Complex Networks and the Drug Repositioning Problem

이 석사 논문은 다중 수준의 약물 - 단백질 네트워크의 그래프 특성과 발견 패턴을 분석하고, 네트워크 확산 기반 추천 시스템을 구축하여 소외열대질환을 유발하는 생물의 단백질을 표적으로 하는 기존 약물의 재창출을 우선순위화합니다.

핵심

🕸️ 1. 거대한 연결의 그물 (네트워크란 무엇인가?)

이 연구는 세 가지 큰 세상 (레이어) 이 서로 얽혀 있는 거대한 그물망을 상상합니다.

1. 약물 세상 (Drugs): 다양한 약들입니다.
2. 단백질 세상 (Targets): 우리 몸이나 병원균을 구성하는 부품들입니다. 약은 이 부품들을 고쳐주거나 멈추게 합니다.
3. 설명서 세상 (Annotations): 단백질들이 어떤 모양 (도메인) 을 하고 있는지, 어떤 일을 하는지 (대사 경로) 에 대한 설명입니다.

이 세 세상은 서로 연결되어 있습니다. **"약 A 는 단백질 B 를 공격한다"**는 연결고리가 생기고, **"단백질 B 와 C 는 모양이 비슷하다"**는 연결고리가 생깁니다. 연구진은 이 거대한 그물망을 분석하여 숨겨진 비밀을 찾아냈습니다.

🔍 2. 약들의 친척 관계 (유사성 분석)

약물 세상에서는 두 가지 방법으로 약들끼리 친척 관계를 맺습니다.

• Tanimoto (타니모토) 유사도: 두 약의 전체적인 모양이 비슷한지 봅니다. 마치 "두 사람이 옷차림이 비슷하다"고 판단하는 것과 같습니다.
• Substructure (부분 구조) 유사도: 두 약 중 하나가 다른 약의 일부를 그대로 포함하고 있는지 봅니다. 마치 "아버지의 얼굴 특징을 아들이 그대로 물려받았다"고 보는 것과 같습니다.

🧐 재미있는 발견:
연구진은 이 두 가지 기준을 비교했습니다. 결과는 **"부분 구조 (Substructure)"**가 훨씬 강력한 친척 관계라는 것이었습니다. 즉, 약의 일부가 똑같다면, 그 약들은 비슷한 병을 치료할 확률이 매우 높다는 뜻입니다. 이는 마치 "비슷한 부품으로 만든 기계는 비슷한 고장을 일으킨다"는 원리와 같습니다.

🧩 3. 설명서의 힘 (주석과 단백질)

단백질 세상으로 넘어가면, 단백질들은 'PFAM'이라는 **레고 블록 (도메인)**으로 이루어져 있습니다. 연구진은 이 레고 블록들이 어떤 약을 끌어당기는지 분석했습니다.

• 비유: 어떤 레고 블록 (예: '키네이스'라는 블록) 을 가진 단백질들은 약을 매우 좋아합니다. 반면, 다른 블록을 가진 단백질들은 약을 잘 받지 않습니다.
• 핵심: 특정 레고 블록을 가진 단백질들은 **약이 잘 작용할 가능성 (Druggability)**이 높다는 것을 통계적으로 증명했습니다. 이는 "이런 모양의 부품이 있다면, 약을 붙일 수 있다"는 신호입니다.

🌍 4. 종 (Species) 간의 정보 이동 (가장 중요한 부분!)

이 연구의 하이라이트는 정보의 흐름입니다.
우리는 인간 (모델 생물) 에서는 약이 잘 듣는다는 것을 알지만, 말라리아나 치킨스 (NTD) 같은 가난한 나라의 질병을 일으키는 병원균에서는 약이 잘 듣는지 모릅니다.

• 비유: 인간이라는 '친구'에게 약이 잘 듣는다는 소문이 있습니다. 그 친구와 **유사한 부품 (단백질)**을 가진 '병원균'이라는 친구에게도 그 소문이 전달될까요?
• 연구 결과: 네, 전달됩니다! 하지만 모든 친구에게 똑같이 전달되지는 않습니다.
  • 모델 생물 (사람, 쥐, 효모): 이미 약에 대한 정보가 너무 많아서, 새로운 정보를 찾아내기 어렵습니다. (이미 꽉 찬 도서관에 새로운 책을 넣기 힘든 상황)
  • 병원균 (말라리아, 치킨스): 정보가 적지만, 모델 생물들과 비슷한 부품을 공유하고 있습니다. 그래서 모델 생물에서 얻은 지식을 병원균에게 **전달 (재창출)**하기 훨씬 쉽습니다.

