AI로 설계하는 차세대 mRNA 치료제: RiboNN의 등장

🧭 왜 '번역 효율'이 중요할까요?

mRNA 치료제의 효과는 단순히 어떤 단백질을 암호화하느냐보다, 그 단백질이 얼마나 잘 만들어지느냐, 즉 번역 효율(Translation Efficiency, TE)에 따라 달라집니다. TE는 리보솜이 mRNA를 얼마나 잘 읽어 단백질을 만드는지를 나타냅니다.

 

하지만 기존 모델들은 대부분 mRNA의 극히 일부분(예: 5′ UTR)만 고려하거나 특정 세포 유형에만 국한되어 있었습니다. 이러한 한계를 넘기 위해 탄생한 것이 바로 RiboNN입니다.

 

TE 측정과 세포 간 상관도 분석

 

---

🤖 RiboNN: 전체 서열 기반의 AI 예측 모델

RiboNN은 mRNA의 5′ UTR, CDS, 3′ UTR 전체 서열을 입력으로 받아, 딥 컨볼루션 신경망을 이용해 세포 유형별 TE를 예측합니다. 기존 모델 대비 성능이 대폭 향상되었으며, 약 10,000건 이상의 공개 데이터를 활용한 대규모 학습을 통해 개발되었습니다.

 

특히, 코돈(codon), 디뉴클레오타이드, 삼뉴클레오타이드 등 작은 서열 단위의 위치 의존적 특성까지도 학습해, 기존의 5′ UTR 위주 모델보다 더 정밀한 예측이 가능합니다.

 

RiboNN 모델 구조 및 예측 정확도

 

---

🧬 TE에 영향을 주는 서열 특성, 어떻게 파악했을까?

RiboNN은 단순히 결과를 예측하는 데 그치지 않고, 어떤 서열 요소가 TE에 영향을 미치는지도 분석했습니다.

• 전체 TE 예측에 CDS(코딩 영역)가 73%, 5′ UTR이 22%, 3′ UTR이 5% 기여함을 밝힘
• 코돈의 위치에 따라 TE 영향이 달라지며, 시작 부분의 코돈들이 특히 중요
• 일부 코돈(예: GCU, GGU 등)은 TE를 높이는 반면, AGG, UUA 등은 TE를 낮춤

서열 위치에 따라 삽입된 코돈의 TE 변화

 

---

💉 치료용 mRNA 설계에 어떻게 활용될 수 있을까?

RiboNN은 변형 염기(modified base)가 포함된 mRNA나 유전자 변이가 존재하는 경우에도 TE를 예측할 수 있습니다. 이를 통해:

• 조직 특이적 mRNA 치료제 설계
  예: 면역세포에서 단백질 발현을 높이기 위한 최적 서열 추천
• 질병 관련 유전변이의 번역 억제 효과 예측
  예: 5′ UTR에서 uAUG을 생성하는 변이 → 번역 효율을 얼마나 낮추는지 정량 예측

변이의 위치와 유형에 따른 TE 감소 예측

 

---

🔗 TE, mRNA 안정성, 세포 위치는 어떻게 연결되어 있을까?

RiboNN은 mRNA의 TE가 안정성(mRNA half-life), 세포 내 위치(localization)와도 밀접한 연관이 있음을 보여줍니다.

• TE가 높은 mRNA는 더 안정적이며,
• 소포체(ER)와 같은 특정 세포소기관에 위치한 mRNA가 TE가 높을 가능성이 큼

TE, 안정성, 위치의 상관관계

 

---

✅ 한줄평

RiboNN은 mRNA의 전체 염기서열만으로도 번역 효율을 정밀하게 예측해, 차세대 mRNA 치료제 설계와 유전변이 해석의 핵심 도구가 될 수 있습니다.

 

참고문헌 : DOI: 10.1038/s41587-025-02712-x