🧬 biology

Disentangling multispecific antibody function with graph neural networks

이 논문은 합성 기능적 지형(functional landscapes)을 생성하기 위한 생성적 방법과 위상 인식 그래프 신경망을 결합한 계산 프레큼워크를 도입하여, 데이터 부족 문제를 극복하고 다중 특이성 항체의 효능을 예측함으로써 삼중 특이성 T세포 인게이저와 같은 복잡한 치료 설계의 합리적 최적화를 가능하게 한다.

원저자: Joshua Southern, Changpeng Lu, Santrupti Nerli, Samuel D. Stanton, Andrew M. Watkins, Franziska Seeger, Frédéric A. Dreyer

게시일 2026-02-02

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Joshua Southern, Changpeng Lu, Santrupti Nerli, Samuel D. Stanton, Andrew M. Watkins, Franziska Seeger, Frédéric A. Dreyer

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

당신이 완벽한 요리를 만들기 위해 노력하는 마스터 셰프라고 상상해 보세요. 의학의 세계에서 이러한 "요리"는 **다중특이성 항체(multispecific antibodies)**입니다. 이는 암과 같은 질병과 싸우기 위해 신체의 여러 표적을 동시에 붙잡도록 설계된 복잡한 분자입니다.

문제는 이 분자들이 믿기 힘들 정도로 까다롭다는 점입니다. 단순히 어떤 재료(단백질 부분)를 사용하는지가 중요한 것이 아니라, 그 재료들을 접시 위에 어떻게 배치하느냐가 중요합니다. 만약 재료 두 가지의 위치를 바꾼다면, 그 요리는 맛있는 치료제에서 치명적인 독극물로 변할 수도 있습니다. 사용된 재료 자체는 정확히 같더라도 말이죠.

이 논문이 이 문제를 어떻게 해결했는지, 쉽게 설명해 드리겠습니다:

1. 문제점: "레시피" vs "플레이팅"

이런 약물을 설계하는 기존의 컴퓨터 모델은 재료 목록만 보는 셰프와 같습니다. 그들은 재료(단백질 서열)는 알고 있지만, 플레이팅(3D 구조와 각 부분이 어떻게 연결되는지)은 이해하지 못합니다.

실제로 중요한 것은 "플레이팅"입니다. 예를 들어, 특정 유형의 암 치료제의 경우, 분자의 한 부분을 중심부에서 아주 조금만 더 가깝게 옮기면 건강한 간 세포를 죽이는 것을 막을 수 있습니다. 하지만 반대로 아주 조금만 더 멀리 떨어뜨리면 완벽하게 작동하게 됩니다. 단순한 재료 목록만으로는 이 두 가지 배치의 차이를 구별할 수 없습니다.

2. 해결책: "가상 주방" (Synapse) 구축

실제 실험을 수백만 번 수행하는 것은 비용이 많이 들고, 느리며, 위험하기 때문에 연구진은 Synapse라고 불리는 가상 주방을 만들었습니다.

작동 원리: 실제 실험실 결과를 기다리는 대신, 수학을 사용하여 수백만 가지의 가능한 항체 "요리"를 시뮬레이션했습니다.
반전: 이 주방은 부품 사이의 연결이 중요하다는 것을 이해하도록 프로그래밍되었습니다. 그들은 컴퓨터가 형태에 따라 결과가 어떻게 변하는지 정확히 알 수 있는 "그라운드 트루스(ground truth)"를 만들었습니다. 이는 마치 케이크의 층을 어떻게 쌓느냐에 따라 케이크의 맛이 어떻게 변할지를 정확히 아는 시뮬레이터를 가진 것과 같습니다. 단순히 밀가루를 얼마나 썼는지만 따지는 것이 아닙니다.

3. 새로운 도구: 단백질을 위한 "사회 관계망" (그래프 신경망, GNN)

연구진은 **그래프 신경망(GNN)**이라 불리는 새로운 유형의 AI를 훈련시켰습니다.

