Development and large-scale benchmarks of a protein-ligand absolute binding free energy toolkit

이 논문은 높은 계산 비용과 검증 부족으로 인해 고처리량 약물 발견에 제한적이었던 단백질 - 리간드 절대 결합 자유 에너지 (ABFE) 계산을 위해 오픈소스 자동화 툴킷인 Felis 를 개발하고, 이를 통해 기존 상대 결합 자유 에너지 (RBFE) 방법과 유사한 성능을 달성하면서도 제로샷 방식으로 다양한 단백질 표적과 KRAS(G12D) 데이터셋에서 견고한 결과를 입증한 내용을 담고 있습니다.

핵심

이 논문은 약물 개발의 핵심인 '약이 몸속에서 얼마나 잘 붙는지'를 컴퓨터로 정확히 예측하는 새로운 도구를 소개합니다.

약물 개발자들은 새로운 약을 만들 때, 그 약이 질병을 일으키는 단백질 (예: 암세포의 스위치) 에 얼마나 단단히 달라붙는지 알아야 합니다. 이를 '결합 자유 에너지 (Binding Free Energy)'라고 하는데, 이걸 실험실에서 하나하나 측정하는 건 시간도 많이 들고 비용도 너무 비쌉니다. 그래서 과학자들은 컴퓨터 시뮬레이션으로 이 값을 예측하려 노력해 왔습니다.

이 논문은 ByteDance(바이트댄스) 연구팀이 개발한 **'펠리스 (Felis)'**라는 새로운 컴퓨터 프로그램을 소개하며, 이것이 기존 방식보다 훨씬 더 쉽고 강력하게 작동한다고 주장합니다.

---

🧩 1. 기존 방식의 문제점: "비슷한 친구끼리만 비교하기"

기존에 쓰이던 방법 (RBFE) 은 마치 비슷한 옷을 입은 두 친구를 비교하는 것과 같았습니다.

• 원리: "약 A 와 약 B 는 모양이 거의 비슷하니까, A 에서 B 로 조금만 바꿔가면서 '어느 쪽이 더 잘 붙나?'를 비교한다."
• 한계: 만약 완전히 생김새가 다른 새로운 약 (A) 을 개발하고 싶다면? 기존 방식은 "비슷한 친구가 없으면 비교할 수 없다"며 포기하거나, 복잡한 과정을 거쳐야 했습니다. 마치 비슷한 키를 가진 사람끼리만 줄을 서서 키를 재는 것과 비슷합니다.

🚀 2. 새로운 도구 '펠리스 (Felis)'의 등장: "혼자서도 완벽하게 측정하기"

연구팀은 **'펠리스 (Felis)'**라는 도구를 만들어 어떤 약이든, 처음부터 끝까지 혼자서도 정확히 측정할 수 있게 했습니다.

• 원리: "비슷한 친구가 없어도 상관없어! 이 약이 물속에서 혼자 있을 때와, 단백질에 붙었을 때의 에너지를 각각 계산해서, 그 차이를 바로 구해버린다."
• 비유: 마치 비슷한 친구가 없어도, 저울에 약을 직접 올리고 단백질에 붙인 후 다시 저울에 올리는 식으로 '무게 차이'를 직접 재는 것과 같습니다.

🌟 3. 이 도구의 놀라운 점 (핵심 성과)

이 논문은 펠리스가 얼마나 잘 작동하는지 43 가지 다른 단백질과 859 가지 약을 대상으로 테스트했습니다. 결과는 다음과 같습니다.

1. 정확도 대박: 기존에 '최고'로 불리던 복잡한 방법 (RBFE) 과 비슷하거나 그 이상의 정확도를 보여주었습니다.
2. 빠른 속도: 기존 방식은 한 번 계산하는 데 20 시간 (또는 그 이상) 이 걸렸다면, 펠리스는 3 시간~5 시간만으로도 비슷한 결과를 냈습니다. (비유하자면, 장거리 마라톤을 뛰지 않고도 같은 기록을 낸 것입니다.)
3. 가장 어려운 상황에서도 승리: 특히 **KRAS(G12D)**라는 매우 까다로운 암 단백질 (전통적으로 약이 잘 붙지 않는 곳) 에서, 전하를 띤 복잡한 약들을 테스트했을 때도 매우 정확하게 예측했습니다. 이는 마치 미끄러운 얼음 위에서도 균형을 잃지 않고 춤을 추는 것과 같습니다.
4. 자동화 (Zero-shot): 연구팀은 실험 데이터에 맞춰 프로그램을 일일이 수정하거나 튜닝하지 않았습니다. 즉, **아무런 사전 학습 없이도 (Zero-shot) 처음부터 바로 쓸 수 있는 '완제품'**이라는 뜻입니다.

