KR101400717B1

KR101400717B1 - 전체원자기반 고분자 복합체의 시뮬레이션 시스템 및 방법

Info

Publication number: KR101400717B1
Application number: KR1020130007561A
Authority: KR
Inventors: 정종선
Original assignee: (주)신테카바이오
Priority date: 2012-12-28
Filing date: 2013-01-23
Publication date: 2014-05-29

Abstract

본 발명은 고분자물질 및 고분자물질의 결합체 간의 결합관계를 단말기 상에서 시뮬레이션하여, 안정화 상태를 산출하는 방법에 관한 것으로, 본 발명은 (A) 시뮬레이션 대상 고분자 물질을 선정하는 시뮬레이션 선행 단계와; (B) 상기 시뮬레이션 대상 고분자 물질에 대한 에너지 안정화 정도를 시뮬레이션하는 시뮬레이션 수행단계를 포함하여 수행되고: 상기 시뮬레이션 수행단계는, (B1) 표적단백질에 대하여 분석대상 고분자물질을 고정하는 단계와; (B2) 범용 그래픽 프로세서(GP-GPU)를 포함하여 구성되는 처리부를 통해 표적단백질과 분석대상고분자 물질의 결합에너지를 산출하는 단계; 그리고 (B3) 기준 결합체와 대비하여 상대적인 결합 안정화도를 산출하는 단계를 포함하여 수행된다.

Description

전체원자기반 고분자 복합체의 시뮬레이션 시스템 및 방법{ SIMULATION SYSTEM AND METHOD BASED ON FULL ATOM OF POLYMER COMPOSITE }

본 발명은 고분자물질 및 고분자물질의 결합체 간의 결합관계를 단말기 상에서 시뮬레이션하여, 안정화 상태를 산출하는 방법에 관한 것이다.

전통적으로 단백질-리간드 도킹(docking)은 단백질에 도킹할 위치를 예측하는 문제가 가장 큰 문제이고, 두 번째 문제는 도킹위치를 알더라도 그 위치에서 모든 가능한 구조변화를 통한 에너지 안정화(conformational stabilization)를 수행하는 일이다.

이를 위해 단백질과 결합 물질 간의 결합 에너지를 측정하는 기술이 사용되고 있으나, 계산 시간을 단축하기 위하여 전체원자를 사용하는 것 대신에 특징적인 몇 개의 원자(descriptor)를 사용하여 결합에너지를 산출하고 있다.

이는 이미 범용화된 시뮬레이션 툴인 Amber[1,2]를 시작으로 docking이나 virtual screening에 적용되기 시작했다.

한편, 범용 그래픽프로세서(GP-GPU)는 기존 CPU에 비해 월등한 속도와 성능을 가지며 특히 최근에는 기존에 상용화된 Teslar 급의 GPU에 비해 월등히 성능이 좋은 케플러급의 GPU가 출시되고 있다.

이러한 범용그래픽 프로세서를 Amber와 같은 툴의 시뮬레이션 도구로 활용하려는 시도가 있었으나, 전체 원자를 기반으로 virtual screening을 시도할 경우 특정 약물이 단백질에 결합할 부위를 예측할 수 없는 문제점이 있었고, 여러 대의 GPU를 사용하여 단백질의 표면을 전체적으로 조사하여 가장 적절한 결합부위를 찾아내려는 시도 역시 있었지만, 소요되는 시간과 장비의 가격을 고려할 때 상용화되지 못하는 문제점이 있었다.

본 발명에서는 이와 같은 시뮬레이션의 문제점들을 해결하기 위한 것으로, 본 발명은 전체 원자를 기반으로 하는 대용량의 고분자 물질 결합체의 결합에너지 안정화에 대한 시뮬레이션이 가능하여 고분자물질의 결합부위를 확인할 수 있는 고분자 복합체의 시뮬레이션 방법을 제공하는 것이다.

또한 본 발명은 고분자 복합체의 시뮬레이션시 원자 충돌로 인한 에너지 불안정화 문제를 해결한 고분자 복합체의 시뮬레이션 방법을 제공하는 것이다.

상기한 바와 같은 목적을 달성하기 위한 본 발명의 특징에 따르면, 본 발명은, (A) 시뮬레이션 대상 고분자 물질을 선정하는 시뮬레이션 선행 단계와; (B) 상기 시뮬레이션 대상 고분자 물질에 대한 에너지 안정화 정도를 시뮬레이션하는 시뮬레이션 수행단계를 포함하여 수행되고: 상기 시뮬레이션 수행단계는, (B1) 표적단백질에 대하여 분석대상 고분자물질을 고정하는 단계와; (B2) 범용 그래픽 프로세서(GP-GPU)를 포함하여 구성되는 처리부를 통해 표적단백질과 분석대상고분자 물질의 결합에너지를 산출하는 단계; 그리고 (B3) 기준 결합체와 대비하여 상대적인 결합 안정화도를 산출하는 단계를 포함하여 수행된다.

그리고 본 발명은 (A) 시뮬레이션 대상 고분자 물질을 선정하는 시뮬레이션 선행 단계와; (B) 상기 시뮬레이션 대상 고분자 물질에 대한 에너지 안정화 정도를 시뮬레이션하는 시뮬레이션 수행단계를 포함하여 수행되고: 상기 시뮬레이션 수행단계는, (B2) 범용 그래픽 프로세서(GP-GPU)를 포함하여 구성되는 처리부를 통해 표적단백질과 분석대상고분자 물질의 결합에너지를 산출하는 단계와; (B3) 기준 결합체와 대비하여 상대적인 결합 안정화도를 산출하는 단계를 포함하여 수행되며: 상기 결합에너지 산출단계(B2)는, (B21) 결합된 고분자 물질 간의 원자간 충돌 에너지가 가장 낮은 상태로 결합상태를 조정하는 에너지 안정화 단계와; (B22) 결합된 고분자 물질 간의 원자간 겹침이 발생된 경우 상기 겹침이 발생된 원자간 화학결합을 이동시키는 단계를 포함하여 수행되는 전체원자기반 고분자 복합체의 시뮬레이션 방법을 포함한다.

그리고 상기 결합에너지 산출단계(B2)는, (B21) 결합된 고분자 물질 간의 원자간 충돌 에너지가 가장 낮은 상태로 결합상태를 조정하는 에너지 안정화 단계와; (B22) 결합된 고분자 물질 간의 원자간 겹침이 발생된 경우 상기 겹침이 발생된 원자간 화학결합을 이동시키는 단계를 포함하여 수행될 수도 있다.

또한, 상기 결합에너지 산출단계(B2)는, 표적단백질의 쌍(pair) 상에 직접적으로 존재하는 3차원 구조가 없을 경우에는 상동 모델링 기법(Homology modelling)으로 구조를 예측하고, 예측된 구조를 단백질 복합체 구조와 유사하게 배열한 후 결합강도를 산출하는 단계를 더 포함하여 수행될 수도 있다.

그리고 상기 결합에너지 산출단계(B2)는, 항원 서열과 MHC 단백질(표적단백질)과의 복합체 상에 에너지 흐름을 산출하는 단계를 더 포함하여 수행될 수도 있다.

또한, 상기 (B22)단계는, 3차원 가시화 장비(GEMM, interactive geometry manipulator for molecular modeling)를 이용하여 수행될 수도 있다.

그리고 상기 고분자물질의 고정단계(B1)는, (B11) 시뮬레이션 과정에서 펩타이드의 양쪽 끝을 고정하는 방법; (B12) 시뮬레이션 대상 고분자물질의 무게 중심을 바탕으로 고정하는 방법; (B13) 표적단백질과 상호작용하는 고분자물질을 리간드의 골격에 따라 맞추어 고정하는 방법; (B14) Gold 또는 Molegro Virtual-docker의 툴을 사용하여 고분자물질을 고정하는 방법; (B15) 고분자물질을 구조 겹침 방법을 활용하여 섭동을 생성한 후 고정 방법; 또는 (B16) 고분자물질의 연결된 구조 템플릿이 서로 3D 좌표상으로 근접하도록 섭동을 생성한 후 고정하는 방법 중 어느 하나 이상의 방법에 의해 수행될 수도 있다.