기존 방식 (MLP): 친구 그룹을 이해하려고 할 때 단순히 이름만 나열하는 것과 같습니다. 그룹에 누가 있는지는 알지만, 누가 누구와 친구인지는 모르는 상태입니다. 이것이 기존 AI가 항체를 다루던 방식입니다.
새로운 방식 (GNN): 이 새로운 AI는 항체를 하나의 사회 관계망 지도처럼 바라봅니다. 단순히 이름(단백질 부분)만 보는 것이 아니라, 그들을 연결하는 **선(구조)**을 봅니다. "A라는 사람이 B 옆에 앉아 있다"는 사실을 이해하며, 이것이 그들의 상호작용을 어떻게 바꾸는지 파악합니다.

4. 결과: 보이지 않는 것을 보다

연구팀은 이 새로운 AI를 기존의 "목록 기반" AI와 비교 테스트했습니다.

단순한 형태: 단순한 분자(단일 재료)의 경우, 두 AI 모두 잘 작동했습니다.
복잡한 형태: 3개 또는 4개의 재료가 들어간 복잡한 다중 부품 분자로 넘어가자, 기존 AI는 혼란에 빠져 실패했습니다. 기존 AI는 연결 관계를 무시했기 때문에 안전한 배치와 독성이 있는 배치를 구별하지 못했습니다.
승자: 새로운 "사회 관계망" AI(GNN)는 매번 정답을 맞혔습니다. 이 AI는 배치가 결과를 결정한다는 것을 학습했습니다.

5. 논문에서의 실제 적용

논문은 이 기술이 어떻게 도움이 되는지 두 가지 구체적인 사례를 보여줍니다.

"안전" vs "독성" 스위치: 매우 정밀함이 요구되는 암 치료제를 시뮬레이션했습니다. AI는 특정 배치는 "안전"(암세포는 죽이지만 건강한 조직은 보호함)한 반면, 거의 동일한 다른 배치는 "독성"(심각한 부작용 유발)을 가진다는 것을 성공적으로 식별했습니다. AI는 구조를 단순히 재료로 보지 않고 기하학적 구조로 보았기에 그 차이를 알 수 있었습니다.
완벽한 "범용 어댑터" 찾기: 이러한 복잡한 약물에서는 제조를 용이하게 하기 위해 "공통 경쇄(common light chain, 공유 연결 부품)"가 필요한 경우가 많습니다. AI는 수천 개의 옵션을 훑어보며 전체 복잡한 구조에 가장 적합한 커넥터를 골라냈고, 이를 통해 시간과 비용을 절감했습니다.

핵심 요약

이 논문은 아직 암을 정복했다고 주장하는 것이 아닙니다. 대신, 과학자들이 이러한 복잡한 약물을 더 빠르게 설계할 수 있도록 돕는 강력한 새로운 청사진과 스마트한 도구를 구축했다는 뜻입니다.

이것은 집을 설계할 때 단순히 벽돌 목록만 작성하는 것에서 벗어나, 벽과 보, 그리고 지붕이 어떻게 연결되는지 이해하는 3D 청사진을 사용하는 것으로 진화한 것입니다. 이를 통해 엔지니어들은 실제 벽돌을 한 장도 쌓기 전에, 그 집이 제대로 서 있을지(약물로서 작동할지) 아니면 무너질지(독성이 있을지)를 예측할 수 있게 됩니다.

기술 요약: 그래프 신경망을 이용한 다중 특이성 항체 기능의 분리(Disentangling)

문제 정의
다중 특이성 항체(multispecific antibodies, msAbs)는 여러 에피토프를 동시에 결합함으로써 혁신적인 치료 잠재력을 제공하지만, 도메인 토폴로지의 미세한 변화가 기능적 결과에 미치는 영향을 예측하기 어려워 합리적인 설계에 제약이 따릅니다. 전통적인 단클론 항체와 달리, msAb의 효능은 복잡한 분자 구조에 의해 결정되는 창발적 속성입니다. 여기서 결합 가치(valency) 및 기하학적 배치의 변화는 효력, 특이성, 그리고 안전성(예: 사이토카인 방출 증후군)을 급격히 변화시킬 수 있습니다. 현재의 계산적 접근 방식은 두 가지 주요 병목 현상에 직면해 있습니다:

