혁신적인 AI 기법으로 분자 시스템의 비밀을 풀다: PINN-MEP의 등장

Magnus Petersen과 Roberto Covino가 개발한 PINN-MEP는 AI 기반의 새로운 방법으로 분자 시스템의 구조 변화 연구에 혁신을 가져왔습니다. 기존 방법의 한계를 극복하고, 고차원 시스템에서도 효율적으로 최소 에너지 경로를 발견하여 생물학적 현상에 대한 이해를 심화시킬 것으로 기대됩니다.

분자 시스템의 구조 변화 연구, 난공불락의 과제를 넘어서다

Magnus Petersen과 Roberto Covino가 이끄는 연구팀은 분자 시스템의 구조 변화를 연구하는 획기적인 방법인 PINN-MEP(Physics-Informed Neural Networks for Minimum-Energy Path)를 발표했습니다. 기존의 분자 동역학(MD)이나 MCMC와 같은 샘플링 방법은 고차원 분자 시스템과 높은 에너지 장벽으로 인해 안정적인 상태 간 전이 과정을 파악하는 데 어려움을 겪어왔습니다. 이는 마치 바늘방석 위를 걷는 것과 같았습니다. 이러한 전이는 시뮬레이션 시간 규모에서는 드문 일이지만, 이온 채널 단백질의 열림과 닫힘처럼 생물학적으로 매우 중요한 과정을 나타내는 경우가 많습니다. 실제 시스템에서 밀리초에서 초 단위로 일어나는 이러한 전이 과정을 관찰하려면 기존 방법으로는 수개월 또는 수년의 지속적인 시뮬레이션이 필요했습니다.

PINN-MEP: 연속 최적화 문제로 전이 경로 생성의 패러다임 전환

PINN-MEP는 전이 경로 생성을 연속 최적화 문제로 재구성하여 이러한 어려움을 극복합니다. 최소 에너지 경로(MEP) 생성을 위한 문자열 방법에서 영감을 얻은 이 방법은, 전이 경로를 암시적 신경망 함수로 표현하고, 미분 가능한 분자 동역학 힘장을 사용한 자동 미분을 활용합니다. 이는 고가의 경로 샘플링 없이도 물리적으로 사실적인 전이 경로를 효율적으로 발견할 수 있게 해줍니다. 마치 미로에서 최단 경로를 찾는 것처럼, PINN-MEP는 최소 에너지 경로를 효율적으로 찾아내는 지름길을 제시합니다.

실제 적용: 8,300개 이상의 원자를 가진 시스템에서도 효과 입증

연구팀은 8,300개 이상의 원자를 포함한 수화된 소의 췌장 트립신 저해제(BPTI) 시스템을 포함한 두 가지 단백질에 대한 실험을 통해 PINN-MEP의 효과를 입증했습니다. 이는 기존 방법으로는 상상하기 어려운 수준의 복잡성을 가진 시스템에서도 PINN-MEP가 효과적으로 작동함을 보여줍니다. 이는 마치 밤하늘의 별들을 하나하나 연결하여 은하수의 전체 모습을 보여주는 것과 같습니다.

결론: 새로운 시대를 여는 AI 기반 분자 시스템 연구

PINN-MEP은 분자 시스템의 구조 변화 연구에 혁신을 가져올 잠재력을 가지고 있습니다. 고효율성과 정확성으로, 기존 방법의 한계를 넘어 생물학적 현상의 근본적인 이해를 심화시키는 데 크게 기여할 것으로 기대됩니다. 앞으로 PINN-MEP는 다양한 분야에서 활용될 것이며, AI 기반 과학 연구의 새로운 지평을 열어갈 것으로 예상됩니다.