 사항을 분석할 수 있습니다:

• 분자 진단;
• 효소 기질;
• 순차적 모티프;
• 해결책;
• 구조-활성 관계;
• 세포 반응;
• 컴퓨터 예측.

그러나 „펩타이드 라이브러리”라는 용어는 본질적으로 서로 다른 몇 가지 연구 형식을 포괄한다.

중첩 펩타이드 라이브러리는 더 큰 서열의 영역을 매핑하는 데 도움이 됩니다.

목적 지향적 대입 라이브러리를 사용하면 개별 항목의 의미를 분석할 수 있습니다.

파지 디스플레이 라이브러리는 제시된 펩타이드와 유전 정보를 결합하여 선별을 가능하게 합니다.

one-bead–one-compound 라이브러리는 단일 비드에 합성 후보 물질들을 배열합니다.

가상 도서관은 디지털 형태로 존재하며, 실험 연구를 시작하기 전에 실험 순서의 우선순위를 정하는 데 활용될 수 있습니다.

이러한 형식들은 서로 대체 가능한 것으로 간주해서는 안 됩니다.

도서관의 규모 역시 신중한 해석이 필요하다.

수백만 개의 가능한 서열을 포함하는 이론적 컬렉션이 있다고 해서, 그 구성 요소 각각이 물리적으로 존재하고, 균등하게 대표되며, 화학적으로 정확하고, 실제로 스크리닝 대상에 포함된다는 것을 증명하는 것은 아닙니다. 딥 시퀀싱을 활용한 연구들은 라이브러리의 실제 구성이 계획된 다양성과는 다를 수 있는 이유를 보여준다. [4]

마찬가지로, 심화라는 것이 목표에 대한 특유의 친화성을 의미하는 것은 아니다.

파지 클론은 표면과의 상호작용이나 증식 우위와 같은 본래의 목적과 무관한 메커니즘에 의해 풍부해질 수 있다. [6] [7]

그렇기 때문에 적절한 감독과 독립적인 조사가 그토록 중요한 것입니다.

컴퓨터를 이용한 펩타이드 설계에도 동일한 주의가 필요합니다.

순차 모델과 도킹 도구는 유망한 후보를 식별하고 기전적 가설을 수립하는 데 도움이 될 수 있지만, 이러한 모델의 예측 결과는 훈련 데이터, 구조적 표현, 점수 함수 및 초기 가정에 따라 달라집니다. [3] [9] [10] [11]

도킹 결과가 양호하다고 해서 그 자체만으로는 실험적으로 강한 결합이 확인된 것은 아니다.

컴퓨터로 생성된 시퀀스라고 해서 그것이 올바르게 합성될 수 있다는 것을 증명하는 것은 아니다.

예상되는 상호작용은 생물학적 기능을 입증하지 못한다.

따라서 가장 정보가 풍부한 펩타이드 발견 과정은 개별적인 증거 유형들을 별개의 단계로 간주하되, 이 단계들이 서로 보완적인 관계에 있다고 본다:

설계 → 라이브러리 구축 → 스크리닝 → 유망 물질 선별 → 독립적 검증 → 특성 분석 → 계산 기반 최적화 → 실험적 검증.

최종 결론의 설득력은 이러한 단계들이 얼마나 치밀하게 서로 연결되었는지에 달려 있다.

가장 중요한 원칙은 간단히 다음과 같이 요약할 수 있습니다:

라이브러리는 가능성을 제시하고, 스크리닝은 신호를 식별하며, 모델은 예측을 생성하고, 검증은 어떤 결론이 실제로 실험적 증거로 뒷받침되는지 판별한다.

면책 조항

이 기사는 오로지 교육적, 과학적·정보 제공적 성격을 띠고 있습니다. 이 글은 펩타이드 라이브러리, 파지 디스플레이 기술, 합성 펩타이드 스크리닝, 서열 설계, 컴퓨터 예측, 펩타이드 도킹, 분자 모델링, 실험적 검증 및 연구 재현성에 관한 일반적인 원칙을 설명합니다. 이 글은 의학적 조언, 치료적 권고, 펩타이드 사용 지침, 투여량 정보 또는 인체에 대한 투여 지침을 구성하지 않습니다. 컴퓨터 예측, 스크리닝 과정에서 얻은 일치 결과, 도킹 결과 및 전임상 실험 결과는 해당 펩타이드가 안전하거나, 효과적이거나, 임상적으로 검증되었거나, 인체 사용에 적합하다는 증거로 해석되어서는 안 됩니다.

