기술 요약: In Silico 항바이러스 약물 발견을 위한 오픈소스 도구 벤치마킹

문제 제기

이 논문은 팬데믹 대비의 결정적 격차, 즉 팬데믹 잠재력을 가진 대부분의 바이러스 과에 대해 FDA 승인 항바이러스제가 부재하다는 점을 다룹니다. 백신은 주요 방어 수단이지만, 긴 개발 기간, 대중의 망설임, 그리고 HIV나 RSV와 같이 백신 접종이 어려운 병원체에 대한 보호 불가 등 한계를 안고 있습니다. 또한, 적응성 면역이 발달하는 데는 수주가 소요되어 취약 기간이 존재합니다.

저자들은 약물 재창출과 항바이러스 병용 요법 설계가 유행 기간 중 효과적인 치료제를 신속히 도입할 수 있는 가장 빠른 길이라고 주장합니다. 그러나 이 전략은 다음과 같은 장애물에 부딪힙니다:

1. 데이터 품질 문제: 기존 공개 데이터셋 (예: BindingDB) 에는 기계 학습 (ML) 학습에 부적합한 처리되지 않은 바이러스 폴리단백질 등 상당한 노이즈가 포함되어 있습니다.
2. 방법론적 편차: 바이러스 단백질 표적에 특화되어 오픈소스 계산 도구 (ML 기반, 도킹, 하이브리드) 를 비교하는 포괄적인 벤치마크가 부족합니다.
3. 경제적 장벽: 시장 독점 기간의 제한과 병용 요법 라이선싱의 복잡성으로 인해 약물 재창출에 대한 제약 산업의 인센티브가 낮습니다.

방법론

1. 데이터 큐레이션 및 폴리단백질 처리

저자들은 BindingDB, SMACC, Heli-SMACC 의 데이터를 통합하여 43,005 개의 바이러스 단백질 - 리간드 결합 측정치로 구성된 맞춤형 고품질 데이터셋을 구축했습니다.

• 폴리단백질 과제: BindingDB 의 바이러스 결합 데이터 중 **31%**는 사용 전에 폴리단백질 서열을 신중하게 분할해야 한다는 중요한 발견이 있었습니다. 많은 항목이 SARS-CoV-2 ORF1ab 와 같은 특정 기능적 도메인 (예: 주요 프로테아제) 이 아닌 대규모 폴리단백질을 표적으로 나열하고 있었습니다.
• 해결 방안: 팀은 폴리단백질 조각과 리간드 이름을 특정 단백질 표적에 연결하는 매핑 함수를 개발했으며, Anthropic 의 Haiku 를 활용한 LLM 을 사용하여 참조를 검증했습니다.
• 데이터셋 구성: 최종 데이터셋에는 학습용 43,005 개의 레코드와 초기 모델 튜닝을 위한 Ki/Kd 값만 포함된 280 개의 홀드아웃 테스트 세트가 포함됩니다.

2. 모델 미세 조정

저자들은 분자를 위해 Chemformer 를, 단백질을 위해 ESM-2 를 사용하는 시퀀스 기반 ML 모델인 DrugFormDTA(Khokhlov 등, 2025) 를 미세 조정했습니다.

• 학습 전략: 그들은 원래 아키텍처를 복제하여 네 개의 별도 모델을 학습시키고 앙상블했습니다. 다양한 학습률 스케줄과 함께 MSE 와 Huber 손실 함수를 모두 테스트했습니다.
• 목표: 원래 학습 데이터가 포유류 단백질을 크게 선호하는 편향을 해결하기 위해 바이러스 단백질에 특화된 일반 DTA 모델을 적응시키는 것이었습니다.

3. 벤치마킹 프레임워크

저자들은 10 종의 바이러스(SARS-CoV-2, HIV, HCV, 뎅기, 지카, 인플루엔자 포함) 의 16 개 단백질 표적에 걸친 853 개의 항바이러스 화합물로 구성된 더 크고 다양한 테스트 세트에서 15 개의 오픈소스 도구를 평가했습니다.

• 도구 카테고리:
  • ML/시퀀스 기반: DrugFormDTA, Boltz-2, GatorAffinity, Interformer, DrugCLIP, Uni-Mol+GNINA.
  • 도킹/물리 기반: GNINA, FlowDock, DiffDock, Protenix-Dock, AutoDock-GPU, Vina-GPU, Uni-Dock.
• 지표: 성능은 피어슨 상관관계 ($r$), 스피어만 순위 상관관계 ($\rho$), $Q^2$, RMSE, MAE, AUROC, BEDROC 를 사용하여 평가되었습니다.
• 데이터 처리: 서로 다른 출력 척도를 가진 도구 간 공정한 비교를 보장하기 위해 원시 점수는 $pK_d$ 단위에 맞게 선형적으로 재보정되었습니다.

