14. 2차 구조 — 나선 31 · 가닥 25.5 · 고리 43.4 · 정교수의 mRNA백신 디자인 첫걸음 II

서열이 정해졌으니 이제 모양을 묻습니다. 첫 질문은 가장 거친 것입니다 — 각 잔기가 나선인가, 가닥인가, 아니면 고리인가.

PSIPRED 4.0 이 낸 답은 이렇습니다.

갈래	비율	419잔기 기준
알파 나선 (H)	31.0%	약 130
연장 가닥 (E)	25.5%	약 107
무작위 고리 (C)	43.4%	약 182
합계	99.9%	419

합이 99.9 인 것은 반올림 때문입니다. 빈칸이 없습니다 — 모든 잔기가 셋 중 하나에 배정됩니다.

블록별로 어느 갈래가 많을지 짚어 보세요. 링커와 에피토프의 성향이 다릅니다.

불러오는 중…

링커 넷의 성향이 설계 의도와 맞습니다. EAAAK 는 나선, GPGPG 는 고리 쪽입니다.

Python 브라우저에서 실행

# 링커가 2차 구조에 기여할 만한 성향을 아미노산 조성으로 본다.
# Chou-Fasman 의 성향값 일부만 쓴다 - 경향만 보려는 것이다.
HELIX = {"A": 1.42, "E": 1.51, "L": 1.21, "M": 1.45, "K": 1.16,
         "G": 0.57, "P": 0.57, "Y": 0.69, "S": 0.77, "V": 1.06,
         "I": 1.08, "T": 0.83, "F": 1.13, "R": 0.98, "Q": 1.11,
         "D": 1.01, "N": 0.67, "C": 0.70, "H": 1.00, "W": 1.08}

linkers = [("AAY", "CTL 링커"), ("GPGPG", "HTL 링커"),
           ("KK", "LBL 링커"), ("EAAAK", "단단한 링커"),
           ("HEYGAEALERAG", "본문에 없는 것")]

print("%-14s %-14s %s" % ("링커", "무엇", "나선 성향 평균"))
print("-" * 48)
for s, name in linkers:
    v = sum(HELIX[c] for c in s) / len(s)
    tag = " 나선을 좋아함" if v > 1.1 else (" 나선을 싫어함" if v < 0.9 else " 중간")
    print("%-14s %-14s %.2f%s" % (s, name, v, tag))
print("-" * 48)
print()
print("EAAAK 는 설계 의도대로 나선 성향이 가장 높다.")
print("GPGPG 는 가장 낮다 - 무르게 띄우려는 의도와 맞는다.")
print("HEYGAEALERAG 도 나선 쪽이다 - EAAAK 와 비슷한 일을 할 법하다.")
print()
print("주의: Chou-Fasman 은 1974년 방법이고 PSIPRED 보다 훨씬 거칠다.")
print("여기서는 '링커마다 성향이 다르다' 는 것만 보려고 썼다.")

2차 구조 예측이 잘 맞는 편인 까닭

PSIPRED 같은 3분류 예측의 정확도는 대략 80~84% 라고 알려져 있습니다. 구조 생물학의 다른 예측에 견주면 상당히 높습니다.

📋

문제가 쉽다

답이 셋뿐입니다. 아무렇게나 찍어도 33%, 가장 많은 갈래만 찍어도 43%

🧬

지역적이다

나선인지 가닥인지는 주변 몇 글자로 상당히 정해집니다

📚

자료가 많다

PDB 에 실험 구조가 수십만 개 있어 배울 거리가 충분합니다

하지만 이것은 3차 구조가 맞다는 뜻이 아닙니다. 나선이 몇 개 어디에 있는지 아는 것과, 그 나선들이 공간에서 어떻게 배치되는지 아는 것은 전혀 다른 문제입니다. 다음 강이 그 문제입니다.

링커의 설계 의도가 조성에서 그대로 읽힙니다. GPGPG 는 둘 다 낮습니다.

Python 브라우저에서 실행

# 블록별 아미노산 조성이 2차 구조 성향과 어떻게 맞물리나.
HELIX = {"A": 1.42, "E": 1.51, "L": 1.21, "M": 1.45, "K": 1.16,
         "G": 0.57, "P": 0.57, "Y": 0.69, "S": 0.77, "V": 1.06,
         "I": 1.08, "T": 0.83, "F": 1.13, "R": 0.98, "Q": 1.11,
         "D": 1.01, "N": 0.67, "C": 0.70, "H": 1.00, "W": 1.08}
SHEET = {"A": 0.83, "E": 0.37, "L": 1.30, "M": 1.05, "K": 0.74,
         "G": 0.75, "P": 0.55, "Y": 1.47, "S": 0.75, "V": 1.70,
         "I": 1.60, "T": 1.19, "F": 1.38, "R": 0.93, "Q": 1.10,
         "D": 0.54, "N": 0.89, "C": 1.19, "H": 0.87, "W": 1.37}

blocks = [
    ("보조제",        "GIGDPVTCLKSGAICHPVFCPRRYKQIGTCGLPGTKCCKKP"),
    ("CTL 에피토프",  "MEAAYTASLLASFAAIPFLPYFHNINYIPTNFSFGL"
                      "KTYSNITIATYSNITIAMVQMTFVISVVSIPTNFSF"),
    ("AAY 링커 7벌",  "AAY" * 7),
    ("GPGPG 링커 6벌", "GPGPG" * 6),
    ("EAAAK 3벌",     "EAAAK" * 3),
    ("C말단 꼬리",    "TGALLAAGAAA"),
]

print("%-18s %7s %8s %8s  %s" % ("블록", "길이", "나선", "가닥", "기운 쪽"))
print("-" * 58)
for name, s in blocks:
    h = sum(HELIX[c] for c in s) / len(s)
    e = sum(SHEET[c] for c in s) / len(s)
    lean = "나선" if h > e + 0.08 else ("가닥" if e > h + 0.08 else "어느 쪽도")
    print("%-18s %7d %8.2f %8.2f  %s" % (name, len(s), h, e, lean))
print("-" * 58)
print()
print("CTL 에피토프는 V/I/F 가 많아 가닥 쪽으로 기운다.")
print("EAAAK 와 C말단 꼬리는 알라닌 덕에 나선 쪽이다.")
print("GPGPG 는 둘 다 낮다 - 어느 쪽도 아닌 '고리' 로 간다.")

이 결과가 뒤에서 쓰이는가

2차 구조 예측은 Fig 1B 에 색으로 그려집니다. 그리고 그것으로 끝납니다.

뒤 단계	2차 구조 결과를 쓰는가
3차 구조 모델링 (Robetta)	쓰지 않는다 — 서열에서 직접 접는다
구조 다듬기 (GalaxyRefine)	쓰지 않는다
입체 에피토프 (ElliPro)	쓰지 않는다 — 3차 구조만 본다
도킹 (III권)	쓰지 않는다

나쁜 일은 아닙니다. 독립된 확인으로서 값어치가 있습니다 — 3차 구조 모형의 나선·가닥 배치가 2차 구조 예측과 크게 어긋나면 모형을 의심할 근거가 됩니다.

다만 논문은 그 대조를 하지 않았습니다. 두 결과를 나란히 놓고 견준 대목이 없습니다.

🤔 확인 문제

2차 구조 비율의 합이 99.9% 인 까닭은?

🤔 확인 문제

2차 구조 예측이 비교적 잘 맞는 까닭이 아닌 것은?