The Geometry of Activity Cliffs: Representation Dependence and Multi-Scale Characterization of Activity Landscapes

이 논문은 활동성 절벽(activity cliffs)이 분자의 고유한 특성이라기보다는 선택된 분자 표현형과 측정 지표에 의한 인위적인 산물임을 주장하며, 15가지 구성에 걸친 6단계 벤치마크를 통해 서로 다른 임베딩이 분자 인식의 뚜렷한 측면들을 인코딩함으로써 무엇이 활동성 절벽을 구성하는지를 암묵적으로 정의한다는 것을 입증한다.

핵심

핵심 아이디어: 산이 문제가 아니라 지도가 문제다

당신이 산맥(즉, "활성 지형(Activity Landscape)")의 지형을 예측하려는 등산가라고 상상해 보세요. 당신은 때때로 매우 가까이 서 있는 두 명의 등산가가 서로 완전히 다른 고도에 있을 수 있다는 것을 알고 있습니다. 한 명은 햇살이 내리쬐는 봉우리에 있고, 다른 한 명은 깊고 어두운 골짜기에 있는 식이죠. 화학에서는 이를 **활성 절벽(Activity Cliff)**이라고 부릅니다. 즉, 거의 똑같이 생겼지만 생물학적 효과는 매우 다른 두 분자를 말합니다.

오랫동안 과학자들은 이러한 절벽이 분자 자체의 자연스러운 특징이라고 생각했습니다.

하지만 이 논문은 그것이 틀렸다고 주장합니다. 저자들은 절벽이 보이는지 혹은 완만한 경사로 보이는지가 전적으로 지도를 어떻게 그리느냐에 달려 있다고 주장합니다.

만약 당신이 "벽을 뚫고 지나가는 방식"(특정한 수학적 방법)으로 거리를 측정하는 지도를 사용한다면, 두 등산가는 멀리 떨어져 있는 것처럼 보일 수 있습니다. 하지만 만약 당신이 "직선으로 비행하는 방식"으로 거리를 측정하는 지도를 사용한다면, 그 똑같은 등산가들이 바로 옆에 붙어 있는 것처럼 보일 수 있습니다. 이 논문은 "절벽"이 항상 분자 안에 존재하는 것이 아니라, 때로는 당신이 선택한 자(측정 도구)에 의해 만들어진 환상이라는 것을 증명합니다.

실험: 6단계 탐정 파이프라인

이를 증명하기 위해 연구진은 세 가지 서로 다른 생물학적 타겟(분자가 열려고 하는 서로 다른 종류의 자물쇠와 같은 것)에 대해 15가지 유형의 지도(표현형)와 자(측정 지표)를 테스트하는 "6단계 탐정 파이프라인"을 구축했습니다.

연구진이 각 단계에서 발견한 내용을 일상적인 비유로 번역하면 다음과 같습니다.

1. "거리 제로"의 함정 (기하학)

• 테스트: 서로 다른 분자들이 지도상에서 완전히 똑같아 보이는가?
• 결과: 어떤 지도(예: "ChemBERTa")는 너무 흐릿해서 거의 모든 분자가 정확히 같은 지점에 서 있는 것처럼 보입니다. 이는 마치 모든 도시가 하나의 점 위에 겹쳐서 그려진 지도와 같습니다. 다른 지도(예: "Morgan fingerprints")는 선명하고 뚜렷하지만, 3D 쌍둥이(입체 이성질체)를 왼쪽 장갑과 오른쪽 장갑처럼 서로 다른 것으로 인식하지 못하고 동일한 것으로 취급합니다.

2. "절벽 찾기" (농축)

• 테스트: 가장 비슷하게 생긴 분자 쌍 100개를 살펴볼 때, 그중 실제로 절벽인 것은 몇 개인가?
• 결과: 여기서 지도마다 결과가 극명하게 갈립니다. 동일한 데이터셋에 대해, 어떤 지도는 142개의 절벽을 찾아낸 반면, 다른 지도는 7,903개의 절벽을 찾아냈습니다.
• 비유: 이것은 도로의 구멍(포트홀)을 찾는 것과 같습니다. 어떤 지도는 "여기는 구멍 하나 없이 매끄러운 길이다"라고 말합니다. 다른 지도는 "여기는 지뢰밭이다!"라고 말합니다. 도로는 변하지 않았습니다. 바뀐 것은 지도입니다.

