배경: RNA 서열과 전달체를 함께 고려해야 하는 이유

딥러닝은 RNA 치료제의 구조 예측, 유전자 편집 활성 예측, 전달체 설계에 활용되고 있지만, 데이터 부족과 실험 조건의 차이가 적용 범위를 제한한다. ACS Nano에 게재된 리뷰는 세 분야의 기존 모델을 검토하고 신경망 구조별 강점과 한계를 정리했다. 새로운 통합 플랫폼의 개발이나 환자 치료 효과를 보고한 논문과는 구분해야 한다.

RNA 치료제 개발에서는 치료 기능을 담당하는 RNA 서열과 이를 세포·조직으로 운반하는 전달체를 고려한다. 코돈 조합, RNA 이차구조, 특정 영역의 설계까지 바꾸면 후보 공간이 커져 실험만으로 모든 조합을 탐색하기 어렵다. 이때 딥러닝의 역할은 기존 실험 데이터에서 서열·구조·기능의 관계를 학습해 후속 실험에 투입할 후보를 좁히는 데 있다.

예측 대상에 따라 필요한 정보도 달라진다. 멀리 떨어진 염기 사이의 관계를 파악하는 구조 예측과 여러 지질 성분의 조합을 평가하는 전달체 설계에서는 입력 데이터와 모델 구조를 각각 검토해야 한다.

핵심 발견: 모델의 강점은 입력 정보와 예측 과제에 달렸다

리뷰는 RNA 구조 예측에서 트랜스포머가 서열상 멀리 떨어진 염기 사이의 관계를 학습하는 데 유리하다고 설명했다. 그래프 신경망(GNN)은 염기를 노드로, 염기쌍 등의 관계를 연결선으로 표현해 구조 정보를 반영한다. 다만 높은 성능이 모든 RNA에 이어지는 것은 아니다. 리뷰가 소개한 NuFold도 학습 사례가 부족한 새로운 RNA 계열에서는 구조 예측에 어려움을 겪는다는 한계가 제시됐다.

유전자 편집 기술인 크리스퍼(CRISPR) 분야에서는 가이드 RNA의 표적·비표적 활성 예측과 염기 편집·프라임 편집의 결과 예측을 구분한다. 합성곱 신경망(CNN)은 가까운 서열의 패턴을 추출하고, 트랜스포머는 더 넓은 범위의 관계를 학습하는 방식이다. 두 구조를 결합한 모델도 등장했지만 학습 실험의 조건이 적용 범위를 제한한다. 예를 들어 리뷰에 따르면 BE-DICT는 렌티바이러스로 삽입한 서열에서 학습했기 때문에, 염색질 환경이 다른 내인성 유전체 위치로 예측을 일반화하기 어렵다고 평가됐다.

RNA 전달에서는 지질나노입자(LNP)의 어느 구성 요소를 모델링하는지가 핵심 차이다. AGILE은 이온화 지질의 분자 그래프로 사전학습하고 실험 측정값으로 미세조정해 세포 유형별 전달 선호도를 예측한다. 한계는 보조 지질·스테롤·폴리에틸렌글리콜(PEG) 지질 등 다른 구성 성분과의 상호작용을 반영하지 않는다는 데 있다.

반면 COMET은 전체 LNP 제형의 구성 성분과 비율을 트랜스포머 입력으로 다룬다. 리뷰는 이 접근이 단일 성분만 고려하는 모델보다 많은 실험값이 붙은 학습 데이터와 계산 자원을 요구한다고 설명했다. 두 모델은 서로 다른 범위의 전달체 설계 문제를 다루는 개별 연구 사례다.

의미와 전망: 예측을 실험으로 되돌리는 개발 과정

저자들은 고속 스크리닝과 새로운 모델 구조의 결합을 향후 방향으로 제시했다. RNA 서열과 전달체를 함께 탐색하는 접근도 전망에 포함된다. 이를 이미 완성된 통합 개발 체계로 해석해서는 안 된다.

현재의 병목은 고품질 데이터 부족과 일반화 능력이다. 특정 조직이나 동물종의 데이터로 학습한 모델은 다른 조직·종에서 성능이 달라질 수 있고, 시험관 실험 결과가 생체 내 전달이나 임상 환경을 그대로 설명하지도 못한다. 서로 다른 실험의 데이터를 합칠 때 조건 차이를 고려해야 하는 이유다.

모델을 평가할 때는 예측 점수와 함께 학습 데이터가 목표 조직과 평가 조건에 맞는지 살펴야 한다. 선정한 후보의 실제 기능을 확인하는 실험도 뒤따라야 한다는 것이 리뷰의 설명이다. 딥러닝의 활용 가능성은 후보 탐색과 실험 검증을 연결하는 개발 과정에서 평가할 수 있다. 자세한 내용은 ACS Nano 리뷰 전문에서 확인할 수 있다.