🛠️ 4. 어떻게 작동할까요? (간단한 원리)

펠리스는 다음과 같은 과정을 거칩니다:

1. 준비: 약과 단백질을 컴퓨터 공간에 배치합니다.
2. 가상의 분리: 약을 단백질에서 떼어내어 물속으로 보내는 과정을 시뮬레이션합니다. (이때 약의 전하나 모양을 서서히 '사라지게' 만드는 마법 같은 과정을 거칩니다.)
3. 계산: 약이 단백질에 붙어 있을 때와 물속에 있을 때의 에너지 차이를 정밀하게 계산합니다.
4. 결과: 이 차이를 통해 "이 약은 단백질에 얼마나 단단히 붙는가?"를 숫자로 알려줍니다.

💡 5. 왜 이것이 중요한가요?

지금까지 약물 개발의 초기 단계 (후보 물질 찾기) 에는 이 '펠리스' 같은 정밀한 계산이 너무 비싸고 느려서 쓰지 못했습니다. 하지만 이 연구는 **"이제 우리는 빠르고 정확하게, 다양한 형태의 약을 컴퓨터로 먼저 검증할 수 있다"**는 것을 증명했습니다.

결론적으로:
이 논문은 약물 개발자들이 시간과 돈을 아끼면서도, 더 좋은 약을 찾을 수 있는 '초고속 내비게이션'을 개발했다는 소식입니다. 펠리스는 이제 더 이상 이론이 아니라, 실제 약을 개발하는 현장에서 바로 쓸 수 있는 강력한 무기가 되었습니다.

기술 요약

제공된 논문 "Development and large-scale benchmarks of a protein–ligand absolute binding free energy toolkit"에 대한 상세한 기술적 요약은 다음과 같습니다.

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 단백질 - 리간드 결합 친화도 예측은 컴퓨터 지원 신약 개발 (CADD) 의 핵심입니다. 기존에 널리 쓰이는 상대적 결합 자유 에너지 (RBFE) 계산은 공통의 분자 골격 (scaffold) 을 가진 리간드 간 비교에는 정확하지만, 골격이 다른 리간드 (scaffold hopping) 에 대해서는 적용이 어렵습니다.
• 문제점: 절대 결합 자유 에너지 (ABFE) 계산은 골격 제약 없이 각 리간드를 독립적으로 평가할 수 있어 초기 단계의 히트 발견 (hit discovery) 에 이상적이지만, 다음과 같은 이유로 대규모 적용이 지연되어 왔습니다.
  • 높은 계산 비용: RBFE 에 비해 훨씬 많은 샘플링이 필요함.
  • 검증 부족: 대규모 벤치마크 데이터가 부족하여 신뢰성을 입증하기 어려움.
  • 자동화 및 프로토콜의 복잡성: 구속 조건 (restraints) 정의, 알케미컬 스케줄 ($\lambda$-schedule) 설정 등 수동 개입이 많이 필요함.
  • 기존 벤치마크의 한계: 기존 ABFE 검증 연구들은 대상 단백질 수가 매우 적어 (예: Schrödinger FEP+ ABFE 는 8 개 단백질만 검증) 실제 생산 파이프라인 적용에 불확실성이 존재함.

2. 방법론 (Methodology)

저자들은 Felis (Free Energy of Ligand-protein InteractionS) 라는 오픈소스 자동화 툴킷을 개발하고, 이를 대규모 데이터셋에서 검증했습니다.

• Felis 툴킷의 특징:

  • 자동화 및 확장성: GPU 기반 병렬 처리를 위해 교차 GPU 통신을 제거하고, 알케미컬 경로를 작은 세그먼트로 나누어 각 GPU 에 할당하는 설계로 클라우드 환경 (예: 선제적 인스턴스) 에 최적화됨.
  • 시뮬레이션 프로토콜:
    • 이중 소멸 (Double Annihilation): 리간드를 용매와 단백질 환경에서 각각 분리 (decoupling) 하는 표준 프로토콜 사용.
    • 구속 조건 (Restraints): Boresch 스타일의 구속 조건 (거리, 각, 비틀림) 을 사용하여 리간드가 결합 부위에서 이탈하는 것을 방지하고, 이를 해제하는 데 드는 자유 에너지를 분석적으로 보정.
    • 소프트코어 (Softcore) 포텐셜: Lennard-Jones 상호작용의 특이점 (singularity) 을 피하기 위해 Beutler 방식의 소프트코어 포텐셜 적용.
    • 전하 중립성: 전하를 가진 리간드의 경우, 알케미컬 변환 과정에서 발생하는 분수 전하를 보상하기 위해 '알케미컬 물 (alchemical waters)' 분자를 도입.
  • Force Field: 단백질에는 AMBER ff14SB 를, 리간드 및 보조 인자 (cofactor) 에는 ByteDance 에서 개발한 데이터 기반 힘장 ByteFF25 를 사용. ByteFF25 는 결합 파라미터를 양자 화학 데이터로 학습하여 화학 공간의 커버리지를 확장함.