연구진은 **"정보 흐름 (Flow)"**을 분석하여, 어떤 병원균은 다른 생물들로부터 정보를 잘 받아들이고, 어떤 것은 고립되어 있는지 계산했습니다. 그 결과, 말라리아와 치킨스 같은 병원균은 정보를 잘 받아들이는 '수신기' 역할을 하여, 기존 약을 새로운 치료제로 쓸 가능성이 매우 높음을 발견했습니다.

⏳ 5. 시간의 흐름과 '기어오르기' (Temporal Evolution)

약이 개발되는 과정을 시간의 흐름으로 분석했습니다.

• 점프 (Hopping): 완전히 새로운 약이 완전히 새로운 병을 발견하는 경우 (드뭅니다).
• 기어오르기 (Crawling): 이미 알려진 약이 이미 알려진 병과 연결된 상태에서, 새로운 병으로 조금씩 연결을 늘려가는 경우 (대부분의 경우).

🚶‍♂️ 결론: 약 개발은 마법처럼 갑자기 새로운 것을 발견하는 것이 아니라, 기존의 지식을 바탕으로 조금씩 옆으로 기어오르며 새로운 연결을 찾는 과정이라는 것을 증명했습니다.

🎯 6. 최종 결론: 무엇을 얻었나?

이 논문은 다음과 같은 실용적인 결과를 내놓았습니다.

1. 약물 재창출 전략: 기존 약들을 분석하여, 말라리아나 치킨스 같은 소외된 질병을 치료할 수 있는 새로운 후보 약물을 찾아낼 수 있는 알고리즘을 개발했습니다.
2. 성공적인 예측: 이 방법으로 병원균의 단백질을 예측했을 때, 실제 실험 데이터와 매우 잘 일치했습니다 (특히 병원균에서 정확도가 높았습니다).
3. 과학적 통찰: "약은 혼자 작동하지 않는다. 약, 단백질, 그리고 종 (Species) 이 거대한 그물망으로 연결되어 있으며, 이 연결고리를 분석하면 새로운 치료법을 찾을 수 있다"는 것을 보여주었습니다.

💡 한 줄 요약

"이미 만들어진 약들이 가진 '친척 관계'와 '부품의 모양'을 분석하여, 가난한 나라의 질병을 치료할 수 있는 새로운 약의 쓰임새를 찾아내는 지능적인 지도를 그렸다."

이 연구는 약 개발이라는 거대하고 비싼 과정을, 데이터와 연결고리를 분석하는 지적인 방법으로 효율화할 수 있음을 보여주었습니다.

기술 요약

논문 개요

• 제목: Complex Networks and the Drugs Repositioning Problem (복합 네트워크와 약물 재창출 문제)
• 저자: Felipe Bivort Haiek
• 소속: 부에노스아이레스 대학교 (UBA), 자연과학 및 정밀과학 대학원
• 학위: 물리과학 학사 학위 논문 (2017 년 10 월)
• 주제: 네트워크 물리학, 생물물리학, 약물 재창출 (Drug Repositioning), 복합 네트워크

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 신약 개발은 평균 12~15 년의 시간과 천억 달러 이상의 비용이 소요되며, 실패율이 매우 높습니다. 특히 말라리아, 수면병, 치가스병과 같은 소외된 열대 질환 (Neglected Tropical Diseases, NTD) 은 상업적 가치가 낮아 신약 개발이 거의 이루어지지 않습니다.
• 문제: 기존에 안전성이 입증된 약물을 새로운 질병의 치료제로 재창출 (Repositioning) 하는 전략은 비용과 시간을 절감할 수 있는 효율적인 방법입니다. 그러나 기존 데이터베이스 (TDR Targets) 에는 방대한 화학적, 유전체적 정보가 존재함에도 불구하고, 이를 체계적으로 분석하여 새로운 약물 - 표적 (Drug-Target) 관계를 예측하는 데 한계가 있었습니다.
• 목표: 화학적 유사성, 단백질 상호작용, 기능적 주석 (Annotation) 등을 통합한 다층 네트워크 (Multilayer Network) 를 구축하고, 네트워크의 위상적 (Topological) 특성을 분석하여 약물 재창출 후보를 선별하고 우선순위 (Prioritization) 를 결정하는 알고리즘을 개발하는 것.

