Beyond Static Snapshots: A Large-Scale Dataset for Dynamics-Aware Protein-Nucleic Acid Modeling

Motivation

• Known: 현재 protein-NA 상호작용 AI 모델은 PDB 등에서 제공되는 정적 구조(static structure) 데이터에 주로 의존하며, protein-protein 및 protein-ligand 시스템에 대해서는 MDDB 같은 커뮤니티 MD 데이터 리소스가 점차 구축되고 있다.
• Gap: protein-NA 복합체는 RNA/DNA 인식이 가장 dynamics에 의존적인 상호작용 클래스 중 하나임에도 불구하고, 대규모 atomistic MD 학습 데이터가 부재하여 generative conformational sampler와 같은 dynamic-aware AI 모델을 개발·평가할 수 있는 기반이 없다.
• Why: binding site prediction과 같은 핵심 과제는 short-timescale induced-fit 효과와 conformational variability에 민감한데, AlphaFold3나 RoseTTAFoldNA 같은 static 구조 예측 모델은 이러한 동적 앙상블을 표현하지 못해 상호작용에 중요한 상태를 놓칠 수 있다.
• Approach: PDB에서 구조적·기능적 기준에 따라 선별한 ~1,000개의 고해상도 protein-RNA/DNA 복합체에 대해 GROMACS와 최신 nucleic acid force field(AMBER99SB-ILDN+bsc0+XOL3, ff14SB+bsc1+CUFIX)를 사용하여 복합체당 3 µs(3×1 µs replicate)의 MD trajectory를 생성하고, 이를 MDDB 노드로 통합해 공개하는 방식이다.

Achievement

제안된 데이터셋은 ~1,000개 시스템, 시스템당 3 µs, 총 ~3 ms의 simulation time과 ~20 TB의 raw data를 제공하며, atomistic trajectory, post-processed feature(RMSD, RMSF, PCA vector, clustering, dynamical correlation, displacement vector), metadata를 포함한 최초의 대규모 protein-NA MD 리소스를 구축했다.

How

• PDB에서 explicit 구조적·기능적 기준(Appendix B)에 따라 ~1,000개 고해상도 protein-RNA/DNA 복합체 curation
• GROMACS 기반 자동화·재현 가능한 Dockerized pipeline으로 solvation, ionization, simulation, post-processing 수행
• protein-RNA에는 AMBER99SB-ILDN+bsc0+XOL3, protein-DNA에는 ff14SB+bsc1+CUFIX force field 적용
• 복합체당 3×1 µs replicate 생성(2 fs timestep), 1 µs 시간 스케일은 local fluctuation과 fast induced-fit rearrangement를 포착하도록 선정(선행 문헌 Etheve et al. 2016, Galindo-Murillo et al. 2014 근거)
• block-averaged RMSD/RMSF 및 replicate agreement로 per-system convergence를 quality-control metric으로 보고
• 국가 HPC 자원(~270,000 GPU hours)을 활용해 대규모 생성, MDDB node로 통합 및 FAIR 원칙에 따라 공개

Originality

• protein-NA 복합체에 특화된 최초의 대규모 open MD simulation 데이터셋을 제안함
• 기존 protein-protein/protein-ligand MD 리소스(MDDB)를 protein-NA 영역으로 확장하는 자연스러운 후속 연구로 위치시킴
• binding site prediction뿐 아니라 conformational ensemble generation, protein-NA complex sampling, nucleic-acid-targeting protein design 등 다수의 후속 과제를 지원하도록 설계함
• 1 µs replicate 시간 스케일 선택에 대해 선행 문헌 기반의 물리적 정당성을 명시적으로 제시함

Limitation & Further Study

• 본 논문은 dataset proposal 성격이 강해 아직 실제 학습된 AI 모델의 성능 개선 결과나 정량적 벤치마크가 제시되지 않음
• force field 자체의 근사적 한계(정확도 문제)는 여전히 존재하며, 1 µs 시간 스케일로는 rare global transition을 포착하지 못함
• 예산(150,000유로) 및 인력(연구 엔지니어 1인, 2년)이 제한적이어서 장기적 확장성 검증이 필요함
• 향후 실제 binding site prediction 등 downstream task에서의 정량적 성능 향상 검증 및 다양한 protein-NA 유형(예: 비정형 RNA, 복합 다중 체인 시스템)으로의 확장이 필요함

Evaluation

총평: protein-NA 상호작용 연구에서 오랫동안 부재했던 대규모 dynamic 데이터 자원을 제안하는 시의적절하고 의미 있는 연구로, 아직 실제 모델 성능 검증은 이루어지지 않았으나 향후 dynamic-aware AI 모델 개발의 중요한 인프라가 될 잠재력이 크다.