또한, 상기 (A) 단계의 시뮬레이션 대상 고분자 물질의 선정은, 사용자의 고분자 물질 입력에 의해 수행될 수도 있다.

그리고 상기 시뮬레이션 대상 고분자 물질의 선정 단계(A)는, 퍼블릭 정보로부터 상호작용 관계가 알려진 PDB-ligand pair를 기준으로 하여 유사도가 높은 고분자물질을 선별하는 단계; 퍼블릭 정보로부터 상호작용 관계가 알려진 단백질 구조내의 chain정보를 기준으로하여 분석 대상 고분자물징을 선별하는 단계; 단백질 간의 PDB-chain 연관성을 기준으로 분석 대상 고분자물질을 선별하는 단계; 단백질의 도메인 연관성을 기준으로 분석대상 고분자 물질을 선별하는 단계; 또는 표적 단백질의 유전자의 서열과 항원 라이브러리의 항원 서열의 유사도를 기준으로 시뮬레이션 대상 고분자물질을 선별하는 단계 중 어느 한 단계 이상을 포함하여 수행될 수도 있다.

또한, 상기 시뮬레이션 대상 고분자 물질의 선정 단계(A)는, 표적단백질로부터 변이가 유도된 표적단백질과 고분자물질의 결합관계를 시뮬레이션하기 위하여, 상기 표적단백질에 대한 변이 라이브러리를 생성하는 단계를 더 포함하여 수행될 수도 있다.

그리고 본 발명은 범용 그래픽 프로세서(GP-GPU)를 활용하여 첫째 기존에 단백질 구조은행(Protein Data Bank(PDB))에 등재된 단백질과 고분자의 복합체구조를 템플릿으로 활용하고 해당 구조에 존재하는 고분자의 특정 부위를 앵커로 활용하는 방법, 둘째 에너지 안정화와 같은 방법을 이용하여 시뮬레이션에 사용될 구조의 불안정성을 제거하는 방법, 셋째 첫째에서 언급한 앵커를 고분자의 여러 부위에 규칙적으로 도입하는 방법, 마지막으로 이 모든 시뮬레이션을 대용량으로 수행하기 위한 자동화 방법을 포함한다.

또한, 본 발명은 단백질 구조은행(PDB)에 존재하는 MHC 단백질 구조들에 대해 1000 Genome project와 dbSNP에 존재하는 모든 변이 중 missense 형태의 변이에 대해 항원 펩타이드가 결합한 상태로 시뮬레이션을 진행한 후 에너지차이를 데이터베이스화한다.

위에서 살핀 바와 같은 본 발명에 의한 전체원자(full atom)기반 고분자 복합체의 시뮬레이션 방법에서는 다음과 같은 효과를 기대할 수 있다.

즉, 본 발명에서는 고분자 복합체에 대한 시뮬레이션에 있어, 전체원자를 대상으로 시뮬레이션을 수행하므로 신뢰성 있는 결과를 얻을 수 있는 장점이 있다.

또한 본 발명에서는, 고분자 복합체에 대한 시뮬레이션 과정을 범용 그래픽프로세서를 이용하여 수행하므로, 시뮬레이션 속도가 향상되는 장점이 있다.

그리고 본 발명에서는 고분자 복합체에 대한 시뮬레이션 과정에서 원자의 겹침으로 인한 에너지 과잉을 방지하므로, 시뮬레이션 상에서 발생되는 오류를 줄일 수 있는 장점이 있다.

도 1은 본 발명에 의한 고분자 복합체에 대한 시뮬레이션 방법의 구체적인 실시예를 도시한 흐름도.
도 2는 본 발명에 의한 약물의 1차 선별과정의 일 예를 도시한 예시도.
도 3은 본 발명에 의한 분석 대상 단백질의 선별과정의 일 예를 도시한 예시도.
도 4는 본 발명에 의한 분석 대상 단백질의 선별과정의 다른 실시예를 도시한 예시도.
도 5는 본 발명에 의한 분석 대상 항원의 선별과정의 일 예를 도시한 예시도.
도 6은 본 발명에 의한 바이러스 유사입자(VLP)의 일예를 도시한 예시도.
도 7은 본 발명에 의한 순열변환 단백질의 일예를 도시한 예시도.
도 8은 본 발명에 의한 단백질번역 후 변형 과정의 일예를 도시한 예시도.
도 9는 본 발명에 의한 분석 대상 고분자 물질의 고정방법의 일 예를 도시한 예시도.
도 10은 본 발명에 의한 분석 대상 고분자 물질의 고정방법의 다른 예를 도시한 예시도.
도 11은 본 발명에 의한 분석 대상 고분자 물질의 고정방법의 또 다른 예를 도시한 예시도.
도 12는 본 발명에 의한 분석 대상 고분자 물질의 고정방법의 또 다른 예를 도시한 예시도.
도 13은 본 발명에 의한 분석 대상 고분자 물질의 고정방법의 또 다른 예를 도시한 예시도.
도 14는 본 발명에 의한 분석 대상 고분자 물질의 고정방법의 또 다른 예를 도시한 예시도.
도 15는 본 발명에 의한 가시화 장비를 통해 MHC-poptide 구조의 충돌을 완화시키는 일 예를 도시한 예시도.
도 16은 본 발명에 의한 표적 단백질의 변이에 결합물에 대한 시뮬레이션 후 에너지차이의 일예를 도시한 예시도.
도 17은 본 발명에 의한 결정학으로 밝혀진 Si-RAN와 단백질의 상호작용 구조의 일예를 도시한 예시도.
도 18은 본 발명에 의한 시뮬레이션 초기 input의 생성과정의 일예를 도시;한 예시도.
도 19는 본 발명에 의한 단백질 구조의 원자이름을 정리하는 일예가 도시된 예시도.
도 20은 본 발명에 의한 단백질 복합체 형성의 일예를 도시한 예시도.
도 21은 본 발명에 의한 복합체를 이용하여 시뮬레이션에 사용될 topology 파일과 coordinate 파일을 생성하는 모습을 도시한 예시도.
도 22는 본 발명에 의한 amber를 시뮬레이션 도구로 사용하는 경우, 스크립의 일예를 도시한 예시도.
도 23은 본 발명에 의한 에너지 플롯 형성 과정의 일예를 도시한 예시도.
도 24는 본 발명에 의해 생성된 energy plot의 일예를 도시한 예시도.
도 25는 본 발명에 의한 시뮬레이션 과정에 대한 동영상 제작과정을 도시한 예시도.
도 26은 본 발명에 의한 Snapshot 파일 생성 과정을 도시한 예시도.
도 27은 본 발명에 의한 약물에 대하여 topology file 및 input coordinate parameter 파일을 생성한 일예를 도시한 예시도.
도 28 및 도 29는 본 발명에 의해 parameter 파일과 library 파일을 생성하는 일 예를 도시한 예시도.

본 발명은 단백질과 고분자물질의 결합관계를 시뮬레이션하여 결과를 산출하는 방법에 관한 것으로, 구체적으로는 단백질과 특성이 규정화되지 않은 고분자물질 간의 결합관계 또는 변이가 유발된 단백질의 안정화 상태를 밝혀 임상연구에 도움이 되는 새로운 고분자물질(또는 변이 단백질)을 찾아내는 방법에 관한 것이다.

이하에서는 본 발명에 의한 단백질-고분자 복합체 시뮬레이션 방법을 상세히 설명하도록 한다.

