🤖 machine learning

DBMol: Design of High-Affinity, Target-Specific Small Molecules through Structure Prediction Models

이 논문은 참조 리간드에 의한 감독 없이 고친화성 및 표적 특이적 저분자를 데 노보(de novo) 방식으로 생성하기 위해, Boltz-2 및 AlphaFold-3와 같은 고급 구조 예측 모델을 활용하여 교대 최적화 및 투영 과정을 유도하는 새로운 프레임워크인 DBMol을 소개한다.

원저자: Yiming Qin, Kai Yi, Miruna Cretu, Sjors H. W. Scheres, Pietro Liò, Pascal Frossard

게시일 2026-07-22

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yiming Qin, Kai Yi, Miruna Cretu, Sjors H. W. Scheres, Pietro Liò, Pascal Frossard

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 아주 복잡한 문을 열려고 하는 숙련된 열쇠공이라고 상상해 보십시오. 의학의 세계에서 그 문은 우리 몸속의 단백질이며, 열쇠는 약이라고 불리는 아주 작은 분자입니다. 수십 년 동안 과학자들은 기존의 낡고 부서진 열쇠들(기존 약물)을 살펴보거나, 대략적인 스케치를 바탕으로 자물쇠의 모양을 추측하며 완벽한 열쇠를 설계하려고 노력해 왔습니다. 하지만 만약 한 번도 본 적 없는 완전히 새로운 자물쇠에 딱 맞도록, 처음부터 열쇠를 직접 만들 수 있다면 어떨까요? 이것이 바로 '데 노보(de novo)' 신약 설계의 꿈입니다. 이를 위해 연구자들은 실제로 실험실에서 직접 만들어 시험해보지 않고도, 새로운 열쇠가 자물쇠에 얼마나 잘 맞을지 예측할 수 있는 방법이 필요합니다. 이는 느리고 비용이 많이 들기 때문입니다. 최근에는 알파폴드-3(AlphaFold-3)나 볼츠-2(Boltz-2)와 같은 '구조 예측 모델'이라는 초지능형 컴퓨터 프로그램들이 등장했습니다. 이들을 생각할 때, 이들은 단백질을 보고 분자가 어떻게 움직이고 달라붙을지를 정확히 예측하는 '수정구슬 기계'와 같습니다. 이들은 이러한 상호작용을 예측하는 능력이 매우 뛰어나서, 과학자들은 이제 이 수정구슬을 단순히 결합 상태를 '보는' 용도가 아니라, 완벽한 열쇠를 만드는 과정을 '가이드'하는 데 사용할 수 있을지 궁금해하기 시작했습니다.

이것이 바로 'DBMol'이라는 논문이 탐구하는 내용입니다. EPFL, MRC-LMB, 그리고 케임브리지 대학교의 연구진인 저자들은 DBMol이라는 새로운 방법을 제안합니다. DBMol은 기존 약물의 데이터베이스에 의존하거나 복사할 참조 열쇠를 필요로 하는 대신, 구조 예측 모델을 광활한 분자의 공간을 항해하기 위한 'GPS'로 사용합니다. 이 과정은 두 단계의 춤처럼 작동합니다. 먼저, '최적화(Optimization)' 단계에서는 매우 단순하고 거의 쓸모없는 분자(예를 들어 탄소 원자들의 직선 형태)에서 시작하여 수정구슬의 피드백을 이용해 이를 미세하게 조정합니다. 시스템은 "여기 이 원자를 바꾸면 예측된 결합력이 좋아지는가?" 그리고 "이 결합을 움직이면 더 꽉 달라붙는가?"라고 묻습니다. 이 과정은 수천 번 반복되며, 분자가 표적 단백질 포켓을 더 단단히 껴안을 수 있도록 끊임없이 미세 조정합니다. 하지만 여기에는 함정이 있습니다. 이러한 지속적인 미세 조정은 종종 분자를 화학적 엉망진창으로 만듭니다. 즉, 분자처럼 보이지만 화학 법칙을 위반하는 것(예를 들어 원자가 손을 너무 많이 가지는 경우)이 됩니다.

