당뇨병은 혈중의 당 농도가 떨어지지 않는 증상을 나타내며 세포가 에너지원을 이용하지 못해 체중이 감소하고 심장, 혈관 및 기타 질병의 위험을 증가시키는 대사질환이다. 세계적으로 당뇨병 환자 중 세포가 인슐린에 반응하지 못하는 제2형 당뇨병 환자수가 대부분을 차지한다. 현재 시판 중인 제2형 당뇨병 치료제는 DPP-4의 활성을 저해하는 약물이 많다. 하지만 약물의 내성, 부작용과 같은 이유로 신약 개발 필요성이 요구되지만 이는 공정이 매우 복잡하다. 이를 해결하고자 효율적인 신약 발굴방법인 Drug Repositioning을 적용한 다킹 연구를 진행하였다. DPP-4 저해제에 대해 보고된 결합형태를 QM_Dock_Docking을 이용해 binding affinity를 계산하였다. 이 결과를 바탕으로 FDA의 승인을 받은 약물과 DPP-4의 촉매부위와의 binding pose 그리고 affinity를 Dock과 QM_Dock_Docking을 이용해 계산하고 선별하였다. Ciclesonide, Dapiprazole 그리고 Ximelagatran을 최종 후보로 선별하였으며 GLU206과 PHE357 두 잔기가 공통적을 작용하는 것을 관찰하였다. 이 연구를 통해 제2형 당뇨병 치료관련 신약개발에 비용과 시간을 대폭 줄이는 연구가 가능하다.

리튬 이온 배터리를 사용하는 전자기기의 시장 규모는 해가 거듭될수록 커져가고 있다. 리튬 이온 배터리는 가볍고, 가공하기 쉬우며, 보급하기 편리하다는 장점이 있지만 배터리 용량이나 충전 속도 등 해결해야 할 문제점도 존재한다. 따라서 본 연구에서는 슈퍼컴퓨터를 이용하여 분자동력학을 통해 리튬 이온 배터리의 용량에 관한 연구를 수행하였다. 리튬 이온 배터리는 방전할 때, 흑연 음극에 저장된 리튬 이온이 양극으로 이동하게 된다. 따라서 음극에 저장될 수 있는 입자가 많을수록 배터리의 용량이 커지기 때문에, 흑연 음극에 수용될 수 있는 입자의 개수를 계산하였다. 온도를 다르게 하였을 때는 음극에 수용될 수 있는 리튬 원자의 개수가 거의 바뀌지 않아서 온도는 리튬 이온 배터리의 용량에 영향을 주지 않는다. 반면 다른 알칼리 금속인 나트륨, 칼륨, 루비듐을 흑연에 넣었을 때는 점차 들어갈 수 있는 원자의 개수가 줄어들었으며 이는 원자반지름이 커지고 원자가 인접했을 때 원자간 반발력이 더 커지기 때문이다. 따라서 리튬을 사용하는 것이 효율적이었기 때문에 리튬 이온 배터리를 상용화해서 사용한다 생각할 수 있다.

단백질-리간드 도킹은 단백질의 기능을 이해하고 신약을 개발하는데 있어 중요하게 쓰이고 있다. 하지만 apo form의 단백질을 이용하거나 모델링된 단백질 구조를 활용하여 도킹을 하는 경우, 단백질 구조의 부정확성 때문에 정확한 binding pose를 예측하기 어렵다. 본 논문에서는 이러한 한계를 극복하기 위해 기존에 밝혀진 단백질-리간드 복합체 구조 정보를 도킹에 이용하는 방법을 제안하고자 한다. 기존의 단백질-리간드 복합체 구조 정보로부터 자동으로 타겟 단백질과 리간드에 관련된 상호작용 정보를 얻고, 이 정보를 restraint의 형태로 도킹에 적용하는 방법을 개발하였다. 개발된 방법의 성능을 CDK2와 GPCR class A 단백질 군에 대해 cognate docking, cross docking하여 평가하였다. 그 결과, 정보 없이 도킹하는 경우에 비해 도킹의 성공률이 많이 높아졌으며, 특히 실제 상황과 유사한 CDK2 cross docking의 경우는 성공률이 정보가 없을 때 55.0%에서 정보를 활용했을 때 85.0%로 많이 증가하는 것을 확인할 수 있었다.