본 발명에 의한 단백질-고분자 복합체 시뮬레이션 방법은 도 1에 도시된 바와 같이, 시뮬레이션 선행단계와 시뮬레이션 수행단계를 포함하여 수행된다.

여기서, 상기 시뮬레이션 선행단계는, 분석대상 고분자 물질을 선별하는 단계와 단백질의 변이라이브러리를 생성하는 단계를 포함하여 수행된다.

그리고 상기 시뮬레이션 수행단계는 상기 시뮬레이션 선행단계의 결과로부터 산출된 분석대상 고분자 물질과 표적단백질 또는 변이가 유발된 표적단백질의 안정화 상태를 시뮬레이션하는 단계이다.

이하에서는 상기 시뮬레이션 선행 단계 및 시뮬레이션 수행 단계의 구체적인 내용을 상세히 설명하기로 한다.

먼저, 본 발명에 의한 시뮬레이션 선행단계는, 표적단백질과 상호작용하는 대상 고분자 물질을 선정하는 단계(S100) 및 상기 표적단백질에 대한 변이 라이브러리를 생성하는 단계(S200)를 포함하여 수행된다.

여기서, 상기 표적단백질과 상호작용하는 대상 고분자 물질을 선정하는 단계(S100)는 상기 표적 단백질과 상호작용 가능성이 높은 분석 대상 고분자 물질을 선정하는 것을 의미한다.

본 발명의 구체적인 실시예를 설명함에 있어, 표적단백질과 상호작용하는 고분자 물질은 4 가지 종류의 고분자 물질(약물, 단백질, 항원, 바이러스유사입자)을 예로 들어 설명하고, 각각의 고분자 물질의 종류에 따라 분석 대상 고분자 물질을 선별하는 방법을 상세히 설명하기로 한다.

1) 표적 단백질과 상호작용하는 분석 대상 약물의 선정

먼저, 표적 단백질과 상호작용하는 분석 대상 약물의 선정은 특정 단백질과 특정 약물이 서로 상호작용할 수 있는 가능성이 높은 대상 약물을 산출하는 것으로, 로컬화된 퍼블릭 정보 데이터베이스로부터 쿼리(표적단백질)와 관련된 모든 생물 정보를 DB화하여 바이오맵을 생성한다(S112).

도 2에 도시된 바와 같이, 기존에 상호작용 관계가 알려진 PDB-ligand pair를 기준으로 하여 유사도가 높은 고분자물질(약물)을 1차 선별한다(S114).

구체적으로는 PDB(Protein data bank) 단백질과 쿼리(표적단백질)의 아미노산 시퀀스가 40%이상 일치하고, Ligand가 구조적으로 80%이상 유사한 경우 화합물이 서로 상호작용할 가능성이 있다고 예측한다.

이때 단백질의 유사도는 Blast(The Basic Local Alignment Search Tool) 등의 상용화된 시스템을 사용하며, 화합물의 유사도는 Babel 등의 상용화된 프로그램을 사용하여 측정할 수 있다.

한편, 상기 쿼리가 유전자인 경우, 상기 바이오 맵은 Gene Map을 포함하여 구성되고, 상기 Gene Map으로 부터 상기 쿼리(유전자)와 유사도가 높은 단백질(예를 들면 단백질을 생성한 유전자와 쿼리와의 동일성이 40% 이상)을 선택하며, 선택된 단백질과 상호작용하는 것으로 알려진 약물을 시뮬레이션 대상으로 선정한다.

그리고 쿼리가 화합물인 경우(즉, 특정화합물과 반응하는 단백질을 찾는 경우를 말한다), 상기 바이오 맵은 Compound Map을 포함하여 구성되고, 상기 Compound Map 맵으로부터 쿼리(화합물)와 유사도가 높은 화합물들을 선택하고, 선택된 화합물들과 상호작용하는 것으로 알려진 단백질을 시뮬레이션 대상으로 선정한다.

2) 표적단백질과 상호작용하는 분석 대상 단백질의 선정

단백질과 단백질의 상호작용에 대한 분석 역시 단백질과 화합물의 상호작용과 유사한 방식에 의해 수행되는데, 단백질 구조은행(PDB)에 존재하는 구조들 중 두 개 이상의 서로 다른 단백질이 복합체를 형성하는 경우의 구조를 바탕으로 분석 대상 단백질을 선정한다.

즉, 먼저 로컬화된 퍼블릭의 모든 정보중 쿼리(표적단백질)에 대한 모든 생물정보를 데이터베이스화 시킨 바이오맵을 생성한다(S122).

다음으로, 도 3에 도시된 바와 같이, 쿼리와 관련된 생물정보중 단백질 구조내의 chain정보를 기준으로하여 분석 대상 단백질을 선정한다(S124).

구체적으로는 표적단백질과 분석 대상 후보 단백질 간에 서로 상호 연관성이 있다는 직접적인 정보가 없을 때, 표적단백질의 PDB-chain과 분석 대상 후보 단백질의 PDB-chain이 유사하며 각각의 PDB-chain 이 하나의 단백질 구조 안에 있을 경우 표적단백질 과 분석대상 후보 단백질이 서로 상호작용할 가능성이 있다고 예측하여, 상기 분석 대상 후보 단백질을 분석 대상 단백질로 선정한다.

한편, 본 발명의 다른 실시예에 의하면, 도 4에 도시된 바와 같이, 분석 대상 단백질의 선정을 단백질의 구성요소인 도메인의 연관성을 바탕으로 선정할 수도 있다(S126).

즉, 도메인을 바탕으로 분석 대상의 선정 원리는 표적단백질의 일부인 domain이 분석 대상 후보 단백질의 일부인 domain과 서로 연관되어있다는 정보를 찾음으로써 표적단백질과 분석 대상 후보 단백질이 상호작용할 것으로 예측하는 것이다.

3) 표적단백질에 대한 분석 대상 항원의 선정

표적단백질에 대한 분석 대상 항원의 선정은 도 5에 도시된 바와 같이, 먼저 항원을 예측하고자 하는 표적 단백질의 유전자의 서열(표적단백질을 생성한 유전자 서열을 말한다)을 확보한 후(S132), 항원 라이브러리(약 20 만개)가 모여진 데이터베이스를 활용하여 확보된 유전자 서열과 라이브러리의 항원 서열을 1:1로 비교하여 서열의 유사도를 기준으로 항원 후보를 선정한다(S134).

그리고 구조가 알려진 상기 유전자 서열과 유사한 단백질의 3차원 구조상에서 항원 후보들이 어느 위치에서 존재하는 구조적 관점에서 항원 후보들을 검증한다.

예를 들어 선정된 항원 후보가 구조상에서 외부로 노출된 위치에 존재한다면 양호한 분석 대상 항원이 될 수 있다.

4) 바이러스 유사입자(VLP: Virus-Like Particle)의 선정

먼저, 재조합 단백질을 이용한 바이러스 유사입자 템플릿이 있는 박테리아, 바이러스, 프로토조안, 윤충, 원생동물, 식물, 동물/인간, 등에서 분석 대상 후보를 선정한다(S142).

여기서, 바이러스 유사입자(VLP)란 도 6에 도시된 바와 같이, 약물이나 항원을 운반하는 운반자로서 단백질 엔지니어링의 대상이 된다.

이하 단백질 엔지니어링이란 당 업계의 용어로 단백질을 필요에 따라 변형 또는 재조합하는 과정을 통칭하는 용어로 사용한다, 상기 단백질 엔지니어링의 일 예는 단백질을 약물운반자로 이용하기 위하여 단백질 구조를 변형하거나, 복합체 구성을 위하여 순열변환 단백질을 생성하는 것 등이 될 수 있다.