이를 해결하기 위해 두 번째 단계인 '투영(Projection)'이 개입합니다. 이 단계는 마치 마법의 조각가와 같아서, 그 엉망이고 불가능한 덩어리를 첫 번째 단계에서 공들여 만든 특유의 '껴안는 모양'을 잃지 않으면서도 실제의 유효한 분자로 재형성할 수 있습니다. 저자들은 '플로우 매칭 모델(flow-matching model, 구체적으로 DeFoG)'을 사용하여 이 조각가 역할을 수행하게 합니다. 이 모델은 최적화되었지만 약간 망가진 아이디어를 가져와 화학적으로 완벽한 2D 분자 그래프로 딱 맞게 변형시킵니다. 결과는 유망합니다. LIT-PCBA라는 표준 벤치마크를 통해 테스트했을 때, DBMol은 예측 모델이 표적에 매우 잘 결합할 것이라고 판단한 분자들을 성공적으로 생성해 냈습니다. 더욱 인상적인 점은, 저자들이 설계 과정에서 사용되지 않았던 다른 예측 모델(AlphaFold-3)을 사용하여 이 새로운 분자들을 검증했을 때도, 이 분자들이 여전히 강한 결합력을 보였으며 표적 포켓을 잘 덮었다는 것입니다. 이 논문은 이 접근 방식이 과학자들로 하여금 해당 표적에 대한 기존 약물 사례가 없더라도 새로운 표적을 위한 약물을 설계할 수 있게 해주며, 수정구슬의 예측 능력이 계속해서 발전한다는 전제하에 매우 유연하고 강력한 신약 발견의 새로운 길을 제시한다고 시사합니다.

기술 요약: DBMol: 구조 예측 모델을 통한 고친화도, 표적 특이적 저분자 화합물 설계

1. 문제 정의

단백질 포켓에 높은 친화도와 특이성을 가지고 결합하는 저분자 리간드를 설계하는 것은 신약 개발의 핵심 과제입니다. 기존 방법들은 일반적으로 다음과 같은 상호 보완적인 한계를 가진 두 가지 범주로 나뉩니다:

구조 기반, 포켓 인지 생성 모델 (예: DiffSBDD, Pocket2Mol)은 단백질 포켓의 기하학적 구조를 조건으로 생성하지만, 정제된 단백질-리간드 복합체 데이터셋의 가용성에 제약을 받습니다.
리간드 중심 모델은 참조 리간드, 도킹 목적 함수 또는 파마코포어 프로파일에 의존하며, 이로 인해 이러한 데이터가 없는 새로운 단백질이나 결합 부위에 대한 일반화 능력이 제한됩니다.

저자들은 대안적인 접근 방식을 제안합니다: 현대적인 구조 예측 모델(AlphaFold-3 및 Boltz-2와 같은)을 단백질-리간드 상호작용을 위한 범용적이고 미분 가능한 신호로 활용하는 것입니다. 이는 참조 리간드, 정제된 학습 쌍, 또는 특정 작업에 대한 재학습 없이 오직 표적 단백질 서열과 포켓 위치만을 조건으로 하여 de novo 저분자 설계를 가능하게 하는 것을 목표로 합니다.

2. 방법론: DBMol 프레임워크

DBMol은 미분 가능한 최적화와 이산적 화학적 유효성 사이의 간극을 메우는 교대 최적화 및 투영 과정(그림 1 참조)으로 구성됩니다.