3. "가파름" 체크 (경사도)

• 테스트: 지형의 낙차가 얼마나 급격한가?
• 결과: 어떤 지도는 대부분 완만한 경사를 가진 매끄러운 지형을 보여줍니다. 반면 어떤 지도는 갑작스럽고 공포스러운 낙차가 가득한 지형을 보여줍니다. 흥령하게도, "도파민 D2"(특정 단백질) 타겟은 어떤 지도를 사용하더라도 자연적으로 더 거친 지형을 가진 것처럼 보였습니다.

4. "섬" 테스트 (위상수학)

• 테스트: 절벽들이 뚜렷한 섬의 형태로 나타나는가, 아니면 하나의 커다란 덩어리로 뭉쳐 있는가?
• 결과: 좋은 지도는 절벽을 뚜렷한 섬으로 보여주며, 이는 과학자들이 왜 절벽이 존재하는지(예: "아, 이 특정 모양 때문에 이 분자 그룹 전체가 실패하는구나") 이해하는 데 도움을 줍니다. 나쁜 지도는 모든 것을 하나의 혼란스러운 덩어리로 뭉뚱그려 놓아 무엇도 구분할 수 없게 만듭니다.

5. "예측" 게임 (머신러닝)

• 테스트: 컴퓨터가 지도를 보고 절벽을 예측할 수 있는가?
• 결과: 만약 지도가 흐릿하다면(예: "ChemBERTa" 지도), 컴퓨터는 혼란에 빠져 무작위로 추측하게 됩니다. 만약 지도가 명확한 구조를 가지고 있다면, 컴퓨터는 패턴을 학습할 수 있습니다. 이는 "절벽"이 생물학적 현상이 아니라 지도의 기하학적 특성임을 확인시켜 줍니다.

6. "실제 세계" 검증 (입체 이성질체 및 쌍)

• 테스트: 연구진은 두 가지 구체적인 실제 시나리오를 살펴보았습니다:
  • 입체 이성질체: 거울 쌍둥이와 같은 분자들 (왼손과 오른손처럼).
  • 매치드 페어(Matched Pairs): 아주 작은 화학적 교체만 일어난 분자들.
• 결과:
  • 핑거프린트(Fingerprints) (전통적인 지도)는 거울 이미지를 보는 데 서투르지만(왼손과 오른손을 같다고 생각함), 미세한 화학적 교체는 잘 포착합니다.
  • 학습된 임베딩(Learned Embeddings) (AI 지도)는 거울 이미지를 보는 데 뛰어나지만, 때때로 미세한 교체를 놓치기도 합니다.
  • 결론: 모든 것에 완벽한 단 하나의 지도는 없습니다.

주요 시사점

1. "최고의" 지도는 없다
이 논문은 단순히 하나의 "최고의" 분자 측정 방식을 고를 수 없다는 결론을 내립니다.

• 만약 매우 유사한(high similarity) 분자들 사이의 절벽을 찾고 싶다면, Morgan fingerprints가 가장 좋습니다.
• 만약 왼손과 오른손의 차이(입체 화학)를 구별해야 한다면, MolFormer가 유일하게 잘 작동하는 방법입니다.
• 만약 미세한 화학적 교체를 찾고 싶다면, MAC_CS 또는 RDKit fingerprints가 가장 좋습니다.

2. "절벽"은 선택의 문제다
과학자가 "이 두 분자는 활성 절벽이다"라고 말할 때, 그들은 사실 "내가 선택한 특정 지도와 측정 도구에 따르면 이 두 분자는 활성 절벽이다"라고 말하는 것입니다. 지도를 바꾸면 절벽은 사라질 수도 있고, 갑자기 나타날 수도 있습니다.