Aβ42와 Tau43 단백질은 무정형 단백질 (Intrinsically Disordered Protein)이며, 알츠하이머 질환은 두 단백질의 응집과 관련이 있다고 알려져 있다. 단백질의 응집에는 Gibbs free energy의 구성요소인 단백질 내부에너지 (protein internal energy)와 용매화 자유에너지 (solvation free energy)가 영향을 준다. 본 연구에서는 딥 러닝 (Deep learning) 학습을 통해 protein contact map으로 단백질의 응집에 영향을 주는 에너지를 예측하고자 한다. 딥 러닝 기법 중 DNN (Deep Neural Network)과 CNN (Convolution Neural Network)을 통해 MMSS (main chain-main chain, side chain-side chain) contact map을 학습 시킨 후 두 단백질의 에너지에 대한 예측 결과를 비교하였다. 본 연구의 결과로 모든 에너지들의 상관계수가 0.90이상으로 좋은 예측을 보였으며, 특히 DNN이 CNN보다 더 좋은 예측을 한다는 것을 확인하였다. 본 연구를 통해 딥 러닝을 이용한 알츠하이머 질환 관련 무정형 단백질의 에너지 예측이 가능하고, 나아가 질환을 유발하는 무정형 단백질 형태를 예측할 수 있음을 보였다.

단백질의 용매화 자유에너지(Solvation Free Energy, SFE)는 생체 내 단백질의 응집에 대해 이해하는데 있어 중요하다. 용매화 자유에너지는 단백질의 구조로부터 계산될 수 있다. 단백질은 다수의 아미노산이 peptide 결합으로 이어져 형성한 polypeptide이다. 본 연구에서는 딥 러닝 기법을 통해 단백질 residue의 특징으로부터 residue의 용매화 자유에너지를 예측함으로써 단백질 구조에 대한 용매화 자유에너지 예측을 시도했다. 단백질을 아미노산 잔기(residue)에 따라 분해하여 각 아미노산 잔기에 대한 용매화 자유에너지를 계산하고 이를 심층신경망(Deep Neural Network, DNN)을 통해 학습시켜 residue의 용매화 자유에너지를 예측한다. 각 residue의 용매화 자유에너지 예측 값의 합계로써 해당 단백질 구조에 대한 용매화 자유에너지 예측 값을 반환한다. Residue의 용매화 자유에너지는 상관계수 0.95이상으로 예측이 가능했으며, 단백질 구조에 대한 용매화 자유에너지 예측에서는 0.80의 상관계수를 나타내었다. 본 연구를 통해 DNN과 아미노산 잔기를 활용하여 단백질의 용매화 자유에너지를 예측하는 것이 가능함을 확인했으며, 이를 통해 다양한 단백질의 용매화 자유에너지 예측에 적용 가능할 것으로 사료된다.

본 실험에서는 전자구조계산 방법을 이용하여 SN2 반응에서 calix[4]pyrrole 유도체의 초분자 촉매 효과를 조사하였다. EDISON 홈페이지에 탑재된 GAMESS 전자구조계산 프로그램을 비롯한 Gaussian 09 프로그램을 이용하여 CH3CH2F + CN- → CH3CH2CN + F- 의 SN2 반응에서 calix[4]pyrrole 유도체의 유무에 따른 자유에너지 변화와 전이상태 에너지 변화를 계산하여 calix[4]pyrrole 유도체의 초분자 촉매 효과를 분석하였다. 계산 결과로부터 calixp[4]pyrrole 유도체의 음전하 포집 성질에 의해 SN2 반응에서 생성되는 F- 음이온이 안정화되고, 이로 인해 생성물의 Gibbs 자유에너지가 반응물보다 상대적으로 낮아지는 것을 확인하였다. 그리고 언급한 포집 성질에 의해 전이 상태의 에너지도 낮아질 것임을 유추할 수 있었다. 이는 calix[4]pyrrole 유도체가 SN2 반응의 초분자 촉매로서 사용 가능성에 대한 단서를 제공한다.