• 벤치마크 전략 (Zero-Shot Setting):

  • 모든 예측은 Strict Zero-Shot 방식으로 수행됨. 즉, 벤치마크 시스템에 맞춰 힘장 파라미터를 튜닝하거나 알케미컬 스케줄을 조정하지 않음.
  • 데이터셋:
    1. 대규모 일반 데이터셋: Schrödinger 의 RBFE 벤치마크에서 선별된 43 개 단백질 타겟, 총 859 개 리간드.
    2. 고난이도 사례 연구: KRAS(G12D) 돌연변이 단백질과 MRTX1133 억제제 등 고전하 (highly charged) 리간드 및 보조 인자가 포함된 10 개 리간드 세트로 구성.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 대규모 벤치마크 결과 (43 개 단백질, 859 개 리간드)

• 성능 비교: Felis-ABFE 는 3ns 또는 5ns 시뮬레이션 (3 개 복제본) 을 수행하여, 20ns 시뮬레이션을 수행한 최신 RBFE 방법 (FEP+) 과 비슷한 순위 예측 (ranking) 성능을 보임.
  • Spearman's $\rho$ 및 Kendall's $\tau$ 지표에서 FEP+ RBFE 와 유사한 분포를 보이며, 일부 시스템에서는 $\rho \approx 0.6$, $\tau \approx 0.4$ 수준을 달성.
  • 편향 제거 (debiased) 된 MAE 및 RMSE 역시 FEP+ 와 근접한 오차 범위를 기록.
• 의의: ABFE 가 RBFE 와 동등한 순위 예측 능력을 가질 수 있음을 대규모 데이터셋에서 처음 입증함.

B. KRAS(G12D) 사례 연구 (고난이도 검증)

• 도전 과제: KRAS(G12D) 는 얕은 결합 주머니와 고전하 환경 (GTP/GDP 보조 인자, Mg2+, 이양성자성 리간드) 으로 인해 샘플링 수렴이 매우 어려움.
• 결과:
  • 시뮬레이션 길이가 8ns 에 가까워질 때 $\Delta G$ 가 안정화됨을 확인.
  • 10ns 시뮬레이션에서 Spearman's $\rho = 0.76$, Kendall's $\tau = 0.64$ 의 우수한 순위 예측 성능을 보임.
  • 전하가 높은 리간드와 복잡한 환경에서도 Felis 가 견고한 수렴과 예측 능력을 발휘함을 입증.

C. 힘장 및 전하 모델 영향 분석

• ByteFF25-AM1-BCC vs ABCG2: 리간드 전하 계산에 AM1-BCC 와 ABCG2 모델을 비교한 결과, 순위 예측 성능에 통계적으로 유의미한 차이가 없음을 확인. 이는 비결합 파라미터 (vdW 등) 의 품질이 더 중요할 수 있음을 시사.

4. 의의 및 결론 (Significance & Conclusion)

• 실용성 입증: Felis 는 힘장 튜닝이나 프로토콜 미세 조정 없이도 ("Zero-shot") 대규모 신약 개발 파이프라인에 즉시 적용 가능한 유효한 도구임을 증명했습니다.
• 비용 효율성: RBFE 대비 긴 시뮬레이션 시간 (20ns) 이 필요했던 기존 ABFE 와 달리, Felis 는 상대적으로 짧은 시간 (3~5ns) 으로 동급의 성능을 달성하여 계산 비용을 절감할 수 있음을 보였습니다.
• 미래 전망:
  • 현재 한계: 결합 자세 (binding pose) 의 정확도, 양성자화 상태 (protonation state) 할당, 그리고 힘장의 비결합 파라미터 정교화가 향후 정확도 향상의 핵심 과제임.
  • 향후 계획: 향상된 샘플링 기법 (Enhanced Sampling), 더 정확한 결합 자세 예측 (Co-folding), 그리고 전하 모델 및 vdW 파라미터의 체계적 최적화를 통해 ABFE 의 적용 범위를 더욱 확장할 계획.

요약: 본 논문은 Felis라는 자동화 ABFE 툴킷을 통해, 기존 RBFE 와 동등한 정확도로 대규모 리간드 라이브러리를 스크리닝할 수 있음을 입증했습니다. 특히 고전하 시스템에서의 성공적인 검증과 Zero-shot 설정에서의 성능은 ABFE 를 신약 발견의 초기 단계 (Hit Discovery) 에 본격적으로 도입할 수 있는 중요한 이정표가 됩니다.