2. 방법론 (Methodology)

가. 다층 네트워크 구축 (Network Construction)

연구자는 TDR Targets 데이터베이스를 기반으로 3 개의 주요 레이어로 구성된 다층 네트워크를 구축했습니다.

1. 약물 레이어 (Drug Layer): 14,888 개 이상의 약물 및 화합물 노드.
   • 연결: 분자 지문 (Molecular Fingerprints) 기반의 Tanimoto 유사도 (0.8 이상) 와 부분 구조 (Substructure) 유사도로 연결.
   • 클러스터링: 유사도가 1 인 약물들을 'T-클러스터 (Tanimoto)'와 'S-클러스터 (Substructure)'로 그룹화하여 네트워크 크기를 축소하고 노이즈를 제거.
2. 단백질 레이어 (Protein/Target Layer): 168,622 개의 단백질 노드.
   • 연결: 실험적으로 보고된 약물 - 단백질 생체 활성 (Bioactivity) 데이터로 연결.
3. 주석 레이어 (Annotation Layer): 단백질의 기능적/구조적 특성을 나타내는 3 가지 유형.
   • PFAM 도메인: 단백질의 구조적 단위.
   • Orthologous Groups (OG): 종 간 상동성 (진화적 기원 공유).
   • Metabolic Pathways: 대사 경로.

나. 네트워크 분석 기법

• 프로젝션 (Projection): 이분법 네트워크 (Bipartite Network, 예: 단백질 - 주석) 를 단일 네트워크 (단일 레이어) 로 변환하여 유사성을 계산.
  • 방법: 단순 투영 (Trivial), 확률적 확산 (ProbS), 통계적 검증 (StatVal) 방법 사용.
• 우선순위 결정 (Prioritization):
  • 투표 방식 (Voting Scheme, KNN with K=1): 알려진 약물 - 표적 관계를 '시드 (Seed)'로 설정하고, 네트워크를 통해 인접한 단백질이나 약물로 점수를 전파하여 미지의 표적에 대한 '약물화 가능성 (Druggability)' 점수를 산출.
• 성능 평가:
  • ROC 곡선 및 AUC (Area Under Curve): 예측 모델의 정확도를 평가. 특히 상위 10% 오양성률 (FPR) 에 초점을 맞춘 AUC-0.1 및 McClish 보정을 사용.
• 시간적 분석: 데이터의 타임스탬프를 활용하여 네트워크 성장 패턴 ('Hopping' vs 'Crawling') 을 분석.

3. 주요 결과 (Key Results)

가. 약물 레이어의 구조적 특성

• 유사도 비교: 부분 구조 (Substructure) 기반의 S-클러스터가 Tanimoto 기반의 T-클러스터보다 더 강력하고 일관된 구조를 가짐. S-클러스터 내 약물들은 T-클러스터보다 공유하는 단백질 표적이 더 많음.
• 화학적 유사성과 생체 활성: 화학적 유사도 (Tanimoto 또는 Substructure) 가 높을수록 공유하는 단백질 표적의 비율이 증가하는 양의 상관관계를 확인.

나. 주석 (Annotation) 레이어의 중요성

• 약물화 가능성 (Druggability) 과 주석: 특정 PFAM 도메인 (예: Kinase, Ion channel, GPCR 등) 은 약물 표적으로서 높은 빈도를 보임.
• 통계적 유의성 (Fisher Test): 각 주석 카테고리에 대한 p-value 를 계산하여 'Relevance Score (Rscore)'를 도출. PFAM 도메인이 가장 높은 관련성을 보임.
• 종 간 정보 전이 (Entropy): 주석의 종 간 분포 엔트로피를 분석. 높은 엔트로피를 가진 주석 (예: DNA 합성 관련 효소) 은 다양한 종 간 정보 전이에 핵심적인 역할을 함.