참조

1. Barrett, R. W., Cwirla, S. E., Ackerman, M. S., Olson, A. M., Peters, E. A., & Dower, W. J. (1992). 필라멘트형 파지에 결합된 무작위 펩타이드 집합체로부터 고친화성 리간드의 선택적 농축 및 특성 분석. Analytical Biochemistry, 204(2), 357–364. https://doi.org/10.1016/0003-2697(92)90252-3
2. Lam, K. S., Salmon, S. E., Hersh, E. M., Hruby, V. J., Kazmierski, W. M., & Knapp, R. J. (1991). 리간드 결합 활성을 규명하기 위한 새로운 유형의 합성 펩타이드 라이브러리. 네이처, 354호(6348), 82–84. https://doi.org/10.1038/354082a0
3. Tallorin, L., Wang, J., Kim, W. E., Sahu, S., Kosa, N. M., Yang, P., Thompson, M., Gilson, M. K., Frazier, P. I., Burkart, M. D., & Gianneschi, N. C. (2018). 기계 학습을 이용한 효소의 신규 펩타이드 기질 발견. Nature Communications, 9(1), 제5253조. https://doi.org/10.1038/s41467-018-07717-6
4. Sloth, A. B., Bakhshinejad, B., Jensen, M., Stavnsbjerg, C., Liisberg, M. B., Rossing, M., & Kjaer, A. (2022). 차세대 염기서열 분석을 통한 상용 파지 디스플레이 펩타이드 라이브러리의 조성 편향 분석. 바이러스, 14(11), 제2402조. https://doi.org/10.3390/v14112402
5. Wiertz, E. J., van Gaans-van den Brink, J. A., Gausepohl, H., Prochnicka-Chalufour, A., Hoogerhout, P., & Poolman, J. T. (1992). 동시 다중 펩타이드 합성을 통해 조립된 중첩 펩타이드를 이용한 수막구균 1형 외막 단백질에서 나타나는 T 세포 에피토프의 동정. Journal of Experimental Medicine, 176(1), 79–88. https://doi.org/10.1084/jem.176.1.79
6. Kamstrup Sell, D., Sloth, A. B., Bakhshinejad, B., & Kjaer, A. (2022). M13KE 기반 펩타이드 라이브러리에서 유래한, 게놈 결실과 관련된 백색 플라크는 파지 디스플레이 바이오패닝 과정에서 증식 이점으로 인해 표적과 무관한 방식으로 농축된다. International Journal of Molecular Sciences, 23(6), 제3308조. https://doi.org/10.3390/ijms23063308
7. Bakhshinejad, B., & Sadeghizadeh, M. (2016). 파지 디스플레이 라이브러리 스크리닝 과정에서 분리된 폴리스티렌 결합 표적 비관련 펩티드. Analytical Biochemistry, 512, 120–128. https://doi.org/10.1016/j.ab.2016.08.013
8. Tang, Y., Thillier, Y., Liu, R., Li, X., Lam, K. S., & Gao, T. (2017). 공초점 라만 분광법을 이용한 ‘한 비드-한 화합물’ 라이브러리 합성을 위한 펩타이드 부하 분포의 단일 비드 정량 분석. Analytical Chemistry, 89(13), 7000–7008. https://doi.org/10.1021/acs.analchem.7b00516
9. Castorina, L. V., Grazioli, F., Machart, P., Mösch, A., & Errica, F. (2025). 펩타이드 거리 분석을 통한 TCR 결합 예측 모델의 일반화 능력 평가. PLOS ONE, 20(5), 제 e0324011조. https://doi.org/10.1371/journal.pone.0324011
10. London, N., Raveh, B., Cohen, E., Fathi, G., & Schueler-Furman, O. (2011). Rosetta FlexPepDock 웹 서버 – 펩타이드-단백질 상호작용의 고해상도 모델링. Nucleic Acids Research, 39(웹 서버), W249–W253. https://doi.org/10.1093/nar/gkr431
11. Alam, N., Goldstein, O., Xia, B., Porter, K. A., Kozakov, D., & Schueler-Furman, O. (2017). 단편 기반 PIPER-FlexPepDock을 이용한 고해상도 전지구적 펩타이드-단백질 도킹. PLOS Computational Biology, 13(12), 기사 e1005905. https://doi.org/10.1371/journal.pcbi.1005905
12. RosettaCommons. (발행일 미상). FlexPepDock. 2026년 9월 20일에 다음에서 확인함: 공식 문서
13. Bloodworth, N., Barbaro, N. R., Moretti, R., Harrison, D. G., & Meiler, J. (2022). 펩타이드-MHC 결합을 예측하기 위한 Rosetta FlexPepDock: 비정형 아미노산을 위한 접근법. PLOS ONE, 17(12), 논문 e0275759. https://doi.org/10.1371/journal.pone.0275759
14. CHARMM-GUI. (발행일 미상). 자주 묻는 질문. 2026년 9월 20일에 다음에서 확인함: 공식 문서
15. Dennison, S. R., Mura, M., Harris, F., Morton, L. H. G., Zvelindovsky, A., & Phoenix, D. A. (2015). 음이온성 항균 펩티드인 맥시민 H5의 막 상호작용에서 C-말단 아미드화의 역할. Biochimica et Biophysica Acta, 1848(5), 1111–1118. https://doi.org/10.1016/j.bbamem.2015.01.014