한편, 구형의 바이러스 유사입자는 내부의 모든 유전물질을 제거하면 독성이 없어지고 독성이 없는 상태에서 약물이나 항원을 운반하는 운반자로서 사용이 가능하다. 또한, 인간이나 동물의 경우 Ferritin은 철을 무해한 형태로 세포에 저장하는 일과 철을 취하거나 방출하여 혈청 철을 유지하는 일을 한다. 따라서, 바이러스 유사입자(VLP)와 같은 역할을 할 수 있는 물질로 사용된다. 이러한 VLP는 단백질의 표면에는 항원 및 약물표적을 붙이고 텅빈 내부에는 약물과 단백질 내부의 아미노산과 약물을 붙이거나 다양한 PH차이를 통하여 운반하는 운반자료 사용되기 때문에 단백질 엔지니어링 및 시뮬레이션 대상으로 중요하다.

한편, 상기 고분자 물질이 단백질인 경우, 상기 고분자 물질은 순환순열 단백질 또는 단백질 번역 후 변형단백질 일 수도 있다.

이때, 순열변환 단백질(circular permutation)은 폴리 펩타이드 체인으로 아미노산이 연결이 되어 있는 구조(도 7 참조)인데 도 7의 (a) 및 (b)에 도시된 바와 같이, 시작과 끝을 연결하고 중간 부분을 절단한 형태를 순열변환 단백질이라고 부른다.

많은 경우에 바이러스 유사입자(VLP)과 같이 복합체로 구성된 단백질들은 자연상태에서 자발적으로 복합체가 된다. 그러나, 단백질을 엔지니어링을 한 후에 여러 가지 다른 용도로 활용을 하려면 복합체가 생성이 되지 않게 만들어야 하는데 이렇게 만들려면 순열변환 단백질을 만들어 놓으면 복합체가 안 만들어진다. 그러나, 단백질 엔지니어링 및 시뮬레이션을 하여 순열변환 단백질로 변환된 이후에 안정성을 확인하는 작업이 중요하다.

그리고 단백질번역후변형(PTM: post-translational modification)과정에 대하여 설명하면, 상기 단백질번역후 변형은 단백질 표면은 수많은 단백질번역후 변형과정을 거친다. 도 8에서는 Ph (phosphorylation), NG (N-linked glycosylation), Ac (acetylation), OG (O-linked glycosylation), Ub (ubiquitination), Me (methylation), SM (SUMOylation), Hy (hydroxylation), Ca (carboxylation), Pa (palmitoylation), Su (sulfation), Ni (nitrosylation) and CG (C-linked glycosylation)의 단백질 변형이 도시되어 있다. 이러한 단백질번역후변형과정은 단백질이 다른 단백질과 수없이 많은 상호작용 및 생리작용을 하는데 필수가 된다. 이러한 단백질번역후 변형과정 또한 시뮬레이션을 통하여 엔지니어링 및 시뮬레이션을 통하여 다양한 조작이 가능하다.

한편, 상기 고분자 물질이 순환순열단백질인 경우, 바이러스 유사입자 또는 다중 단백질 복합체의 경우 복합체를 구성하는 구성요소들이 복합체를 형성되지 않도록 하기 위한 순환순열대상 단백질 선정한다.

그리고 상기 고분자 물질이 단백질 번역 후 변형 단백질인 경우, 단백질의 3차원 구조에서 외부환경과 다양한 상호작용의 결과로 변형된 단백질(이하 'PTM'이라 한다)을 대상 고분자 물질로 선정한다.

전술한 바와 같은 분석 대상 고분자 물질의 선정과정은 전술한 각 단계로부터 산출된 내역으로부터 순차적으로 선택하여 선정과정이 수행될 수도 있고, 전술한 각 단계의 수행 결과를 사용자에게 제공하고, 사용자로부터 분석 대상 고분자물질을 선택받는 것도 가능하다.

다음으로, 표적단백질로부터 변이가 유도된 표적단백질과 고분자물질의 결합관계를 시뮬레이션하기 위하여, 상기 표적단백질에 대한 변이 라이브러리를 생성한다(S200).

이때 변이가 발생된 표적단백질은 차세대시퀀싱 및 분석 방법 (NGS-pL: next generation sequencing pipeline) 에 의하여 산출된다.

즉, 다양한 표적단백질의 예상되는 모든 변이에 대하여, 그리고 상호작용 대하여 저장함을 의미한다.

본 발명은 전술한 바와 같은 시뮬레이션 선행단계를 수행한 이후에는 시뮬레이션 수행단계가 수행된다.

상기 시뮬레이션 수행단계는, 상기 표적 단백질과 상호작용하는 대상 고분자 물질을 상대적으로 고정하며(S300), 상기 표적 단백질과 대상고분자 물질 또는 변이가 유발된 단백질의 결합 에너지를 산출하여 데이터 베이스화 한다(S400).

이후, 상기 표적단백질과 고분자 물질의 상호작용 관계 또는 변이가 유발된 표적단백질의 안정화 정도를 점수화하여 사용자에게 제공한다(S500).

한편, 이러한 시뮬레이션을 초고속 병렬분산계산 장치인 GPGPU, MIC, 및 PC-cluster 등을 사용하여 수행되는데, 이에 대하여는 다시 상세하게 설명하도록 한다.

이하에서는 이와 같은 시뮬레이션 수행의 각 세부 단계를 상세하게 설명하기로 한다.

전술한 바와 같이, 시뮬레이션 수행단계는 상기 대상 고분자 물질을 고정하는 단계를 포함하여 수행된다(S300).

상기 제100단계 및 제200단계에 의해 시뮬레이션 분석의 대상이 선별된 이후에는, 상기 표적 단백질과 상호작용하는 대상 고분자 물질을 고정한다.

고분자 물질 및 단백질 전체 원자를 기반으로 한 시뮬레이션을 통해 항원을 예측하면 안정화된 결합물의 구조들을 얻을 수 있고, 결합의 정도를 정량적으로 살펴보기 위해서는 Energy profile 상에서의 차이를 관찰해야한다.

이를 위해 선행하여 조사된 MHC 단백질과 peptide 가 복합체를 이루는 300개의 구조를 단백질 구조 은행(PDB)으로부터 얻어낸 후, 복합체 내에 존재하는 펩타이드의 공통적인 패턴 환경에 대한 계산을 통하여 펩타이드의 일부를 고정시킬 수 있다.

이렇게 고정된 페타이드의 아미노산의 모든 원자들에 대하여 무작위(random)적으로 변화를 주면 펩타이드의 종류에 따라 에너지 변화가 일관성 있게 계산이 되어지는 현상을 찾을 수 있다.

즉, 예를 들어 MHC 단백질과 잘 결합하지 않는 mutation과 같은 경우는 에너지가 상대적으로 높아지는 현상을 나타내고, 얻어진 결과를 정량적으로 판단하는 것이 가능해진다.

이를 위하여 표적 단백질과 상호작용하는 대상 고분자물질을 고정하는 방법으로는 다음의 다섯 가지 방법이 적용될 수 있다.

1) 분석 대상 고분자 물질의 양끝의 고정하는 방법

이는 도 9에 도시된 바와 같이, 시뮬레이션 전체 과정에서 펩타이드의 양쪽끝을 고정하고, 시뮬레이션을 진행하는 방법이다.

2) 무게중심으로 고정하는 방법

이는 도 10에 도시된 바와 같이, 상호작용하는 대상의 무게 중심을 바탕으로 고정하는 방법으로, 화합물의 경우 무게중심을 고정시켜 놓고 다른 부분에 유도체를 삽입하여 변화를 주면서 시뮬레이션을 진행하는 방법이다.

3) 핵심골격을 중심으로 고정 방법

이는 도 11에 도시된 바와 같이, 핵심골격을 중심으로 고정하는 방법으로, 표적단백질과 상호작용하는 화합물과 리간드의 골격을 유사하게 맞추어 고정하는 방법이다.