3. "공짜 점심은 없다" 법칙
경제학에서와 마찬가지로, 화학에도 공짜 점심은 없습니다. 거울 이미지를 완벽하게 보고, 미세한 교체도 완벽하게 포착하며, 절벽까지 모두 완벽하게 예측하는 지도는 존재할 수 없습니다. 서로 다른 지도는 분자의 세계에서 서로 다른 특징을 강조합니다.

요약

이 논문은 과학자들에게 주는 경고입니다: 지도를 맹목적으로 믿지 마십시오. 당신이 분자를 시각화하고 측정하는 방식은 그 분자들이 어떻게 작동하는지에 대한 이야기를 근본적으로 바꿉니다. 약물의 진정한 본질을 이해하려면 당신이 어떤 "렌즈"를 통해 보고 있는지 알아야 합니다. 왜냐하면 그 렌즈 자체가 당신이 보는 절벽을 만들어내기 때문입니다.

기술 요약

기술 요약: 활성 절벽의 기하학 (The Geometry of Activity Cliffs)

문제 정의

활성 절벽(Activity cliffs)—구조적으로는 유사하지만 생물학적 활성도에서 큰 차이를 보이는 화합물 쌍—은 구조-활성 관계(SAR)의 예측 가능성 경계를 정의하는 화학 데이터셋의 고유한 특징으로 널리 간주된다. 그러나 활성 절벽의 정의는 사용자 정의 임계값인 활성 차이(통상 $\ge$ 1 log unit)와 구조적 유사도 컷오프에 의존하는 운영적(operational) 정의이다.

본 연구가 다루는 핵심 문제는 구조적 유사성이 분자 쌍의 내재적 속성이 아니라, 분자가 임베딩되는 메트릭 공간(metric space)의 속성이라는 점이다. 결과적으로, 분자 표현법(임베딩)과 유사도 메트릭의 선택은 어떤 쌍이 절벽으로 분류될지, 얼마나 많은 절벽이 존재할지, 그리고 그것들이 예측 가능한지 여부를 근본적으로 결정한다. 저자들은 이 분야가 서로 다른 표현법이 활성 지형을 어떻게 조직하는지에 대한 체계적인 특성화 없이, Morgan 핑거프린트와 Tanimoto 유사도를 기본값으로 사용하는 방향으로 수렴되었다고 주장한다. 이러한 체계적 연구의 부재는 활성 지형에 대한 결론이 실제 생물학적 특성이 아닌 선택된 메트릭의 특성을 반영하게 만들 수 있다.

방법론

저자들은 활성 절벽이 표현법의 기하학과 표적 생물학의 합성물이라는 가설을 체계적으로 검증하기 위해 설계된 6단계 분석 파이프라인을 제안한다. 이 파이프라인은 규모와 논리적 의존성에 따라 정렬된, 기하학적으로 구별되는 특성들을 탐구한다. 이전 단계에서의 실패는 후속 단계의 해석을 불가능하게 만든다.

이 파이프라인은 활성 절벽 문제가 알려진 세 가지 생물 활성 데이터셋(SARS-CoV-2 Main Protease, Factor Xa, Dopamine D2 receptor)에 대해 15가지 (임베딩, 메트릭) 구성에 적용되었다. 구성은 다음과 같다:

• 고전적 핑거프린트: Morgan (radius 2, 1024 bits), RDKit topological, MACCS keys (166 bits).
• 학습된 임베딩: MolFormer, ChemBERTa, Chemeleon (Mordred 디스크립터로 학습된 MPNN).
• 메트릭: Tanimoto, Dice, Cosine, L1, L2 거리.

