연구진은 효소의 기능을 모방하는 합성 고분자를 개발하여 산업 촉매 작용 및 약물 개발에 혁명을 일으킬 가능성이 있다고 Nature지에 발표된 연구에서 밝혔습니다. 연구팀은 단백질과는 달리 화학적 성질이 다른 골격을 가지고 있지만, 곁사슬을 전략적으로 배열하여 단백질의 행동을 복제하는 무작위 이종 고분자(RHP)를 만드는 데 집중했습니다.

약 1,300개의 금속 단백질 활성 부위 분석을 바탕으로 진행된 이 연구는 원팟(one-pot) 합성을 통해 RHP를 설계하는 것을 포함했습니다. 주요 단량체는 기능성 단백질 잔기의 등가물로 도입되었으며, 이러한 단량체를 포함하는 세그먼트의 화학적 특성(예: 세그먼트 소수성)은 통계적으로 조절되었습니다. 이 과정을 통해 RHP는 유사 활성 부위를 형성하여 주요 단량체에 단백질과 유사한 미세 환경을 제공했습니다.

연구진은 논문에서 "단백질과 다른 골격 화학적 성질을 가진 고분자의 경우, 세그먼트 수준에서 곁사슬의 공간적 및 시간적 투영을 프로그래밍하는 것이 단백질 행동을 복제하는 데 효과적일 수 있다고 제안합니다."라고 밝혔습니다. 또한 고분자의 회전 자유도가 단량체 서열 특이성의 결함을 보완하여 앙상블 수준에서 균일한 행동으로 이어질 수 있다고 언급했습니다.

이러한 효소 모방체의 개발은 다양한 산업에 중요한 영향을 미칩니다. 기존 효소는 효율성이 높지만 깨지기 쉽고 생산 비용이 비싼 경우가 많습니다. 반면에 RHP는 더 큰 안정성과 낮은 생산 비용의 가능성을 제공하여 산업 촉매 작용, 약물 합성 및 기타 응용 분야에 매력적인 대안이 됩니다.

이러한 RHP의 설계는 AI 및 머신 러닝 원리를 활용합니다. 연구진은 방대한 금속 단백질 활성 부위 데이터 세트를 분석하여 합성 고분자에서 복제할 수 있는 주요 특징과 패턴을 식별할 수 있었습니다. 이러한 데이터 기반 접근 방식은 재료 과학 및 화학 공학에서 AI의 역할이 점점 더 커지고 있음을 강조합니다.

이번 연구에 참여하지 않은 프린스턴 대학교의 화학 공학 교수인 에밀리 카터 박사는 "이러한 고분자 설계를 안내하는 AI의 사용은 판도를 바꿀 것입니다."라며 "훨씬 더 광범위한 가능성을 탐색하고 기존 방법으로는 발견할 수 없었던 솔루션을 식별할 수 있습니다."라고 말했습니다.

이 연구의 사회적 영향은 광범위합니다. 보다 효율적이고 지속 가능한 산업 공정은 폐기물과 오염 감소로 이어질 수 있습니다. 새로운 약물 및 치료법의 개발이 가속화되어 충족되지 않은 의학적 요구를 해결할 수 있습니다. 그러나 합성 고분자의 광범위한 사용과 관련된 잠재적 위험(예: 환경 영향 및 잠재적 독성)을 고려하는 것도 중요합니다.

연구진은 현재 RHP 설계를 최적화하고 다양한 분야에서의 응용 분야를 탐색하는 데 집중하고 있습니다. 또한 이러한 물질의 대량 생산 방법을 개발하기 위해 노력하고 있으며, 이는 광범위한 채택에 매우 중요할 것입니다. 다음 단계는 실제 응용 분야에서 RHP를 테스트하고 기존 효소와 비교하여 성능을 평가하는 것입니다. 추가 연구에서는 이러한 합성 고분자의 장기적인 안정성과 환경 영향에 대해서도 집중적으로 다룰 것입니다.