4) 도킹 툴을 활용한 고정 방법

이는 Gold, Molegro Virtual-docker와 같은 tool을 사용하여 상호작용 대상을 고정하는 방법이다. 도12에는 Gold 도킹 툴을 이용하여 고분자물질을 고정한 일예가 도시되어 있고, 도 13에는 Virtual-docker 도킹 툴을 이용하여 고분자물질을 고정한 일예가 도시되어 있다.

5) 구조 겹칩 방법을 활용한 섭동 생성 후 고정하는 방법

이는 도 14에 도시된 바와 같이, 구조 겹침 방법을 활용한 섭동 생성 후 고정 방법은 표적 단백질과 상호작용하는 여러 개의 펩타이드들을 겹쳐서 섭동을 생성한 후 이를 고정하는 방법이다.

6) 모델러(modeler)를 사용시 2개의 복합체 위치를 이동하여 고정하는 방법

이는 두 개의 연결된 구조의 템플릿이 서로 3D 좌표상으로 멀리 떨어져 있을 때 서로 근접하게 좌표를 근접시키고, 다양한 섭동을 생성한 후 이를 고정하는 방법이다.

7) 돌연변이, 다중 복합체, 순환순열 및 PTM 단백질들의 엔지니어링 후 가상구조를 고정하는 방법

이는 단백질에 변화가 생긴 형태는 돌연변이, 다중 복합체, 순환순열 및 PTM들로 정의되는데 이렇게 엔지니어링된 형태로 그대로 시뮬레이션을 수행하는 방법이다.

전술한 바와 같이, 상기 고분자 물질을 상기 표적 단백질의 상대적 위치에 고정한 이후에는, 상기 표적단백질(변이 발생 표전단백질 포함)과 대상 고분자 물질에 대한 결합을 시뮬레이션 하여 이들의 결합 에너지를 산출하고 이를 데이터 베이스화 한다(S400).

이때, 시뮬레이션이라 함은 표적단백질과 분석 대상 고분자 물질의 각각의 원자에 운동량을 가하여 이들 간의 상대적인 운동을 가상으로 도출하는 것을 말한다.

이와 같은 시뮬레이션은 상용화된 Amber 와 같은 프로그램을 이용하여 수행하는 것이 가능하다.

예를 들어, 일반적인 단백질의 경우, 200여 개의 아미노산의 결합으로 구성되고, 각 아미노산은 10여 개의 원자로 구성되므로, 약 2000여 개의 원자 쌍에 무작위적인 에너지를 가하여 두 물질 간의 에너지 안정화, 충돌 등을 가상으로 분석하는 것을 의미한다.

이와 같은 시뮬레이션은 운동량을 일정하게 한정한다 하여도

개의 경우의 수가 도출되고, 이들 경우에 수에 대한 시뮬레이션은 일반적인 CPU를 통해 실행되는 것이 현실적으로 어려운 문제가 있다.

따라서 본 발명에서는 전술한 시뮬레이션을 GPU를 포함하여 구성되는 처리부를 통해, GPU의 각 코어에 처리 데이터를 할당하여 수행된다. 여기서 GPU는 범용그래픽프로세서(GPGPU)일 수도 있다.

이와 같은 시뮬레이션 결과, 시뮬레이션 대상이 표적단백질 VS 약물인 경우, 시뮬레이션과정을 통해 안정한 형태의 결합을 이룰 수 있음을 보일 수 있는지 여부를 판별한다.

그리고 상기 시뮬레이션 대상이 표적단백질 VS 단백질인 경우, 단백질 간의 결합강도를 예측한다.

이때, 표적단백질의 pair 상에 직접적으로 존재하는 3차원 구조가 없을 경우에는 상동 모델링 기법(Homology modelling)으로 구조를 예측하고, 예측된 구조를 단백질 복합체 구조와 유사하게 배열한 후 시뮬레이션을 진행할 수도 있다.

한편, 상기 시뮬레이션 대상이 표적단백질 VS 항원인 경우, 항원 서열과 MHC 단백질(표적단백질)과의 복합체 상에 에너지 흐름을 살펴볼 수 있다.

한편, 제 400 단계에서 설명한 바와 같이, 단백질과 고분자 물질 사이의 상호작용에 대하여 시뮬레이션을 수행할 경우, 입력으로 사용되는 단백질-고분자 복합체는 단백질의 원자와 고분자의 원자가 충돌되는 부분이 다수 발생할 수 있다.

이와 같은 충돌은 핵융합 시의 에너지가 발생되는 것으로 시뮬레이션 결과가 유도될 수 있고, 이는 가상 시뮬레이션 과정에서 심각한 오류를 유발하므로, 이와 같은 충돌을 방지하기 위한 수단이 필요하게 된다.

따라서 본 발명은 이와 같은 충돌을 방지하기 위하여 단백질-고분자물질이 복합체로 존재하는 상태에서 에너지 안정화 단계(S410)를 수행함으로써 충돌을 완화시킬 수 있다.

이때, 에너지 안정화라 함은 원자와 원자의 충돌이 가장 낮은 상태를 의미한다.

그러나 한 그룹의 원자와 다른 그룹 원자의 겹침 경우는 단순한 에너지 안정화 작업만으로는 충돌을 완화시킬 수 없는 경우가 발생된다.

이와 같이, 한 그룹의 원자와 원자들이 겹침이 생긴 경우에는 직접 3차원 구조상에서 충돌이 존재하는 부분에 해당하는 화학결합(covalent bond)를 회전시켜주는 방법으로 해결한다.

즉, 구체적으로 설명하면, 3차원 가시화 장비인 GEMM(interactive geometry manipulator for molecular modeling)을 이용하여 충돌부분에 해당하는 화학결합을 이동시켜 충돌을 완화시키는 단계를 더 포함하여 수행될 수 있다(S420).

도 15에는 3차원 가시화 장비를 통해 MHC-poptide 구조의 충돌을 완화시키는 모습이 도시되어 있다.

한편, 상기 제400단계의 시뮬레이션은 상기 표적단백질과 고분자물질의 결합에 대하여 수행될 수도 있고, 표적단백질의 변이유도체(변이가 유도된 표적단백질)에 대하여 독립적으로 수행될 수도 있다.

먼저, 상기 시뮬레이션이 표적단백질의 변이유도체들에 대하여 독립적으로 수행되는 경우, 이들 시뮬레이션에 의한 결과인 상기 표적단백질의 변이유도체 들의 에너지차이는 다음과 같이 세 가지 카테고리로 나누어 산출될 수도 있다.

1) HLA 하플로그룹(Haplogroup) 카테고리

HLA Haplogroup은 면역 반응에 중요한 역할을 하는 MHC 단백질을 표 1과 같은 형태의 Haplogroup으로 분류하는 것을 말한다. 본 발명에서는 각각의 haplogroup에 존재하는 모든 MHC 단백질의 구조에 대해 항원 펩타이드와 결합한 형태로 시뮬레이션을 진행한 뒤 에너지차이를 검색 가능한 형태로 데이터베이스화한다.

2) CYP p450 하플로그룹(Haplogroup) 카테고리

CYP P450 haplogroup은 단백질 구조은행(PDB)에 존재하는 구조들중 약물의 대사과정에 관련된 유전자들(표 2, 223개)에 존재하는 모든 변이에 대하여 HLA의 경우에서처럼 시뮬레이션을 진행한 후 에너지차이를 데이터베이스화하는 방법을 말한다. 표 2에는 약물대사과정에 관련된 유전자중 일부를 나타내고 있다.