DNA의 수명이 길고 생체에서 활용가능한 특성으로 인해 나노 입자와 DNA의 응축은 나노, 바이오 기술 등 여러 응용 분야에서 활발히 연구되고 있다. 본 연구에서는 DNA가 응축하는 dynamics에 대해 분석하고자 한다. Brownian Dynamics 시뮬레이션을 통해 coarse-grained 모델로 만든 DNA 사슬과 양전하를 띤 나노 입자들이 결합하는 과정을 관찰하여 DNA 응축 dynamics를 확인하였다. 먼저 DNA에 결합된 단일 나노 입자의 mean squared displacement, jump probability distribution 계산을 통해 DNA 위에서 나노 입자의 무작위적으로 움직이는 특성을 알아보았다. 주 결과로 나노 입자의 농도를 다르게 설정하며 관찰한 DNA 응축 과정은 클러스터 개념을 도입하여 분석하였다. 나노 입자의 결합 메커니즘을 (1) 이미 나노 입자가 붙어 있는 DNA 단위체에 결합하는 경우와 (2) 비어 있는 DNA에 결합하는 경우로 두 가지로 나누어 살펴 보았으며, 시간이 지남에 따라 (1)이 우세해지는 것을 볼 수 있었다. 마지막으로 이온 농도를 Debye screening 길이로 조절하여 높은 이온 농도에서는 클러스터화가 더 잘 일어나는 것을 관찰하였다.

Cells exhibit the cellular heterogeneities over their whole lives including cell divisions. It is more conspicuous in the case of cancer and this is the reason why it is hard to study cancer. Therefore, it is an issue of practical importance but remains a formidable task to observe and predict their arbitrary behaviors. Among these, we focus on the stochastic cell cycle durations among and develop a predictive model for the cancer cells based on differential equations in this work. And we compare the model to the experiments that show heterogeneous cell cycle durations in a group of cells. Our model illustrates several cell generations and each cell is represented by the two differential equations that describe the change of concentrations of CDK1 and APC, which are the main players of the cell cycle. We successfully reproduced the experimental graphs using this model and shapes of them are controllable. The method used in this work bridges individual cell’s property(two equations for each cell) and their behaviors in group, providing a systematic way of predicting the time of the dominant cell cycle phase in a cell group and might help developing anticancer agents. This approach is also noteworthy since we do not encounter cells individually, but en masse in practice.

Kohn Sham Density Functional Theory (KS-DFT) is a prevalently used method in quantum chemistry. Some failures of KS-DFT in weak-interaction systems are introduced and attempts to correct the errors are like these: (i) Density Corrected Density Functional Theory (DC-DFT), (ii) Density Functional Theory Dispersion Correction (DFT-D), and (iii) Coulomb-attenuate method (CAM). The Benzene·Ar complex and the S22 data set which contains small to relatively large (30 atoms) complexes with noncovalent interactions are calculated in this research and we show that DFT-D correction may improve DC-DFT result though it was parameterized for KS-DFT.