주요 결과

1. 데이터 정제 및 미세 조정의 영향

• DrugFormDTA 성능: 정제되고 폴리단백질이 분할된 항바이러스 데이터셋에서 DrugFormDTA 를 미세 조정하면 성능이 크게 향상되었습니다. 피어슨 상관관계 ($r$) 는 0.50(기본 모델) 에서 0.70(미세 조정 앙상블) 으로 증가했습니다.
• 폴리단백질 분할의 필요성: 학습 데이터에서 폴리단백질을 분할하지 않으면 특정 바이러스 표적에 대한 모델의 일반화 능력이 심각하게 저하된다는 결과가 강조되었습니다.

2. 오픈소스 도구 벤치마킹

853 개 화합물 테스트 세트에서 성능은 도구 유형과 표적에 따라 크게 달라졌습니다:

• 최상위 ML 수행자: Boltz-2와 미세 조정된 DrugFormDTA가 ML 기반 접근법 중에서 가장 높은 순위를 차지했습니다.
  • 미세 조정된 DrugFormDTA 는 $r = 0.701$을 달성했습니다.
  • Boltz-2 는 전체적으로 $r = 0.316$을 달성했으나, 해당 특정 단백질에 대한 풍부한 학습 데이터로 인해 HIV 역전사효소에서는 $r = 0.68$로 예외적으로 잘 수행되었습니다.
• 최상위 도킹 수행자: GNINA(CNN 스코어링) 는 표준 Vina 및 기타 강체 도킹 도구를 능가하며 도킹 접근법 중 가장 좋은 성능 ($r = 0.302$) 을 보였습니다.
• 일반적 경향:
  • 편차: 단일 도구가 모든 바이러스 단백질에서 가장 잘 수행하지는 않았습니다. 성능은 표적에 크게 의존했습니다 (예: Boltz-2 는 학습 데이터의 폴리단백질 문제로 인해 SARS-CoV-2 MPro 에서 어려움을 겪었습니다).
  • 시퀀스 대 구조: 이 특정 벤치마크에서 시퀀스 전용 모델 (DrugFormDTA) 은 일반적으로 구조 기반 도킹 방법보다 우수한 성능을 보였으나, GNINA 와 같은 도킹 도구도 경쟁력을 유지했습니다.
  • 실패율: 일부 도구 (저자의 초기 테스트에서 DiffDock 등) 는 특정 포켓 안내 없이 활성 부위에 리간드를 배치하지 못해 상관관계가 거의 0 이 되었습니다.

3. 리소스 컴파일

저자들은 다음을 컴파일하여 공개했습니다:

• 2,096 개의 승인된 소분자 약물과 3,311 개의 총 승인된 약물(국제 승인 포함) 라이브러리.
• COCONUT, LOTUS, FooDB 등 다양한 출처에서 유래한 GRAS(일반적으로 안전하다고 인정됨) 화합물 및 천연물의 포괄적인 데이터셋.
• 연구 중인 및 승인된 항바이러스제가 포함된 antivirals-database.radvac.org의 공개 대시보드.

중요성 및 주장

이 논문은 오픈소스 커뮤니티의 항바이러스 발견을 위한 기초 자원으로 자리매김합니다. 주요 주장은 다음과 같습니다:

1. 데이터 무결성이 최우선입니다: 이 연구는 폴리단백질의 복잡성으로 인해 "쓰레기 들어가면 쓰레기 나온다"는 원칙이 바이러스 약물 발견에서 특히 심각함을 보여줍니다. 저자들은 효과적인 ML 모델을 학습시키기 위한 전제 조건으로 신중한 큐레이션 (폴리단백질 분할) 을 주장합니다.
2. 오픈소스의 타당성: 이 작업은 관련 데이터에서 적절하게 벤치마킹되고 미세 조정된 오픈소스 도구가 특정 바이러스 표적에 대해 상업적 표준과 비교할 수 있거나 이를 초과하는 성능을 달성할 수 있다는 경험적 증거를 제공합니다.
3. 신속 대응의 기반: 정제된 데이터셋, 도구 벤치마크, 재창출 가능한 화합물 라이브러리를 제공함으로써 저자들은 신속한 약물 재창출 파이프라인과 병용 요법을 개발하는 연구자들의 진입 장벽을 낮추는 것을 목표로 합니다.
4. 겸손한 범위: 저자들은 명시적으로 그들의 작업이 기초를 제공하지만 de novo 약물 설계 문제를 해결했다고 주장하지는 않는다고 밝힙니다. 그들은 여전히 단일 "최고" 접근법이 부재하며, 최종 선택을 위해 의약 화학 전문 지식이 여전히 중요하다고 강조합니다. 또한 그들의 벤치마크는 테스트된 데이터셋과 표적에 특화되어 있으며 추가 적응 없이는 모든 미래 바이러스 유행에 대한 일반화를 보장하지 않는다고 지적합니다.

이 논문은 이러한 기술과 기법에 투자하는 것이 미래 팬데믹 대비에 필수적이며, 항바이러스제의 신속한 식별과 시너지 약물 조합 설계를 가능하게 한다고 결론지었습니다.