Gene symbol	Gene description	Organism
ABCC5	ATP-binding cassette, sub-family C (CFTR/MRP), member 5	Homo sapiens
ABCC9	ATP-binding cassette, sub-family C (CFTR/MRP), member 9	Homo sapiens
AKAP9	A kinase (PRKA) anchor protein (yotiao) 9	Homo sapiens
CHST4	carbohydrate (N-acetylglucosamine 6-O) sulfotransferase 4	Homo sapiens
ABCC4	ATP-binding cassette, sub-family C (CFTR/MRP), member 4	Homo sapiens
SLCO1B1	solute carrier organic anion transporter family, member 1B1	Homo sapiens
UGT2B11	UDP glucuronosyltransferase 2 family, polypeptide B11	Homo sapiens
CYP46A1	cytochrome P450, family 46, subfamily A, polypeptide 1	Homo sapiens
SLC22A7	solute carrier family 22 (organic anion transporter), member 7	Homo sapiens
RALBP1	ralA binding protein 1	Homo sapiens
UGT2A1	UDP glucuronosyltransferase 2 family, polypeptide A1, complex locus	Homo sapiens
NAT2	N-acetyltransferase 2 (arylamine N-acetyltransferase)	Homo sapiens
CYP4F8	cytochrome P450, family 4, subfamily F, polypeptide 8	Homo sapiens
SLCO2B1	solute carrier organic anion transporter family, member 2B1	Homo sapiens
SLC22A12	solute carrier family 22 (organic anion/urate transporter), member 12	Homo sapiens
ABCC2	ATP-binding cassette, sub-family C (CFTR/MRP), member 2	Homo sapiens
ADH1A	alcohol dehydrogenase 1A (class I), alpha polypeptide	Homo sapiens
ADH1B	alcohol dehydrogenase 1B (class I), beta polypeptide	Homo sapiens
ADH1C	alcohol dehydrogenase 1C (class I), gamma polypeptide	Homo sapiens
ADH4	alcohol dehydrogenase 4 (class II), pi polypeptide	Homo sapiens
ADH5	alcohol dehydrogenase 5 (class III), chi polypeptide	Homo sapiens
ADH6	alcohol dehydrogenase 6 (class V)	Homo sapiens
COMT	catechol-O-methyltransferase	Homo sapiens
ADH7	alcohol dehydrogenase 7 (class IV), mu or sigma polypeptide	Homo sapiens
. .	. .	. .

3) 표적단백질 변이에 의한 내성계산 카테고리

표적 단백질의 변이에 대한 내성 계산은 표적 단백질에 대하여 존재 가능한 모든 변이를 유도한 후 상호작용대상 약물 또는 펩타이드와 결합한 상태로 시뮬레이션을 시도한 후 에너지차이를 도 16과 같이 정리하는 것을 말한다.

한편, 상기 제400단계의 시뮬레이션이 상기 표적단백질과 고분자물질의 결합에 대하여 수행되는 경우, 이들 시뮬레이션에 의한 결과인 화합물의 결합 에너지의 차이에 대한 데이터 베이스화는 다음과 같이 데이터 베이스화는 고분자 물질의 종류에 따라 아래 4가지 경우를 예로 들어 설명하기로 한다.

1) 천연물을 포함한 약물

천연물을 포함한 약물의 경우, 항암제와 만성질환(천식, 고혈압 당뇨 골다공증)에 대한 치료제로 쓰이는 약물(표 3 참조)에 대하여 가능한 모든 관능기의 변화를 유도시키거나 새로운 관능기를 삽입한 후 표적단백질과 결합한 형태에서 시뮬레이션을 진행하여 얻은 에너지 차이를 데이터베이스화한다.

Drug class	No. of Drug
항 천식(Asthma) 치료제	32
항 암(Cancer)제	141
항 고혈압(Hypertension) 치료제	102
항 당뇨병(Diabete) 치료제	34
항 골다공증(Osteoporosis) 치료제	11

2) 펩타이드,

펩타이드의 경우, 20여만개의 항원 데이터베이스에 존재하는 유전자 서열상에서 하나의 서열 전체를 9개의 서열씩 이동해가면서 얻어진 9-mer 서열에 대한 패턴 분석을 하는 방법으로 시뮬레이션 후보 펩타이드를 생성하고, 생성된 펩타이드를 MHC 단백질(표적단백질)과 인위적으로 결합시킨 후 시뮬레이션을 실행하여 펩타이드의 변이 별로 에너지 차이를 계산한 후 이를 데이터베이스화한다.

3) DNA/RNA,

핵산의 경우는 si-RNA 등이 약물로서 많이 사용되고 있는 바, 상기 si-RNA와 표적단백질과의 상호작용의 특성을 파악하기 위해 상기 si-RNA의 특정 부위에 대해서 고정하는 등의 방법을 이용해서 각각의 표적단백질과의 복합체를 형성한 후 시뮬레이션 결과로 나온 에너지 분석 자료를 데이터베이스화한다. 도 17에는 결정학으로 밝혀진 Si-RAN와 단백질의 상호작용 구조의 일예가 도시되어 있다.

4) 다른 상호작용 단백질 ,

다른 상호작용 단백질의 경우, 단백질 구조은행에 존재하는 구조중 2개 이상의 서로 다른 단백질로 이루어진 구조에 대해서 상호작용부위에 존재하는 것으로 알려진 모든 missense 형태의 변이에 대해 단백질과 단백질 복합체의 다른 부분은 고정시키고 상호작용부위만 시뮬레이션을 진행하여 변이에 따른 에너지차이를 데이터베이스화한다.

다음으로 상호작용대상의 변이 및 유도체화합물의 바인딩 차이를 계산하고 이를 데이터베이스한 이후에는, 상기 표적단백질과 고분자(약물,펩타이드,DNA/RNA,단백질)물질 간의 상호작용 결과를 점수화한다(S500).

이때, 상기 점수화는 기준 결합체의 결합에너지와 시뮬레이션 된 결합체(표적단백질-고분자물질)의 결합에너지 차이를 수치화하여 산출되는 것으로, 기준 결합체는 단백질구조은행 등의 공지된 DB로부터 획득할 수 있다.

아래 표 4는 단백질과 상호작용 대상의 가능한 변이에 대한 조합으로 구성된 라이브러리를 나타낸다.

상기 기준결합체의 선정기준의 일 예를 설명하면, 먼저, 라이브러리의 에너지값을 생성 한 후, 표 4의 (a)에 나타낸 바와 같이, 안정화된 표적단백질을 선정한 후, 변이가 없는 경우의 상호작용대상과의 결합((a)-(b)결합)을 기준결합체로 설정할 수도 있다.

다르게는, 핵산 또는 펩타이드에 유도되는 모든 형태의 변이와 화합물에 유도체를 삽입하는 등의 변화로 생길 수 있는 변화에 대해서 표적 단백질과 안정한 결합물((a)-(c))을 기준으로 설정할 수도 있다.

마지막으로 상호작용대상에 대해서 무작위적으로 변이 또는 화합물을 바꾸어가며 시뮬레이션을 수행한 결과를 바탕으로 유도된 변화에 따른 에너지값의 패턴(d)을 기준으로 설정할 수도 있다.

표적 단백질(a)	상호작용대상		상호작용 대상에 대한 무작위적 변이(d)
표적 단백질(a)	변이가 없는상태(b)	변이가 유도된상태(c)	상호작용 대상에 대한 무작위적 변이(d)
P1	V₁ _{_0}	V₁ _{_1},V₁ _{_2}, V₁ _{_3},…….	V₁ _{_N}, V₁ _{_N+1},…..
P2	V₂ _{_0}	V₂ _{_1},V₂ _{_2}, V₂ _{_3},……	V₂ _{_N}, V₂ _{_N+1},…
P3	V₃ _{_0}	V₃ _{_1},V₃ _{_2} V₃ _{_3},…..	V₃ _{_N}, V₃ _{_N+1},….
P4	V₄ _{_0}	V₄ _{_1},V₄ _{_2}, V₄ _{_3},……	V₄ _{_N}, V₄ _{_N+1},…..

P: 표적단백질, V: 상호작용대상, Vn_m+1 : n 번째 표적단백질의 상호작용대상의 m+1번째 변이

이하에서는 시뮬레이션 대상물질에 따라 시뮬레이션 예들을 설명하기로 한다.