데이터 부족: 다양한 msAb 포맷에 대한 포괄적인 실험적 기능 데이터는 희귀하고 생성 비용이 많이 들며, 부모 항체의 결합 친화도 데이터와 상관관계를 형성하지 못하는 경우가 많습니다.
모델의 한계: 전통적인 서열 기반 머신러닝 모델은 항체를 선형 문자열이나 순서가 없는 집합으로 취급하여, 다중 특이성 기능을 정의하는 비국소적(non-local) 3D 상호작용 및 토폴로지적 제약(예: 입체적 차폐, avidity gating)을 포착하지 못합니다. 결과적으로, 이러한 모델은 동일한 가변 도메인을 포함하면서도 서로 다른 기하학적 구조로 배열된 분자 포맷 간의 차이를 구별할 수 없습니다.

방법론
이러한 과제를 해결하기 위해 저자들은 합성 데이터 생성 파이프라인과 토폴로지 인지 학습 아키텍처로 구성된 이중 계산 프레임워크를 도입했습니다.

Synapse (항체 단백질 구조 요소의 합성 네트워크):
- 생성 프레임워크: 저자들은 대규모의 현실적인 합성 기능 지형(functional landscapes)을 생성하기 위해 Synapse를 개발했습니다. 이 프레임워크는 항체를 노드(결합 도메인)와 엣지(물리적 연결성)로 표현하는 그래프로 모델링하여 임의의 항체 포맷에 대한 그라운드 트루스(ground-truth) 데이터를 시뮬레이션합니다.
- 고유 적합도(Intrinsic Fitness): 생물물리학적 타당성을 보장하기 위해 Observed Antibody Space(OAS)에서 유도된 위치 특이적 점수 행렬(PSSM)로부터 도메인 서열을 샘플링합니다. 고유 적합도 점수는 "gapped motifs"를 기반으로 비선형적 에피스타시스(epistatic) 상호작용을 모델링하는 Ehrlich 함수의 확장을 사용하여 할당됩니다.
- 글로벌 판독(Global Readout): 연결성에 의존적인 판독 함수는 전역적인 생물학적 활성을 계산합니다. 이 함수는 가산적(additive) 모델과 달리, 한 도메인의 기여도가 이웃(예: 1-hop 및 2-hop 상호작용)에 의해 어떻게 화학적 및 입체적으로 영향을 받는지(예: 입체적 차폐 및 avidity)를 명시적으로 모델링합니다.
그래프 신경망(GNN) 아키텍처:
- 모델 설계: 저자들은 기능적 특성을 예측하기 위해 그래프 동형 네트워크(Graph Isomorphism Network, GIN)를 제안합니다. 모델은 항체를 $G=(V, E)$ 인 그래프로 인코딩하며, 여기서 노드 특징은 아미노산 서열에서 유도되고 엣지 정보는 인접 행렬(adjacency matrix)을 통해 캡처됩니다.
- 메커니즘: 메시 전달(message-passing) 패러다임을 사용하는 GNN은 국소 이웃을 따라 노드 특징을 재귀적으로 집계합니다. 이를 통해 모델은 서열 전용 모델이 해결할 수 없는 가변 도메인의 Fc 코어로부터의 거리 또는 상대적 위치(근위 vs 원위)와 같은 토폴로지적 맥락을 인코딩할 수 있습니다.
- 베이스라인 비교: GNN은 분자를 도메인의 순서 없는 집합으로 취급하는 다층 퍼셉트론(MLP) 및 토폴로지를 원-핫 인코딩된 벡터로 받는 포맷 조건부 MLP와 벤치마크 성능을 비교합니다.

