Conditioned Generative Modeling of Molecular Glues: A Realistic AI Approach for Synthesizable Drug-like Molecules

기술 요약: Aβ42 분해를 위한 조건부 생성 모델링 기반 분자 글루(Molecular Glues)

문제 정의
알츠하이머병(AD)은 세포 내 아밀로이드 베타-42(Aβ42)의 병리적 축적에 의해 유발되며, 이는 시냅스 기능 장애와 신경 퇴행을 일으킨다. 세포 외 플라크는 잘 규명되어 있는 반면, 세포 내 Aβ42는 초기 독성 동인임에도 불구하고 타겟팅하기가 매우 어렵다. 시크리테이스(secretase) 억제제나 면역 요법과 같은 기존 치료 전략은 오프 타겟 독성, 혈뇌장벽(BBB) 투과 문제, 특이성 부족 등의 상당한 난관에 봉착해 있다. 유비퀴틴-프로테아좀 시스템(UPS)은 세포 내 응집체를 분해하는 기전을 제공하지만, Aβ42의 응집 성향은 UPS의 자연스러운 인식을 방해한다. 분자 글루(molecular glues)—E3 리가아제와 표적 단백질 사이의 상호작용을 유도하는 소분자—는 작은 크기와 잠재적인 BBB 투과성 덕분에 유망한 해결책을 제시한다. 그러나 전통적인 발견 방식은 느리고 자원 집약적이며, 기존의 AI 생성 모델은 화학적 유효성, 구조적 일관성, 그리고 특정 단백질 표적에 따라 생성을 조건화하는 능력에서 어려움을 겪는 경우가 많다.

방법론
본 연구는 구조 기반 모델링, ADMET 스크리닝, 그리고 새로운 딥러닝 프레임워크를 결합한 통합 계산 파이프라인을 채택한다:

1. 구조 준비 및 사이트 식별:

   • Aβ42 구조는 cryo-EM 데이터(PDB: 7Q4B)로부터 도출되었다. Schrödinger의 SiteMap을 사용하여, 매몰되거나 입체적으로 방해받는 영역을 피하면서 삼원 복합체(ternary complex) 형성이 가능한 데려 가능한 바이able한 용매 접근성 결합 포켓을 피브릴 표면에서 식별하였다.
   • 세 가지 E3 리가아제인 VHL, CRBN, MDM2를 구조적 특성과 이전의 성공 사례를 바탕으로 선정하였다. 이들의 결정 구조는 도킹을 위해 준비되었다.

2. 가상 스크리닝 및 삼원 복합체 검증:

   • Vitas 및 ChEMBL의 화합물 라이브러리를 ADMET 기준(Lipinski의 Rule of Five, Veber의 규칙, hERG 독성 등)으로 필터링하여 65,998개의 약물 유사 분자를 보유하였다.
   • 분자 글루가 포함된 삼원 복합체(Aβ42 + E3 리가아제 + 분자 글루) 형성을 평가하기 위해 분자 도킹을 수행하였다. 상위 후보 물질들은 삼원 조립의 안정성을 평가하기 위해 OPLS4 포스 필드를 사용한 100 ns 전원자(all-atom) 분자 역학(MD) 시뮬레이션에 투입되었다. 결과는 지속적인 수소 결합 네트워크를 가진 안정적인 삼원 조립을 나타냈다.

3. 리가아스 조건부 정션 트리 VAE (LC-JT-VAE) 개발:

   • 아키텍처: 저자들은 단백질 컨텍스트의 부재와 3D 형태 데이터의 부재라는 두 가지 한계를 해결하기 위해 표준 Junction Tree Variational Autoencoder(JT-VAE)를 확장하였다.
   • 토션 통합: 분자 그래프 표현은 회전 가능한 결합에 대한 비틀림(dihedral) 각도를 RDKit을 통해 명시적으로 포함함으로써 형태적 유연성을 포착하도록 강화되었다.
   • 단백질 조건화: CRBN, VHL, MDM2의 결합 사이트 아미노산 서열을 ProtBERT(트랜스포머 모델)를 사용하여 인코딩하고 BiLSTM 네트워크를 통해 정제하였다. 이 임베딩들은 연결(concatenation) 및 교차 주의(cross-attention) 메커니즘을 통해 분자 잠재 공간(latent space)과 융합되었다.
   • 훈련: 모델은 필터링 및 도킹 우선순위가 지정된 데이터셋을 사용하여 2000 에포크 동안 β-VAE 손실 함수를 통해 훈련되었으며, 재구성 정확도(토폴로지, 워드, 스테레오케미스트리)와 잠재 공간 연속성을 최적화하였다.