1) 단백질-펩타이드 복합체에 대한 시뮬레이션 과정

ⅰ)준비 단계

시뮬레이션 초기 input의 생성과정은 도 18에 도시된 바와 같이, 먼저 단백질 구조 은행 (protein data bank(PDB))로부터 시뮬레이션에 사용될 단백질 구조를 얻은 다음(S10), 얻어진 단백질 구조에서 표준에 해당하지 않는 원자의 이름들을 시뮬레이션에 사용되는 도구인 Amber12(ambermd.org)에 맞게 바꾸어주거나 필요하지 않은 원자의 이름 또는 단백질 구조 파일내의 시뮬레이션에 필요하지 않은 경우는 제거한다. 도 19에는 단백질 구조의 원자이름을 정리하는 일예가 도시되어 있다.

다음으로, 도 20에 도시된 바와 같이, 단백질과 복합체를 이루어 시뮬레이션을 실행할 약물 또는 펩타이드의 구조는 해당단백질의 구조로부터 추출하여 시뮬레이션의 목적에 맞는 특정 변이를 유도 시킨 후(S20), 단백질과 다시 복합체를 형성한다(S30).

변이 유도과정과 다시 복합체를 형성하는 과정에는 MMTSB(www.mmtsb.org 참조)와 같은 종류의 단백질 구조를 편집하는 도구가 사용될 수 있다.

이와 같이 형성된 복합체는 앞서 언급한 바와 같이 많은 부분 충돌부위가 생겨나게 되는데 이런 문제를 해결하기 위해서 전술한 바와 같이, 에너지 안정화 작업을 수행한다(S40).

그러나 단순히 에너지 안정화 작업으로 충돌이 완화되지 않는다면, 도 15에 도시된 바와 같이, 3차원 가시화장비를 이용하여 인위적으로 화학결합을 회전시켜충돌을 방지한다.

이후, 도 21에 도시된 바와 같이, 형성된 복합체를 이용하여 시뮬레이션에 사용될 topology 파일과 coordinate 파일을 생성한다(S50).

ⅱ) 시뮬레이션 단계

이후 전체 시뮬레이션은 표 5에 기재된 바와 같이 다단계 과정을 통해 운동에너지를 부과하면서 진행된다.

도 22는 시뮬레이션 도구로 amber를 사용하게 될 경우에 쓰이는 스크립트 중 일부를 도시한 것이다.

상기 스크립트는 input topology , input coordinate 파일 이름과 시스템에 병렬분산장치인 여러개의 GPU card (PC-cluster 혹은 MIC card)가 있는 경우에 사용될 GPU 의 id (PC-cluster 혹은 MIC card), 그리고 시뮬레이션에 사용될 단백질 구조의 일부를 고정할지 여부에 대한 파라미터들을 입력으로 받아서 원하는 amber 시뮬레이션을 진행하게 된다.

이와 같은 방법으로 Teslar M2090 GPU를 장착한 시스템에서 시뮬레이션을 실행했을 경우 14시간 정도의 시간이 소요되는 것으로 파악되었다.

ⅲ) 에너지 플롯 형성 과정

시뮬레이션이 끝나면 도 22에 도시된 바와 같이, 각 단계별로 log file(.out), trajectory file(.mdcrd), 결과 구조파일(.rst)가 생성된다.

이때, Amber12에서는 이들 중 log file을 사용하여 에너지와 기타 여러 가지를 분석할 수 있는 c-shell 혹은 perl script를 제공한다.

그리고 상기 스크립트를 사용하게 되면 도 23에 도시된 바와 같이, 로그파일로부터 시뮬레이션 전체 시간 과정상에서의 potential energy 변화를 얻어낼 수 있다.

도 23의 시간별 에너지 변화정보로부터 일정시간 간격으로 에너지 변화를 추출하게 되면 도 24에 도시된 바와 같은 형태의 energy plot을 생성된다.

본 발명에서는 Amber12에서 제공하는 스크립트를 이용하여 log file로부터 에너지 변화를 추출하는 과정과 연속적으로 energy plot을 생성하는 과정을 수행한다.

ⅳ) 시뮬레이션 동영상 제작과정

시뮬레이션 전체과정에 대한 동영상 제작은 다음과 같다.

시뮬레이션 전체과정에 대한 동영상 제작과정은 도 25에 도시된 바와 같이 진행된다.

먼저 시뮬레이션이 끝난 후 일정 시간 간격의 Snapshot 구조 파일(PDB)을 얻어내기 위해 시뮬레이션 궤적으로부터 일정시간(frame) 간격으로 Snapshot 구조파일을 생성한다(도 26 참조).

본 발명에서는 시뮬레이션 결과로 얻어진 여러개의 궤적파일(trajectory)로부터 일정시간 간격으로 수 많은 snapshot 구조파일(PDB)을 단시간에 얻어낼 수 있는 설정파일을 생성하여 동영상 제작에 활용할 수 있다.

전술한 바와 같은 방법으로 얻어진 여러 개의 단백질 구조파일 들을 Pymol(www.pymol.org)과 같은 단백질 구조가시화 도구를 이용하여 구조파일 하나당 하나의 그림파일(.png)로 변환한다.

그리고 변환한 그림파일들을 Windows movie maker(Micosoft^TM)와 같은 동영상 제작도구를 이용하여 동영상을 제작한다.

위에 언급한 과정들 중 snapshot에 해당하는 단백질 구조들을 얻어내는 과정은 기존에는 인위적으로 진행해왔던 과정으로 대용량 시뮬레이션을 진행했을 경우에는 동영상제작에 상당한 시간이 소요될 수 밖에 없지만 본 발명을 통해 단시간에 동영상을 제작할 수 있다.

2) 단백질과 약물 복합체

약물의 경우는 펩타이드를 구성하고 있는 아미노산 서열들과는 달리 시뮬레이션 툴들이 인식할 수 있는 이름들을 가지지 않는 경우가 많다. 따라서 시뮬레이션을 시도하기 위해서는 약물에 대한 정보를 시뮬레이션 도구가 인식할 수 있는 형태의 라이브러리로 저장해두기 위한 작업이 필요하다.

약물의 구조에서 특정 변화를 유도하고 단백질과 임의로 복합체를 유도한 후 에너지 안정화를 유도하는 과정은 단백질-펩타이드 복합체의 경우와 같이 진행된다.

에너지 안정화를 시도한 후, 약물의 구조와 단백질의 구조를 이용하여, 도 27에 도시된 바와 같이 약물에 대한 topology file 및 input coordinate parameter 파일을 형성한다.

다음으로 단백질-약물 화합물에 대하여, topology와 input coordinate 파일을 생성한다.

이때 화합물의 원자와 전하(charge), 그리고 화학결합에 대한 정보를 가진 도 28 및 도 29에 도시된 바와 같은 parameter 파일과 library 파일 역시 생성한다.

이와 같은 과정을 거치게 되면, 화합물에 대한 원자, 화학결합, 그리고 전하(charge)에 대한 정보가 시뮬레이션 툴에 라이브러리 형태로 저장된다.

상기 저장된 화합물에 대한 정보는 단백질과 약물의 복합체에 대해 시뮬레이션 입력파일을 준비할 때 사용하게 된다.

이후, 시뮬레이션, 에너지플롯 형성 등의 과정은 단백질-펩타이드 복합체에 대한 수행과정과 동일한 과정을 통해 수행된다.

본 발명의 권리는 위에서 설명된 실시예에 한정되지 않고 청구범위에 기재된 바에 의해 정의되며, 본 발명의 분야에서 통상의 지식을 가진 자가 청구범위에 기재된 권리범위 내에서 다양한 변형과 개작을 할 수 있다는 것은 자명하다.

