Revolutionising Antibacterial Warfare: Machine Learning and Molecular Dynamics Unveiling Potential Gram-Negative Bacteria Inhibitors

본 연구는 기존 FDA 승인 항균제의 한계를 극복하기 위해 기계 학습과 분자 동역학을 활용하여 RND 유출 펌프 및 에리스로마이신 에스테라아제를 표적으로 하는 그람 음성균 내성 메커니즘에 대한 잠재적 억제제를 식별합니다.

핵심

프리티시 란잔 조시가 쓴 "항균 전쟁의 혁명"이라는 제목의 논문 설명을 창의적인 비유와 함께 간단한 개념으로 분해하여 제시합니다.

큰 그림: 세균 요새

세균을 요새화된 성으로 상상해 보세요. 수세기 동안 우리는 항생제라는 "무기"를 사용하여 이러한 성들을 정복하려 했습니다. 그러나 세균은 우리의 무기를 무용지물로 만드는 두 가지 주요 방어 기제를 구축했습니다:

1. 쓰레기 슬루트 (유출 펌프): 약물이 손상을 입히기 전에 성 밖으로 능동적으로 쫓아내는 기계.
2. 셔더 (효소): 약물이 공격하기 전에 무해한 작은 조각으로 잘라내는 기계.

이 논문은 특정 그람 음성 세균 (예: 대장균과 슈도모나스) 에 초점을 맞추며, 컴퓨터 과학과 화학의 혼합을 통해 이러한 기계를 마비시키는 새로운 방법을 모색합니다.

---

제 1 부: 쓰레기 슬루트 (유출 펌프) 마비하기

문제:
세균 성 내부에는 AcrAB-TolC(대장균에서) 와 MexAB-OprM(슈도모나스에서) 이라고 불리는 거대한 3 부 구성 기계가 있습니다. 이 기계를 강력한 진공이 달린 회전문으로 생각하세요.

• 작동 원리: 약물이 성 안으로 들어오면, 기계가 이를 낚아채 터널을 통해 회전시킨 후 다시 밖으로 쏘아냅니다. 이것이 바로 세균이 항생제에서 살아남는 이유입니다.
• 목표: 이 기계의 기어를 막아 회전하지 못하게 하도록 기계 내부에 완벽하게 들어맞는 "마개" (억제제) 를 찾는 것입니다.

해결책: 컴퓨터 탐정
실험실에서 수천 가지 화학 물질을 테스트하는 대신 (이는 느리고 비용이 많이 듭니다), 저자는 머신 러닝 (ML) 탐정을 사용했습니다.

1. 훈련: 컴퓨터는 53 개의 알려진 "마개" 화학 물질과 그 효과 점수 (MIC 값) 목록을 입력받아, 기계를 마비시키는 데 좋은 화학 물질의 패턴을 학습했습니다.
2. 검색: 컴퓨터는 5,043 개의 잠재적 신약 후보가 포함된 거대한 도서관을 스캔했습니다. 이는 나쁜 것들을 걸러내는 체처럼 작용했습니다.
3. 필터:
   • 필터 1 (AI 투표): 컴퓨터가 어떤 물질이 가장 잘 작동할지 예측했습니다.
   • 필터 2 (안전 점검): 화학 물질이 "리핀스키의 5 가지 규칙" (약물이 인체에 너무 크거나 독성이 없도록 보장하는 일련의 규칙) 을 준수하는지 확인했습니다.
   • 필터 3 (가상 도킹): 컴퓨터는 남은 화학 물질들을 세균 기계의 3D 모델에 가상으로 끼워 보았습니다. 맞음이 충분히 단단하지 않으면 거부되었습니다.

결과:
5,043 개의 후보 중에서 컴퓨터는 8 개의 최상위 후보를 찾았습니다.