6단계 파이프라인

1. 쌍별 거리 기하학 (Pairwise Distance Geometry): 근본적인 한계를 식별하기 위해 쌍별 거리 분포를 분석한다. 지표로는 zero-distance 쌍의 비율($p_0$), 변별 범위에 대한 변동 계수(CV), 상대적 대비(Relative Contrast, RC), 그리고 이웃 신뢰성 문제를 감지하기 위한 허브성 왜도($S_{Nk}$)가 포함된다.
2. 활성 절벽 농축 (Activity Cliff Enrichment): 가장 유사한 상위 $n\%$ 쌍 중 절벽의 누적 비율($F(n)$)을 평가한다. 곡선이 낮을수록 성능이 좋음을 의미한다(유사한 쌍들 사이에서 절벽이 적음). 농축 계수 $G$는 절벽 감소의 크기를 정량화한다.
3. 활성 기울기 분포 (Activity Gradient Distribution): 모든 쌍에 대해 구조-활성 지형 지수(SALI), $L(i,j) = |\Delta pK_i| / d(x_i, x_j)$를 계산한다. 이 기울기 분포를 Kohlrausch–Williams–Watts (KWW) 생존 함수에 피팅하여 형상 파라미터 $b$를 결정한다. $b=2$는 매끄럽고 꼬리가 가벼운 지형(Rayleigh ceiling)을 나타내며, $b<2$는 무거운 꼬리와 빈번한 극단적 기울기를 나타낸다.
4. 절벽 하위 공간의 지속적 호몰로지 (Persistent Homology of the Cliff Subspace): 절벽 관련 분자들에 대해 Vietoris–Rips 필트레이션을 사용하여 연결 성분($H_0$)을 추적한다. 평균 지속성($\mu_{pers}$)과 최대 지속성($p_{max}$)은 절벽이 발생하기 쉬운 클러스터의 위상적 분리도를 측정한다.
5. 표현 구조의 기하학적 프로브 (Geometric Probes of Representational Structure): 절대적 임베딩 차이 $|e_i - e_j|$를 기반으로 절벽 존재 여부를 예측하도록 분류기(Logistic Regression, XGBoost, Siamese networks)를 학습시킨다. 갭 통계량($\Delta_{lin}$ 및 $\Delta_{arch}$)은 임베딩 공간의 선형 대 비선형 및 특징 상호작용의 풍부함을 특징짓는다.
6. 화학적 그라운드 트루스 벤치마킹 (Chemical Ground Truth Benchmarking): 파이프라인 자체의 유사도 측정법과 독립적인 두 가지 구조적 하위 집단에 대해 표현법을 검증한다:
   • 입체 이성질체 (Stereoisomers): 그래프는 동일하지만 3D 구성이 다른 쌍.
   • 매치드 분자 쌍 (Matched Molecular Pairs, MMPs): 단일 화학적 변환에 의해 연관된 쌍.
   • 성능은 이 하위 집단 내 절벽 쌍들의 거리 분포의 변동 계수(CV)에 의해 순위가 매겨진다.

주요 결과

1. 표현법에 따른 절벽 수의 변화

표현법의 선택은 관찰되는 활성 절벽의 수를 극적으로 변화시킨다. SARS-CoV-2 데이터셋에서 90% 유사도 기준, 식별된 절벽 쌍의 수는 구성에 따라 55배까지 차이가 났다:

• Morgan Tanimoto: 142개 쌍.
• Chemeleon Cosine: 752개 쌍.
• RDKit Dice: 7,903개 쌍.
  이는 "절벽 현상"이 상당 부분 선택된 표현법의 기하학적 인공물임을 보여준다.

2. 표현법 유형별 성능

• Morgan Tanimoto: 가장 강력한 절벽 농축($G$)과 스캐폴드 일반화 능력을 보인다. 그 기하학은 이봉 분포(Beta-distributed)를 가지며, 스캐폴드 정체성을 중심으로 공간을 조직한다. 그러나 입체 화학적 맹점($p_{0,stereo} = 100\%$)을 가진다.
• MolFormer Cosine: 유의미한 입체 화학적 민감도(입체 이성질체에 대한 높은 CV, $p_{0,stereo} = 0$)를 보여준 유일한 구성이다. 이는 방향성 변화로서 입체 중심 정보를 인코딩하며, 각도 차이에 민감한 Cosine 거리가 L1/L2보다 우수함을 보여준다.
• MACCS 및 RDKit Dice: MMP 변환에 가장 민감하며, MMP에 대해 가장 높은 CV를 달성했다. 이들은 파편(fragment) 수준의 패턴을 효과적으로 인코딩하지만, 다른 핑거프린트와 마찬가지로 입체 화학적 맹점을 공유한다.
• ChemBERTa: "임베딩 붕괴(embedding collapse)"로 인해 모든 기준에서 일률적으로 실패한다. 이 모델은 심하게 집중된 거리(낮은 CV, 높은 허브성)를 생성하여, 대부분의 분자가 활성과 상관없이 유사해 보이는 기하학적 퇴화 공간을 만든다.
• Chemeleon: 가장 풍부한 위상적 절벽 구조(높은 persistence)를 생성하지만, 메트릭 의존성이 매우 크다. L1/L2 거리는 Dopamine D2 타겟에서 위상적 붕괴를 일으키는 반면, Cosine은 구조를 유지한다.