본 발명은 고분자물질 및 고분자물질의 결합체 간의 결합관계를 단말기 상에서 시뮬레이션하여, 안정화 상태를 산출하는 방법에 관한 것으로, 본 발명에 의하면, 고분자 복합체에 대한 시뮬레이션에 있어, 전체원자를 대상으로 시뮬레이션을 수행하므로 신뢰성 있는 결과를 얻을 수 있는 장점이 있다.

Claims

(A) 시뮬레이션 대상 고분자 물질을 선정하는 시뮬레이션 선행 단계와;
(B) 상기 시뮬레이션 대상 고분자 물질에 대한 에너지 안정화 정도를 시뮬레이션하는 시뮬레이션 수행단계를 포함하여 수행되고:
상기 시뮬레이션 수행단계는,
(B1) 표적단백질에 대하여 분석대상 고분자물질을 고정하는 단계와;
(B2) 범용 그래픽 프로세서(GP-GPU)를 포함하여 구성되는 프로세서를 통해 표적단백질과 분석대상고분자 물질의 결합에너지를 산출하는 단계; 그리고
(B3) 기준 결합체와 대비하여 상대적인 결합 안정화도를 산출하는 단계를 포함하여 수행됨을 특징으로 하는 전체원자기반 고분자 복합체의 시뮬레이션 방법.
제 1 항에 있어서,
상기 결합에너지 산출단계(B2)는,
(B21) 결합된 고분자 물질 간의 원자간 충돌 에너지가 낮은 상태로 결합상태를 조정하는 에너지 안정화 단계와;
(B22) 결합된 고분자 물질 간의 원자간 겹침이 발생된 경우 상기 겹침이 발생된 원자간 화학결합을 이동시키는 단계를 포함하여 수행됨을 특징으로 하는 전체원자기반 고분자 복합체의 시뮬레이션 방법.
(A) 시뮬레이션 대상 고분자 물질을 선정하는 시뮬레이션 선행 단계와;
(B) 상기 시뮬레이션 대상 고분자 물질에 대한 에너지 안정화 정도를 시뮬레이션하는 시뮬레이션 수행단계를 포함하여 수행되고:
상기 시뮬레이션 수행단계는,
(B2) 범용 그래픽 프로세서(GP-GPU)를 포함하여 구성되는 프로세서를 통해 표적단백질과 분석대상고분자 물질의 결합에너지를 산출하는 단계와;
(B3) 기준 결합체와 대비하여 상대적인 결합 안정화도를 산출하는 단계를 포함하여 수행되며:
상기 결합에너지 산출단계(B2)는,
(B21) 결합된 고분자 물질 간의 원자간 충돌 에너지가 낮은 상태로 결합상태를 조정하는 에너지 안정화 단계와;
(B22) 결합된 고분자 물질 간의 원자간 겹침이 발생된 경우 상기 겹침이 발생된 원자간 화학결합을 이동시키는 단계를 포함하여 수행됨을 특징으로 하는 전체원자기반 고분자 복합체의 시뮬레이션 방법.
제 2 항 또는 제3 항에 있어서,
상기 결합에너지 산출단계(B2)는,
상기 에너지 안정화 단계(B21) 이전에,
상동 모델링 기법(Homology modelling)으로 예측된 구조를 단백질 복합체 구조와 배열하는 단계를 더 포함하여 수행됨을 특징으로 하는 전체원자기반 고분자 복합체의 시뮬레이션 방법.
제 1 항에 있어서,
상기 결합에너지 산출단계(B2)의 분석대상고분자 물질이 항원인 경우,
상기 결합에너지의 산출은,
항원 서열과 MHC 단백질(표적단백질)과의 복합체 상의 에너지 흐름을 산출하는 것임을 특징으로 하는 전체원자기반 고분자 복합체의 시뮬레이션 방법.
제 2 항 또는 제3 항에 있어서,
상기 (B22)단계는,
3차원 가시화 장비(GEMM, interactive geometry manipulator for molecular modeling)를 이용하여 수행됨을 특징으로 하는 전체원자기반 고분자 복합체의 시뮬레이션 방법.
제 1 항에 있어서,
상기 고분자물질의 고정단계(B1)는,
(B11) 시뮬레이션 과정에서 펩타이드의 양쪽 끝을 고정하는 방법;
(B12) 시뮬레이션 대상 고분자물질의 무게 중심을 바탕으로 고정하는 방법;
(B13) 표적단백질과 상호작용하는 고분자물질을 리간드의 골격에 따라 맞추어 고정하는 방법;
(B14) Gold 또는 Molegro Virtual-docker의 툴을 사용하여 고분자물질을 고정하는 방법;
(B15) 고분자물질을 구조 겹침 방법을 활용하여 섭동을 생성한 후 고정 방법; 또는
(B16) 고분자물질의 연결된 구조 템플릿이 서로 3D 좌표상으로 근접하도록 섭동을 생성한 후 고정하는 방법 중 어느 하나 이상의 방법에 의해 수행됨을 특징으로 하는 전체원자기반 고분자 복합체의 시뮬레이션 방법.
제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
상기 (A) 단계의 시뮬레이션 대상 고분자 물질의 선정은,
사용자의 고분자 물질 입력에 의해 수행됨을 특징으로 하는 전체원자기반 고분자 복합체의 시뮬레이션 방법.
제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
상기 시뮬레이션 대상 고분자 물질의 선정 단계(A)는,
퍼블릭 정보로부터 상호작용 관계가 알려진 PDB-ligand pair를 기준으로 하여 유사도에 따라 고분자물질을 선별하는 단계;
퍼블릭 정보로부터 상호작용 관계가 알려진 단백질 구조내의 chain정보를 기준으로하여 분석 대상 고분자물징을 선별하는 단계;
단백질 간의 PDB-chain 연관성을 기준으로 분석 대상 고분자물질을 선별하는 단계;
단백질의 도메인 연관성을 기준으로 분석대상 고분자 물질을 선별하는 단계; 또는
표적 단백질의 유전자의 서열과 항원 라이브러리의 항원 서열의 유사도를 기준으로 시뮬레이션 대상 고분자물질을 선별하는 단계 중 어느 한 단계를 포함하여 수행됨을 특징으로 하는 전체원자기반 고분자 복합체의 시뮬레이션 방법.
제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
상기 시뮬레이션 대상 고분자 물질의 선정 단계(A)는,
표적단백질로부터 변이가 유도된 표적단백질과 고분자물질의 결합관계를 시뮬레이션하기 위하여, 상기 표적단백질에 대한 변이 라이브러리를 생성하는 단계를 더 포함하여 수행됨을 특징으로 하는 전체원자기반 고분자 복합체의 시뮬레이션 방법.
(a) 표적 단백질에 대한 변이유도체를 산출하는 단계와;
(b) 상기 변이유도체에 대한 에너지 안정화 정도를 시뮬레이션하는 단계를 포함하여 수행되고:
상기 변이유도체는,
HLA 하플로그룹(Haplogroup)으로 분류된 변이 유도체이고:
상기 시뮬레이션은,
상기 하플로그룹에 존재하는 MHC 단백질의 구조에 대해 항원 펩타이드와 결합한 형태로 시뮬레이션을 진행하여 에너지차이를 산출하는 것임을 특징으로 하는 전체원자기반 고분자 복합체의 시뮬레이션 방법.
(a) 표적 단백질에 대한 변이유도체를 산출하는 단계와;
(b) 상기 변이유도체에 대한 에너지 안정화 정도를 시뮬레이션하는 단계를 포함하여 수행되고:
상기 변이유도체는,
CYP P450 하플로그룹(Haplogroup)으로 분류된 변이 유도체이고:
상기 시뮬레이션은,
구조은행(PDB)에 존재하는 구조들 중 약물의 대사과정에 관련된 유전자들에 존재하는 변이유도체에 대하여 시뮬레이션을 진행하여 에너지차이를 산출하는 것임을 특징으로 하는 전체원자기반 고분자 복합체의 시뮬레이션 방법.