주요 결과

• 데이터셋 특성: 65,998개의 훈련 화합물은 각 리가아제에 대한 도킹 친화도(High, Low, No)에 따라 계층화되었다. 고친화도 결합체는 뚜렷한 구조적 모티프(예: VHL을 위한 치환된 방향족, MDM2를 위한 비페닐)와 특정 ADMET 프로파일(분자량 300–500 Da, 중간 정도의 친유성)을 보였다.
• 모델 성능: LC-JT-VAE는 높은 화학적 유효성(모든 리가아제에 대해 >96%)을 가진 분자를 생성하였다.
  • VML 모델: 유효성 96.30%, 고유성 85.19%, 신규성 81.48%.
  • CRBN 모델: 유효성 100%, 고유성 82%, 신규성 80%.
  • MDM2 모델: 유효성 97.87%, 고유성 97.87%, 신규성 93.62%.
• 화학적 다양성 및 특이성: t-SNE 시각화는 생성된 분자들이 약물 유사 속성의 범위 내에 머물면서도 화학적 공간의 서로 다른 영역을 점유함을 확인시켜 주었다. 교차 도킹 분석은 강력한 표적 선택성을 입증했다. 특정 리가아제를 위해 설계된 화합물은 의도된 표적에 대해 오프 타겟 리가아제보다 현저히 나은 도킹 점수를 보였다(예: VHL 특이적 화합물은 VHL에 대해 평균 -5.84 kcal/mol인 반면, 다른 리가아제에 대해서는 ~-4.1 kcal/mol이었다).
• 형태적 현실성: 독립적으로 생성된 컨포머 간의 RMSD 분석은 무시할 만한 편차(0 Å 근처)를 보여, 토션 각도의 포함이 구조적으로 안정적이고 낮은 에너지의 3D 기하학적 구조를 성공적으로 생성했음을 검증하였다.
• 구조적 통찰: 생성된 화합물은 VHL을 위한 에스테르/아마이드 기능기, MDM2를 위한 다환 방향족 시스템, CRBN을 위한 탈리도마이드 영감 모티프와 같은 리가아제 특이적 파마코포어를 나타냈다.

의의 및 주장
본 논문은 신경 퇴행성 질환 표적에 맞춤화된 약물 유사 분자 글루를 합성하기 위한 현실적인 AI 접근법을 제시한다고 주장한다. 주요 기여는 그래프 기반 생성 모델에 단백질 서열 임베딩과 토션 각도 특징을 성공적으로 통합한 LC-JT-VAE 프레임워크이다. 이러한 통합은 생성된 분자가 화학적으로 유효하고 새로우며, 동시에 서로 다른 E3 리가아제의 결합 환경에 특이적으로 최적화될 수 있도록 한다.

저자들은 이 접근 방식이 특히 세포 내 Aβ42의 분해를 위한 UPS 타겟 치료제 설계를 위한 유망한 프레임워크를 제공한다고 단언한다. 안정적인 삼원 복합체를 인 실리코(in silico)로 생성하고 높은 표적 선택성을 가진 분자를 만들어냄으로써, 본 연구는 이 통합 파이프라인을 알츠하이머병의 조기 개입을 위한 실행 가능한 전략이자, 다른 "공략 불가능한(undruggable)" 응집성 단백질을 타겟팅하기 위한 일반화 가능한 방법으로 자리매김한다. 본 연구는 시퀀스 기반 모델을 넘어 그래프 기반, 형태 인식 및 단백질 조건부 모델로 나아가는 것이 복잡한 신경 퇴행성 맥락에서의 AI 기반 신약 개발을 진전시키는 데 필수적임을 강조한다.