• 비밀 재료: 8 명의 승리자들은 모두 피리도피리미돈이라는 특정 화학 코어를 공유했습니다. 이는 자물쇠에 맞는 "만능 열쇠" 모양이라고 생각하세요.
• 시뮬레이션: 저자는 이 최상위 후보들이 기계 내부에서 작동하는 200 나노초짜리 영화 (분자 역학) 를 실행했습니다.
  • 무슨 일이 일어났나요? 가장 우수한 후보인 Lig6은 쐐기처럼 행동했습니다. 기계의 "깊은 결합 주머니" 깊숙이 앉아 회전하는 것을 막는 방식으로 기계를 열거나 마비시켰습니다.
  • 주요 발견: 기계에는 "스위치 루프" (유연한 덮개) 가 있습니다. Lig6 이 내부에 앉으면 이 덮개의 움직임을 멈추어 기계를 사실상 얼려버렸습니다.

---

제 2 부: 셔더 (EreC 효소) 멈추기

문제:
일부 세균은 EreC라는 효소라는 다른 방어 기제를 가지고 있습니다.

• 작동 원리: 에리스로마이신과 같은 마크로라이드 항생제를 길고 섬세한 리본으로 상상해 보세요. EreC 효소는 가위입니다. 리본이 효소 안으로 들어오면 효소가 리본을 반으로 잘라 무용지물로 만듭니다.
• 모양: 효소는 두 가지 모양을 가집니다: 열린 상태 (음식을 기다리며 입을 크게 벌린 상태) 와 닫힌 상태 (씹기 위해 입을 꽉 물린 상태).

조사:
저자는 효소가 항생제를 어떻게 잡아서 잘라내는지 정확히 보고자 했습니다.

1. 설정: 그들은 "열린" 상태와 "닫힌" 상태의 효소 컴퓨터 모델을 가져와 에리스로마이신과 아지트로마이신이 들어갈 때 무슨 일이 일어나는지 시뮬레이션했습니다.
2. 영화 (MD 시뮬레이션): 그들은 400 나노초 동안 효소의 움직임을 관찰했습니다.

발견:

• 함정: 항생제가 "열린" 효소 안으로 들어오면, 효소는 열린 상태를 유지하지 않습니다. 유연한 "활성 루프" (입) 가 즉시 쾅 닫히며 항생제를 가두어 둡니다.
• 절단: 일단 가두어지면, 항생제는 효소의 "가위" (His-50 및 Glu-78 과 같은 촉매 잔기) 와 완벽하게 정렬됩니다. 그런 다음 효소가 항생자를 잘라냅니다.
• 증거: 컴퓨터는 효소가 닫힌 상태일 때 훨씬 더 안정적이며 항생제를 더 단단히 잡는다는 것을 보여주었습니다. "입"이 닫히는 것은 파괴 과정에서 결정적인 단계입니다.

---

연구 결과 요약

이 논문은 두 가지 주요 교훈으로 결론을 내립니다:

1. 쓰레기 슬루트 (유출 펌프) 에 대해: Lig6을 중심으로 한 8 개의 새로운 잠재적 화학 물질을 발견했는데, 매우 유망해 보입니다. 그들은 세균 펌프에 쐐기를 박아 약물을 밖으로 쫓아내는 것을 막을 수 있게 해주는 특정 모양 (피리도피리미돈) 을 가지고 있습니다.
2. 셔더 (EreC) 에 대해: 효소가 어떻게 작동하는지 정확히 확인했습니다. 항생제를 잡은 후 입을 쾅 닫고 약물을 잘라냅니다. 이는 "닫힌" 상태가 항생제에게 위험한 상태임을 확인시켜 줍니다.

이 논문이 주장하지 않는 것:

• 이 약물들이 아직 인간에게 사용 준비가 되었다고 말하지 않습니다.
• 이 약물들이 실제 환자나 동물에서 테스트되었다고 주장하지 않습니다.
• 이 약물들이 내일 감염을 치료할 것이라고 말하지 않습니다.
• 오직 컴퓨터 시뮬레이션 내에서 이러한 분자들이 세균 방어 기제를 잠재적으로 마비시킬 수 있는 올바른 행동을 보인다고만 단호하게 주장합니다.

저자는 향후 연구가 실제 실험실에 도달하기 전에 이러한 발견을 정교화하기 위해 더 똑똑한 AI(딥 러닝) 와 더 정교한 시뮬레이션 (QM/MM) 을 사용할 수 있다고 제안합니다.