HSP27(Heat Shock Protein 27)은 단백질의 항상성 유지에 매우 중요한 단백질 중 하나이다. 이러한 HSP27이 변이를 일으키게 되는 경우 말초유전 운동신경병(Distal hereditary motor neuronopathies; dHMN) 및 샤르코 마리 투드병(Charcot-Marie-Tooth disease type 2; CMT2)를 유발하게 된다. 이러한 변이 HSP27로 인해 발생하는 질환의 경우, HSP27를 타겟으로 하는 저해제를 투여하면 동물실험 상에서 큰 효과를 볼 수 있음이 임상적으로 나타났다. 그러나 HSP27의 분자학적 구조에 기반한 기전 연구는 아직 이루지지 않은 상태로, 효과가 있음이 알려져 있는 화합물의 유사체들을 합성하여 임상 실험을 통해 간접적으로 그 효능을 개선하고 있다. 그러나 분자학적 단계에서 고안된 효과적인 저해제 개발이 전무하여 비용대비 성과를 얻는 것에 차질이 빚어지고 있다. 본 연구에서는 상동성 모델링을 통해 변이를 일으킨 HSP27의 ACD 구조를 예측하고, COX-2 저해제 그룹 중 저해 효과가 높은 Compound 48를 각각의 변이 HSP27의 모델에 도킹하여 단백질과 리간드 간의 결합을 예측하였다. GalaxyTBM과 GalaxyRefine을 통해 모델을 예측한 결과, 이미 밝혀진 원형 HSP27과 대조되는 도메인에서 유사한 β-sheet 및 loop를 가짐을 확인 할 수 있었다. 상동성 모델링을 통해 만든 구조를 에디슨 다킹 프로그램으로 compound 48이 어떻게 결합하는지 확인하였다. 그 결과, 대조군으로 설정된 원형 HSP27과 compound 48간의 결합에서 저해제가 Arginine 136, Serine 155과 수소 결합하는 것과는 달리 변이를 일으킨 단백질 모델들은 Valine 111과 같은 다른 아미노산과 저해제가 수소 결합하거나 Tryptophan 127과 pi-pi 결합을 하는 등 차이를 나타냈다. 이런 차이는 저해제를 디자인함에 있어서 저해제가 결합부위에 결합하는 양상이 다른 변이 HSP27에 보다 효과적으로 결합하는 저해제를 설계하는데 중요한 실마리가 될 수 있다. 따라서 이 연구를 통해, 상기 질병을 유발하는 HSP27의 저해제에 대한 설계에 있어서 도움이 되는 정보를 얻을 수 있다.

역동적 반응속도이론(theory of vibrant reaction kinetics)을 기반으로 한 화학요동법칙은 일련의 논문들을 통해 살아있는 세포 내에서의 유전자 발현 통계를 해석함에 있어 그 유용성을 보였다. 우리는 역동적 반응속도의 개념이 유전자 발현 통계 외에 다른 경우에도 적용될 수 있음을 보이기 위해서 선형 고분자의 가역적 고리화 과정을 대상으로 컴퓨터 모사실험 및 그에 대한 정량적인 해석을 수행하였다. 기존의 속도 상수 이론 또는 두 개의 연속적인 고리화 사이의 시간간격 분포함수를 기반으로 한 갱신 이론은 모사 실험으로부터 얻어진 고리화 횟수의 요동을 정량적으로 설명하는 데 실패하는 반면 역동적 반응속도이론은 모사 실험 결과를 성공적으로 설명할 수 있음을 보였다. 또한, 이 연구를 통해 고리화 횟수의 요동이 용매 특성과 관련된 단량체 간 인력의 크기 및 고리화 거리에 따라 최소 또는 최대값을 가질 수 있음을 새롭게 밝혔다.

단백질의 구조를 예측하기 위해 주로 사용되는 주형기반예측 방법의 경우, 실제 구조에 가까운 예측을 위해서 부분적인 구조 개선을 필요로 한다. 이번 연구에서는 단백질의 초기 구조에서 각 아미노산 잔기가 실제 구조와 얼마나 차이가 날지 예측하는 잔기 별 오차 예측을 목적으로 하였다. 기존에 GALAXY에서 사용되는 예측 방법에, MD로부터 얻어진 fluctuation 값들의 분포와 2차 구조를 예측한 결과가 추가 정보로 사용되었고, 오차를 예측하는 과정에 선형 결합 모델 대신 기계 학습 모델을 적용하였다. 이 과정에서 추가된 정보들과 새로 적용된 기계학습 방법들이 예측 성능을 높였다는 것을 확인할 수 있었으며, EDISON의 GalaxyQA와 비교하여 ROC/AUC 기준으로 +0.1325의 성능 향상을 얻었다.