다. 투영 네트워크 및 클리크 (Clique) 분석

• 프로젝션 결과: 약물 표적으로만 구성된 네트워크를 PFAM 레이어로 투영했을 때, 전체 단백질 네트워크보다 더 높은 전이성 (Transitivity) 을 보임. 이는 약물 표적 단백질들이 특정 도메인 군집을 형성함을 의미.
• 4-클리크 (4-cliques) 발견: StatVal 프로젝션에서 4 개의 PFAM 도메인이 완전히 연결된 클리크 구조를 발견. 이를 시드로 사용하여 약물 우선순위를 매겼을 때, 공통 작용 기전 (예: Kinase 억제제, 항암제) 을 가진 약물들이 높은 점수를 받음.

라. 시간적 진화와 네트워크 성장

• 성장 패턴: 새로운 약물 - 표적 연결은 주로 'Crawling' (기어오름) 방식으로 발생. 즉, 기존에 알려진 약물이나 표적을 기반으로 새로운 연결이 만들어짐. 완전히 새로운 (Hopping) 연결은 소수 (약 10%) 에 불과함.
• 의미: 이는 제약 산업이 기존 지식을 기반으로 보수적으로 신약 개발을 진행함을 시사하며, 약물 재창출 전략의 타당성을 뒷받침함.

마. 종 간 우선순위 결정 및 검증

• 검증 결과: 모델 생물 (사람, 쥐, 효모) 과 병원체 (말라리아, 치가스병 원인균) 에 대해 전체 게놈 우선순위 결정을 수행.
  • 병원체 (Plasmodium, Trypanosoma): 높은 AUC-0.1 점수 (0.70 이상) 를 기록하여 예측 모델이 매우 우수함.
  • 모델 생물 (사람, 효모): 상대적으로 낮은 점수 (0.5~0.64). 이는 모델 생물의 단백질들이 다른 종으로부터의 정보 흐름 (Extra-specificity) 이 적거나, 네트워크 구조상 정보 전파가 제한적이기 때문임.
• 정보 흐름: 병원체 단백질들은 모델 생물 (특히 쥐, 사람) 과 높은 수준의 정보 흐름을 공유하여, 모델 생물 데이터를 통해 병원체 표적을 성공적으로 예측할 수 있음.

4. 주요 기여 (Key Contributions)

1. 통합 화학 - 유전체 네트워크 구축: TDR 데이터베이스를 기반으로 약물, 단백질, 기능적 주석을 통합한 다층 네트워크를 체계적으로 구축하고 분석함.
2. 클러스터링을 통한 네트워크 축소: Tanimoto 와 Substructure 유사도를 기반으로 한 클러스터링을 통해 네트워크 크기를 축소하면서도 정보 손실을 최소화하는 방법을 제시.
3. 주석 기반 우선순위 알고리즘 개발: 단백질의 기능적 주석 (PFAM 등) 과 종 간 유사성을 고려한 'Relevance Score'를 도입하여, 기존 데이터가 부족한 소외 질환 (NTD) 의 약물 표적을 예측하는 새로운 알고리즘을 제안.
4. 네트워크 성장 패턴 규명: 약물 - 표적 네트워크의 시간적 진화를 분석하여, 신약 개발이 주로 기존 지식의 확장 (Crawling) 에 의존함을 정량적으로 증명.
5. 소외 질환 (NTD) 대상 실증: 개발도상국 질병에 대한 약물 재창출 전략의 유효성을 네트워크 기반 접근법으로 입증.

5. 의의 및 결론 (Significance)

이 연구는 복잡계 네트워크 이론을 약물 재창출 문제에 성공적으로 적용한 사례입니다. 특히, 화학적 유사성, 단백질 구조, 진화적 관계, 대사 경로를 통합한 다층 네트워크 분석을 통해, 기존에 알려지지 않았던 약물 - 표적 관계를 예측할 수 있음을 보였습니다.

주요 성과는 NTD 와 같은 상업적 가치가 낮은 질환에 대해, 모델 생물 데이터와 네트워크 기반의 정보 전파를 활용하여 저비용으로 새로운 치료 표적을 발굴할 수 있는 체계적인 프레임워크를 제공했다는 점입니다. 이는 향후 신약 개발의 효율성을 높이고, 소외 질환 치료제 개발에 중요한 기여를 할 것으로 기대됩니다.