주요 결과

스케일링 및 토폴로지 민감도:
- 단일 특이성 및 이중 특이성 포맷에서는 GNN과 MLP가 유사한 성능을 보였습니다. 이는 단일 가능한 구성 덕분에 MLP가 함수를 근사할 수 있기 때문입니다.
- 삼중, 사중, 오중 특이성 포맷의 경우 상당한 성능 격차가 나타났습니다. MLP의 성능은 동일한 도메인을 다른 방식으로 배열된 포맷을 구별하지 못함에 따라 정체되었습니다. 반면, 인접 행렬을 명시적으로 인코딩하는 GNN은 데이터 크기가 증가함에 따라 일관된 성능 향상을 달eric하며 구조적 차이를 성공적으로 해결했습니다.
토폴로지 의존적 최적화 (삼중 특이성 TCEs):
- 이 프레임워크는 CD3, Ly6E, B7-H4를 표적하는 삼중 특이성 T세포 인게이저(TCE) 사례 연구에 적용되었습니다. 그라운드 트루스 함수는 B7-H4에 대한 높은 결합 친화도가 효능을 유도하지만, Fc 코어에 대해 원위(distal)에 위치할 경우 독성을 유발하는 시나리오를 정식화했습니다.
- GNN은 "안전한"(근위) 구성과 "독성이 있는"(원위) 구성을 성공적으로 구분하였으며, 이는 모델이 단순히 서열-친화도 상관관계가 아닌 기하학 의존적 규칙을 학습함을 입증합니다.
전이 학습 및 데이터 효율성:
- 본 연구는 대규모의 단순 단일 도메인 친화도 데이터셋에서 GNN을 사전 학습시키는 것이 제한된 다중 특이성 데이터로 미세 조정(fine-tuning)될 때 복잡한 기하학 의존적 작업에 대한 예측 정확도를 크게 향ًا시킨다는 것을 보여주었습니다. 이 접근 방식은 고처리량 결합 스크리닝과 저처리량 기능 분석 사이의 간극을 효과적으로 메웁니다.
공통 경쇄(Common Light Chain, CLC) 검색:
- 모델은 75,000개의 후보가 포함된 조합 라이브러리에서 최적의 공통 경쇄를 식별하는 데 활용되었습니다. 미세 조정된 GIN은 토폴로지 의존적 효능을 극대화하는 CLC를 효과적으로 순위화하였으며, 이는 철저한 실험적 검증 없이도 이론적 그라운드 트루스를 밀접하게 추적했습니다. 이는 모델이 오결합(mispaired) 부산물을 최소화하는 것과 같은 개발 가능성 제약 조건을 최적화할 수 있는 능력을 보여줍니다.

의의 및 주장
저자들은 이 연구가 다중 특이성의 조합적 복잡성을 분리하기 위한 견고한 벤치마킹 환경을 제공한다고 주장합니다. 토폴로지 인지 계산 프레임워크를 구축함으로써, 본 연구는 다음을 입증했습니다:

명시적 토폴로지 인코딩의 필요성: 서열 조성만으로는 msAb 기능을 예측하기에 불충분하며, 모델은 더 높은 차원의 구조체로 일반화하기 위해 분자 연결성을 명시적으로 인코딩해야 합니다.
합성 랜드필(Synthetic Landfills)을 통한 학습 가능성: Synapse를 통해 생성된 합성 데이터는 복잡하고 비선형적인 기능적 특성을 재현하도록 모델을 학습시켜, 실험적인 다중 포맷 데이터의 부족 문제를 극복할 수 있습니다.
설계 가속화: 본 프레임워크는 효능과 독성 사이의 트레이드오프를 예측하고, 데이터가 부족한 환경에서도 개발 가능성 제약 조건(예: CLC 선택)을 최적화함으로써 차세대 치료제의 합리적 설계를 가속화합니다.

결론적으로, Synapse는 합성 대리물(proxy) 역할을 하지만, 이는 전통적인 엔지니어링의 가산적 가정(additive assumptions)을 넘어 데이터 효율적이고 토폴로지 인지적인 항체 설계를 위한 토대를 마련하며, 향-후 대규모 실험실 데이터셋을 통해 이러한 예측을 검증하는 작업이 필요함을 시사합니다.