기술 요약

기술 요약: 항균 전쟁의 혁신: 머신러닝과 분자 동역학이 밝혀낸 그람 음성균 억제제 가능성

문제 제기
그람 음성균은 주요 항생제 계열 ( $\beta$-락탐, 플루오로퀴놀론, 마크로라이드 등) 에 대해 다제내성 (MDR) 을 발달시킬 수 있는 능력으로 인해 인간 문명에 심각한 위협이 되고 있습니다. 이러한 내성을 주도하는 주요 메커니즘은 삼분체 유출 펌프 (특히 E. coli의 AcrAB-TolC 및 P. aeruginosa의 MexAB-OprM 에 속하는 RND 계열 펌프) 의 과발현과 에스테라아제 (에리스로마이신과 아지스로마이신 같은 마크로라이드를 분해하는 EreC 등) 에 의한 항생제의 효소적 분해입니다. 유출 펌프 억제제 (EPI) 와 에스테라아제 저항성 약물이 제안되었으나, 독성과 부작용으로 인해 FDA 승인을 받은 사례는 없습니다. 핵심 과제는 전통적인 신약 개발의 시간 소모적인 '시행착오' 없이 이러한 내성 메커니즘을 효과적으로 차단할 수 있는 새로운 비독성 억제제를 식별하는 것입니다.

방법론
본 연구는 억제제 예측을 위한 머신러닝 (ML) 과 메커니즘 검증을 위한 분자 동역학 (MD) 시뮬레이션을 결합한 이중 접근법을 활용합니다.

• 1 부: 유출 펌프 억제제 (AcrB 및 MexB) 예측

  • 데이터 구축: 문헌에서 최소 억제 농도 (MIC) 값과 함께 53 개의 유효한 EPI 로 구성된 알려진 데이터셋을 수집했습니다. 5 개의 선택된 약리단과 13 개의 분자 단편을 결합하여 5,043 개의 분자로 구성된 알려지지 않은 데이터셋을 생성했습니다.
  • 기술자 계산: BIOVIA Discovery Studios 를 사용하여 200 개 이상의 분자 기술자 (물리화학적, ADMET, TOPKAT 속성 포함) 를 계산했습니다. 또한 알려진 억제제를 AcrB (PDB: 4DX5) 와 MexB (PDB: 3W9J) 의 심부 결합 주머니 (DBP) 에 도킹한 점수도 계산했습니다.
  • 머신러닝 파이프라인: 데이터를 전처리하고 로지스틱 회귀, SVM, 랜덤 포레스트, AdaBoost, XGBoost, LightGBM 을 포함한 10 개의 분류 모델을 훈련시켜 분자를 "매우 강력한" (MIC < 512 $\mu$g/mL) 또는 "덜 강력한" 것으로 분류했습니다. 비지도 학습 (K-Means, GMM) 은 클러스터링을 검증하는 데 사용되었습니다.
  • 필터링 및 선정: 최상위 성능 모델을 알려지지 않은 데이터셋에 적용했습니다. 히트 (Hit) 는 다음 기준으로 필터링되었습니다: (1) 합의 예측 (LightGBM 과 최소 두 개 이상의 다른 모델에서 목표 값 "1"), (2) 립킨스 5 규칙, (3) 도킹 점수 ($\le$ -10.5 kcal/mol).
  • MD 시뮬레이션: 상위 8 개 후보는 유출 펌프 내의 구조적 안정성, 결합 자유 에너지 (MMPBSA), 상호작용을 분석하기 위해 200 ns 의 고전적 MD 시뮬레이션 (AMBER 18 사용) 을 거쳤습니다.

• 2 부: EreC 에 의한 마크로라이드 분해 메커니즘

  • 시스템 설정: EreC 의 두 가지 결정 구조 (열린 상태: 6XCS; 닫힌 상태: 6XCQ) 를 에리스로마이신과 아지스로마이신과 함께 시뮬레이션했습니다.
  • 시뮬레이션: 두 가지 conformations 의 아포 (apo) 상태와 리간드 결합 상태에 대해 400 ns 의 고전적 MD 시뮬레이션을 수행했습니다.
  • 분석: RMSD, 회전 반경 (RoG), RMSF 를 통해 구조적 변화를 분석했습니다. 리간드 결합 시 열린 상태 대 닫힌 상태의 안정성을 평가하기 위해 QM/MM-GBSA 방법 (PM3 준경험적 QM 해밀토니안 사용) 을 사용하여 결합 친화도를 추정했습니다.

