DNA를 포함한 생체고분자의 굽힘 유연성은 세포 운동성과 세포골격의 조직화 등 다양한 생물학적 과정에 결정적으로 중요하다. 선형-사슬처럼 사용되는 worm-like chain 모델과 같은 기존의 고분자 모델은 굽힘 강성이 등방적이며 사슬의 등고선(contour) 전반에 걸쳐 균일하다고 가정하지만, 실제 생체고분자는 복잡한 세포 상호작용의 결과로 공간적으로 가변적인 굽힘 강성을 갖는 경우가 흔하다. 예를 들어, 액틴 필라멘트와 미세소관의 굽힘 강성은 관련 결합 단백질 또는 화학적 변형에 따라 달라진다. 이러한 생물학적 함의에도 불구하고, 고분자 등고선 상에서 위치 의존적 persistence length를 측정하는 일은 여전히 어렵다. 본 연구에서는 생체고분자의 공간적으로 가변적인 굽힘 강성을 정량적으로 예측하는 딥러닝 기반 방법을 제시한다. 우리의 프레임워크는 고분자 사슬을 짧고 서로 겹치는 조각들로 분할하고, 딥러닝 모델을 사용하여 국소 persistence length를 예측한 뒤, 전체 프로파일을 재구성한다. 시뮬레이션 데이터를 사용하여, 본 접근법이 데이터가 부족한 조건에서도 높은 정확도와 견고성을 달성함을 보인다. 다양한 생물학적 시스템에 적용한 결과, 본 방법은 필로포디아에서 끝(tip)에서 기저(base)까지 공간적으로 가변적인 강성을 규명하는 한편, 미세소관에서는 공간적으로 이질적인 강성을 드러낸다. 또한 본 연구에서는 딥러닝 모델의 내부 기작을 조사하여, 모델이 persistence length 추정을 위해 여러 물리 관련 특징을 활용함과 동시에 고분자 강성에 따라 주의(attention)를 적응적으로 조정함을 확인한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.