3. 타겟 수준의 지형 거칠기 (Target-Level Landscape Roughness)

분석 결과, 표현법과 독립적인 타겟 자체의 고유한 차이가 드러났다:

• SARS-CoV-2: 가장 매끄러운 지형 (높은 $b$ 값, Rayleigh ceiling인 $b=2$에 근접).
• Factor Xa: 중간 정도의 거칠기.
• Dopamine D2: 가장 거친 지형. 어떤 구성도 이 타겟에서 $b=2$에 도달하지 못했으며, 이는 구조적 불연속성이 임베딩과 상관없이 지속됨을 의미한다. 저자들은 이를 GPCR의 구조적 유연성과 ChEMBL의 이질적인 어세이 데이터 집적 때문으로 보고 있다.

4. 파이프라인 단계의 비중복성

각 단계는 다른 단계에서는 보이지 않는 실패 모드를 드러냈다. 예를 들어, RDKit은 높은 변별 범위(Step 1)를 보였으나 낮은 절벽 농축(Step 2)과 무거운 기울기 꼬리(Step 3)를 보였다. 지속적 호몰로지(Step 4)는 쌍별 통계에서는 완전히 포착되지 않은 RDKit과 Chemeleon의 위상적 붕괴를 드러냈다.

의의 및 주장

본 논문은 활성 절벽이 분자 쌍의 내재적 속성이 아니라, 선택된 (임베딩, 메트릭) 쌍의 창발적 속성이다라고 주장한다. 저자들은 단 하나의 "최선"의 표현법을 제안하는 것이 아니라, 서로 다른 표현법이 분자 인식의 서로 다른, 부분적으로 겹치지 않는 측면들을 인코딩한다는 점을 강조한다:

• 핑거프린트는 스캐폴드 및 파편 수준의 변환에는 뛰어나지만 입체 화학에는 취약하다.
• **학습된 임베딩 (특히 Cosine 거리 사용 시)**은 입체 화학적 민감도에는 뛰어나지만, MMP에 대한 파편 수준의 특이성은 핑거프린트보다 부족할 수 있다.
• "공짜 점심은 없다 (No Free Lunch)": 모든 기준에서 동시에 탁월한 단일 구성은 존재하지 않는다.

본 연구의 의의는 활성 지형의 기하학적 특성을 진단할 수 있는 프레임워크를 제공한다는 데 있다. 저자들은 표현법을 선택할 때 그 기하학적 특성을 규명하지 않고 선택하는 것은 생물학이 아닌 메트릭의 결과를 도출하게 된다고 경고한다. 저자들은 보편적인 기본값(Morgan/Tanimoto)에서 벗어나 과업별 선택으로 나아가야 한다고 제안한다:

• 구조적 시리즈 내의 SAR 분석에는 Morgan Tanimoto를 사용할 것.
• 입체 화학에 민감한 과업에는 MolFormer Cosine을 사용할 것.
• MMP 변환 주석(annotation)에는 MACCS/RDKit Dice를 사용할 것.
• 전역적인 위상적 탐색에는 Chemeleon Cosine을 사용할 것.

마지막으로, 본 논문은 타겟의 활성 지형의 "거칠기"(예: Dopamine D2 활성을 예측하는 데 드는 내재적 어려움)가 여러 표현법 간의 합의(consensus)를 통해 식별될 수 있음을 시사하며, 이를 통해 생물학적 복잡성과 표현법의 인공물을 구분할 수 있다고 제안한다.