Organic solar cells은 활성층의 종류와 개수 등에 따라 효율이 달라 진다는 것이 밝혀졌다. 하지만 어떠한 이유로 그러한 현상이 나타나는지는 아직까지 알려지지 않았다. 따라서 두가지의 binary 시스템 (P3HT, PC61BM / P3HT, PC71BM)과 한가지의 ternary 시스템 (P3HT, PC61BM, PC71BM)을 만들어 morphology가 어떻게 변하는지 관찰하고 또한 어떠한 이유로 효율의 차이가 발생하는지 알아보려고 한다.

격자 볼츠만 방법 (lattice Boltzmann method, LBM) 은 상 분리, 증발, 응축, 열 전달, 표면과 액체의 상호 작용 등 다양한 유체의 행동들을 모형화하여 연산하는 것에 특화되어 있는 시뮬레이션 방법이다. 표면 에너지 변화에 따른 접촉각의 변화와 이를 바탕으로 미끄러짐 각 등을 관찰할 수 있으며 유체를 구성하고 있는 입자의 위치와 운동을 시간에 대해 기술하는 분포 함수를 격자화 하여 계산한다. 이를 바탕으로 시간의 흐름에 따른 다양한 유체들의 행동을 모형화하여 연산할 수 있다. 본 연구에서는 원자 힘 현미경 (atomic force microscope, AFM) 의 탐침과 물에 잠긴 초발수성 시료 표면 사이에서 형성되는 공동 (cavitation) 형성을 LBM 방법으로 관측하였다. 먼저 탐침의 모양, 탐침과 기판의 표면 성질에 따른 여러 형태의 물 공동현상을 두 번째로는 탐침과 기판 사이의 거리에 따른 공동 붕괴를 예측하고자 하였다. 그 결과, 친수성 탐침의 경우 공동이 형성되지 않았으며, 소수성 탐침의 경우 기판의 성질, 기판과의 거리 등에 따라 공동이 형성되는 것을 발견할 수 있었다. 그리고 거리가 멀어짐에 따라 기존에 알고 있던 대로 공동의 크기가 줄어드는 경향을 보였다. 이를 통해 본 연구를 바탕으로 LBM 방법을 이용하여 물속 초발수 표면의 공동 형성에 관한 계산을 유의미하게 할 수 있음을 보였다.

Temperature Replica Exchange Molecular dynamics (T-REM) is one of the advancements in molecular dynamics for efficient conformational sampling. T-REM, which performs temperature changes by exchanging each replica, can not only make the better results than general MD simulation, but also provide assumptions prior to real experiments. We performed both general MD and T-REM simulations of the monomeric α-helix protein structure. With the assistance of several replica exchanges from the Parallel-tempering T-REM simulations, we were able to demonstrate the β-hairpin transformation of an artificially made protein, previously shown by the real experiment, in contrast to general MD simulations.

각종 환경 오염의 주 원인인 CO2를 제거하기 위한 방법으로 ionic liquid를 선택하였고 점도 증가로 인한 재생 과정의 문제점을 해결하기 위한 방법으로 점도와 휘발성이 낮은 유기 용매를 첨가하는 방법을 도입하였다. CO2 포집 효율은 DFT를 이용하여 계산 및 결정하였다. 선택한 ionic liquid은 [DETA][Cl]이며 organic solvents는 sulfolane, propylene, carbonate, N-methylpyrrolidone, N,N-dimethylformamide를 선택하였다. Ionic liquid, organic solvents, CO2의 complex를 시작구조로 잡아 계산 모형을 만들었고, 열역학적 에너지를 검토 및 분석하여 각 complex의 CO2 흡수능을 평가하였다.