주요 결과

• 머신러닝 성능: 테스트된 10 개 모델 중 LightGBM이 91% 의 정확도와 0.88 의 AUC 로 랜덤 포레스트, AdaBoost, SVM 을 능가하며 우수한 성능을 보였습니다. 특징 중요도 분석은 구조적 및 약동학 매개변수 (예: Shadow_Xlength, N_Count) 가 효능에 결정적임을 강조했습니다.
• 억제제 예측: 초기 5,043 개의 분자 중 필터링 파이프라인은 8 개의 최상위 후보를 식별했습니다. 이 8 개는 모두 고농도 유출 펌프 억제와 감소된 혈장 단백질 결합으로 알려진 피리도피리미돈 코어 모이어티를 공유했습니다.
• 유출 펌프에 대한 MD 분석:
  • **리간드 6 (Mol. 3488)**이 AcrB ($\Delta G \approx -43.58$ kcal/mol) 와 MexB ($\Delta G \approx -43.52$ kcal/mol) 에 대해 높은 결합 친화도를 보여 가장 유망한 후보로 떠올랐습니다.
  • 리간드 6 은 DBP 내에서 V 자형 배향을 취하며 페닐알라닌 잔기 (PHE136, PHE178, PHE610 등) 와 광범위한 $\pi$-$\pi$ 및 알킬-$\pi$ 상호작용을 했습니다.
  • MD 시뮬레이션은 리간드 결합이 AcrB 에서 "주머니 확장" 효과를 유도하고 "스위치 루프"의 유연성을 제한하여 펌프의 기능적 회전 (L-T-O 사이클) 을 잠재적으로 정지시킬 수 있음을 시사했습니다.
• EreC 에 대한 MD 분석:
  • 시뮬레이션은 마크로라이드 결합이 열린 상태에서 닫힌 상태로의 구조적 변화를 유도함을 확인했습니다. RMSD 와 RoG 분석은 리간드 결합 열린 시스템이 아포 형태와 크게 벗어나는 반면, 닫힌 시스템은 안정적으로 유지됨을 보여주었습니다.
  • QM/GBSA 결과는 열린 형태에 비해 닫힌 conformation 에서 현저히 높은 결합 친화도 (예: 아지스로마이신: -33.86 kcal/mol) 를 밝혀내어 "유도 적합" 메커니즘을 검증했습니다.
  • 수소 결합 분석은 마크로라이드 산소와 촉매 잔기 Arg-261 사이의 상호작용을 확인하여 His-50, Glu-78, His-289 를 포함하는 제안된 촉매 메커니즘을 지지했습니다.

의의 및 주장
본 논문은 RND 유출 펌프와 에리스로마이신 에스테라아제에 의해 매개되는 약물 내성 메커니즘에 대한 귀중한 통찰력을 제공한다고 주장합니다. ML 과 MD 를 통합함으로써 본 연구는 결합에 중요한 피리도피리미돈과 벤조티아졸 모이어티를 가진 새로운 EPI 후보 (특히 Lig6, Lig2, Lig3) 를 성공적으로 예측했습니다. 이 연구는 이러한 분자가 AcrB 와 MexB 의 기능적 회전 메커니즘을 방해할 수 있음을 시사합니다. 또한, 마크로라이드 결합 시 EreC 의 열린 상태에서 닫힌 상태로의 구조적 전환을 검증하여 효소적 분해에서 특정 촉매 잔기의 역할을 강화했습니다. 저자들은 이러한 발견이 그람 음성균을 위한 EPI 의 in-silico 및 in-vitro 약리단 기반 모델링의 기초를 제공한다고 결론지었으나, 향후 반복을 위한 추가 실험적 검증과 더 발전된 딥러닝 방법의 필요성을 인정했습니다.