🧩 MSA — 진화 정보의 마법

지금까지는 큰 그림 — "단백질 구조 예측이 50년 난제였고, 알파폴드/로제타폴드가 풀었다" — 만 봤어요. 이제 본격적으로 "그래서 도대체 어떻게 풀었냐"로 들어갑니다. 그 핵심에 MSA가 있어요.

이 챕터 한 줄 요약:

MSA가 뭐임?

한국말로 풀면 "다중서열정렬"인데, 표를 한 번 보면 이름이 와닿아요. 예를 들어볼게요.

미오글로빈(myoglobin)이라는 단백질이 사람한테만 있는 게 아니라 고래, 말, 쥐, 닭 등 거의 모든 척추동물에 있어요. 이름은 같지만 시퀀스는 종마다 조금씩 다릅니다. 그 시퀀스들을 가로로 줄 맞춰서 늘어놓으면:

보세요. 1번 위치는 모든 종에서 M 한 종류만 나옵니다. 완전 보존된(conserved) 위치예요. 반대로 2번 위치는 G/V로 갈리고, 5번 위치는 D/E로 갈리고…

완전히 보존된 위치는 보통 기능에 핵심적인 잔기예요. 바꿀 수 없는 위치, 즉 진화가 절대 손대지 못한 자리. 어떤 위치는 자유롭게 바뀌는데, 또 어떤 위치는 절대 안 바뀐다는 게 큰 단서가 됩니다.

왜 이게 단백질 구조 예측의 핵심이 되었나?

1세대 알파폴드(2018) 이전까지, 컴퓨터 예측은 대부분 "한 단백질 시퀀스 하나만 보고" 풀려고 했어요. 근데 사실 한 시퀀스만 봐선 정보가 절대적으로 부족합니다. 그래서 안 풀렸어요.

2018년경부터 사람들이 깨닫기 시작합니다: "수십~수천 개의 비슷한 단백질을 같이 보면 답이 보인다." 이게 게임 체인저였어요.

공진화(Coevolution) — MSA의 진짜 마법

MSA를 잘 들여다보면 "항상 같이 변하는 두 위치"가 보입니다. 예를 들어:

이게 우연일 가능성은 낮습니다. 15번과 42번이 3D 공간에서 가까이 있고 서로 짝을 이뤄야 단백질이 제대로 작동한다는 뜻이에요. 한 쪽이 K→R로 바뀌면 다른 쪽도 짝 맞춰 D→E로 바뀌어야 단백질이 살아남는 거죠.

1500개 잔기짜리 단백질에 가능한 잔기 쌍은 약 100만 개입니다. MSA에서 공진화 패턴을 잡아내면 "이 쌍은 가깝다", "저 쌍은 멀다" 같은 단서가 수십만 개 모여요. AI는 이걸 다 활용해서 3D 좌표를 풀어냅니다.

그래서 MSA는 어떻게 만드나? — MMseqs2 / HHblits

직접 만들 필요는 없어요. 컴퓨터가 알아서 해줍니다.

1. 당신이 시퀀스(쿼리) 하나 제공
2. 컴퓨터가 거대한 단백질 시퀀스 데이터베이스에서 비슷한 시퀀스를 찾음 (UniRef, BFD, MGnify 등)
3. 찾은 시퀀스 수백 ~ 수천 개를 가로로 정렬해서 MSA 표 완성

이 과정에서 쓰이는 검색 도구가 MMseqs2(엠엠시퀀스2)와 HHblits(에이치에이치 블리츠)예요. 이름은 외울 필요 없고, "MSA 검색기" 정도로 알아두시면 됩니다. ColabFold는 MMseqs2를 씁니다 — 이게 매우 빨라요.

MSA가 적으면 어떻게 되나? — Single-sequence 모드의 한계

만약 어떤 단백질이 너무 새로워서 비슷한 친구가 데이터베이스에 없다면? 또는 본인이 디자인한 인공 단백질이라면? 이런 경우에는 MSA가 매우 빈약해요. 그러면 예측 정확도가 떨어집니다.

이럴 때를 위해 ESMFold 같은 single-sequence 모델도 등장했어요. 진화 정보 없이도 시퀀스만으로 예측합니다. 정확도는 약간 떨어지지만, 일부 경우에 더 유용해요. 이건 다음 차수에서 다룹니다.

정리: MSA가 왜 알파폴드/로제타폴드의 비밀병기인가?

이게 알파폴드/로제타폴드가 "옛날 방법"과 다른 본질적인 이유입니다. 시퀀스 한 줄이 아닌, 진화 전체의 결과물을 입력으로 받는 거예요.

한 번 체크하고 가요