NAUT가 알츠하이머와 같은 치명적인 질병을 단일 프롬프트로 치료할 수 있는 경로에 있다는 이유

저는 $NAUT가 오늘날 수십억 달러의 가치가 있으며, 2027년~2028년까지 단 하나의 프롬프트만으로 알츠하이머와 같은 치명적인 질병을 치료하는 길 위에 놓여 있는 이유를 믿습니다.

획기적인 점은 더 나은 단백질 측정법이 아닙니다.

인간 생물학의 상태 기계(state machine)를 읽는 것입니다.

Nautilus의 tau 논문에서 그들은 인산화(phosphorylation)가 무작위적이지 않다는 것을 발견했습니다.

pT181은 pT217이 동일한 온전한 tau 분자에서 나타날 확률을 약 8배 높입니다.

이것이 중요한 이유는 PO4 그룹을 추가하는 것이 tau의 전하 분포를 변화시키고, 이는 tau의 구조(conformation)를 변화시키며, 궁극적으로 tau가 미세소관(microtubules)에 결합하는 방식을 변화시키기 때문입니다.

미세소관은 뉴런이 거대한 거리를 이동하며 미토콘드리아, 소포체(vesicles), 단백질을 운반하는 레일 역할을 합니다.

tau는 이 레일을 안정화하는 데 도움을 줍니다.

tau의 분자 구성을 충분히 변화시키면:

tau가 떨어져 나가고 → 미세소관이 불안정해지고 → 수송이 중단되며 → 뉴런이 퇴행합니다.

따라서 알츠하이머는 단순히 '과도하게 인산화된 tau'가 아닐 수 있습니다.

특정 분자 상태를 거치는 진행 과정일 수 있습니다:

tau A → pT181 → pT217 → 추가적인 PTMs(Post-Translational Modifications) → 병리학적 단백질 형태(pathological proteoform)

그리고 지금까지 우리는 이 조합적인 계층을 깨끗하게 읽어낼 수 없었습니다.

질량 분석법(Mass spectrometry)은 질량과 전하를 매우 잘 측정하지만, 두 개의 온전한 tau 분자는 같은 위치에 동일한 인산화 그룹을 가지고 있어도 같은 질량을 가질 수 있습니다.

같은 원자.
같은 질량.
매우 다른 생물학적 행동.

파편화(Fragmentation)가 도움이 될 수는 있지만, 수백만 개의 온전한 분자의 정확한 PTM 구성을 재구성하는 것은 어려워집니다.

대신 Nautilus는 다양한 프로브를 사용하여 동일한 온전한 단백질을 반복적으로 조사합니다.

그들의 tau 분석법은 현재 아이소폼(isoform)에 7개의 인산화 부위를 읽어내 수백 가지의 잠재적인 분자 상태를 생성하며, 산업 표준 벤치마크로 관리 측에서 언급한 약 25% 대비 종단 간 변동 계수(end to end CV)는 약 5.5%를 보고합니다.

그리고 여기서부터가 놀랍습니다.

생물학은 이론적으로 가능한 모든 상태를 차지하는 것 같지 않습니다.

assay가 분해할 수 있는 768개의 tau 단백질 형태(proteoforms) 중, 이들은 모든 샘플에서 130개만을 관찰했으며, 개별 생물학적 시스템 내에서는 훨씬 적었습니다.

이는 실제 상태 공간(state space)이 매우 제약적일 수 있음을 의미합니다.

이제 충분한 종단 데이터(longitudinal data)를 수집하십시오:

초기 단백질체 상태(initial proteomic state) + 치료 → 최종 단백질체 상태(final proteomic state)

이것을 수백만 명의 환자와 개입에 걸쳐 수행하면, AI는 단순히 기술적인 것을 넘어섭니다. 예측적(predictive)이 됩니다.

분자 상태 X가 주어졌을 때, 어떤 개입이 시스템을 건강한 상태 Y로 이동시킬까요?

이는 본질적으로 생물학적 키-잠금장치 검색 문제(biological key:lock search problem)입니다.

tau만 놓고 보더라도, 이는 tau가 신경 미세소관 시스템(neuronal microtubule system)을 포기하고 손상시키는 단백질 형태 궤적(proteoform trajectory)을 막는 개입을 찾는 것을 의미할 수 있습니다.

하지만 tau는 단지 하나의 수직적인 assay일 뿐입니다.

alpha synuclein을 추가하십시오.
아밀로이드 베타(Amyloid beta).
암 단백질(Cancer proteins).
면역 단백질(Immune proteins).
대사 단백질(Metabolic proteins).

수천 가지가 더 있습니다.

결국에는:

genome + 단백질 형태 상태 + 치료 이력 → 전신 분자 상태 전환 모델(full body molecular state transition model)

인간 생물학의 진정한 디지털 트윈(digital twin)입니다.

궁극적인 목표는 단순히 질병을 더 일찍 감지하는 것이 아닙니다. 그것은 다음과 같은 질문을 던지는 것입니다:

이 사람의 현재 분자 상태가 주어졌을 때, 어떤 개입이 그들을 건강한 상태로 되돌릴까요?

그리고 수십억 개의 측정된 생물학적 전환(biological transitions)으로 훈련된 AI가 그 답을 내놓는 것입니다.

그것이 제가 $NAUT가 단지 단백질체 분석기보다 훨씬 큰 무언가를 구축하고 있다고 생각하는 이유입니다. 그것은 AI가 인간의 생물학을 어떻게 조종할지 학습하는 데 필요한 데이터 계층(data layer)을 구축하고 있습니다.[image: https://pbs.twimg.com/media/HT3KkfnXEAAp5Lj.jpg