A. 문제 설정 및 표현 방식
본 프레임워크는 분자 설계를 미분 가능한 대리 목적 함수(surrogate objective)에 의해 유도되는 조건부 생성 문제로 취급합니다.

이산적 표현: 분자는 원자 유형, 형식 전하, 결합 유형을 가진 무방향 그래프 $G$ 로 표현됩니다.
완화된 연속적 표현: 그래디언트 기반 최적화를 가능하게 하기 위해, 이산적 그래프를 연속적 표현 $m$ 으로 완화합니다. 원자 및 결합 유형은 심플렉스(simplex) 상의 범주형 확률 벡터로 모델링되며, 형식 전하는 연속적인 값으로 모델링됩니다. 이러한 완화는 그래디언트 하강을 허용하지만, 그 자체로 화학적 유효성을 보장하지는 않습니다.

B. 최적화 단계 (Stage I)
구조 예측 모델(특히 Boltz-2)을 미분 가능한 스코어링 함수로 사용하여, DBMol은 예측된 상호작용을 개선하기 위해 완화된 표현 $m$ 을 최적화합니다. 목적 함수 $\mathcal{L}(m)$ 은 세 가지 항의 합성물입니다:

친화도 손실 ( $\mathcal{L}_{affinity}$ ): Boltz-2의 친화도 회귀 값을 최소화하고 바인더/비바인더 분류 로짓(logit)을 최대화합니다.
접촉 손실 ( $\mathcal{L}_{contact}$ ): 정의된 결합 포켓 내의 특정 잔기들과의 상호작용을 장려합니다. 여기에는 포켓 수준의 항(잔기들에 대해 평균화)과 그래디언트를 안정화하기 위한 앵커(anchor) 항(가장 강한 예측 접촉 쌍에 집중)이 포함됩니다.
신뢰도 손실 ( $\mathcal{L}_{conf}$ ): 타당한 복합체 기하학적 구조를 장려하기 위해 Boltz-2의 신뢰도 신호를 집계합니다.

그래디den트는 $m$ 에 대해 계산되며, 유효한 범주형 심플렉스를 유지하기 위해 제약 조건이 있는 그래디언트 하강(클리핑 및 정규화)을 통해 적용됩니다.

C. 투영 단계 (Stage II)
최적화된 연속적 표현 $m$ 을 직접 이산화하면 원자 유형과 결합 패턴의 긴밀한 결합으로 인해 화학적으로 유효하지 않은 구조가 생성되는 경우가 많습니다. 이를 해결하기 위해 DBMol은 사전 학습된 디노이징 모델(DeFoG)을 사용하는 **이산 흐름 매칭 투영(discrete flow-matching projection)**을 채택합니다.

과정: 최적화된 표현 $m^*$ 은 노이즈가 섞인 이산 분자 그래프 $G_t$ 를 생성하는 데 사용됩니다(유형 샘플링 및 전하 반올림을 통해).
디노이징: 흐름 매칭 모델은 $G_t$ 를 반복적으로 디노이징하여 이를 화학적으로 유효한 2D 분자 그래프 $G_1$ 으로 매핑합니다.
후기 시간 초기화: 최적화 단계의 구조적 신호를 보존하면서 모델이 화학적 유효성을 수정할 수 있는 충분한 단계를 허용하기 위해, 디노이징 과정은 늦은 확산 시간( $t=0.8$ )에서 초기화됩니다.

D. 합성 가능성을 고려한 후처리
실용적인 유용성을 보장하기 위해, 선택적 단계로서 SynFormer를 사용하여 생성된 분자를 구조적으로 유사하고 합성이 가능한 화합물로 매핑합니다. 이는 핵심 최적화 목적 함수의 일부가 아닌 후처리 정제 단계입니다.

3. 주요 기여

새로운 프레임워크: 참조 리간드나 정제된 단백질-리간드 데이터셋 없이 작동하는, 구조 예측 모델 가이드 기반의 de novo 저분자 설계를 위한 DBMol 프레임워크를 도입했습니다.
최적화-투영 파이프라인: Boltz-2의 미분 가능한 신호를 사용하여 연속 공간에서 분자 표현을 최적화한 후, 학습된 투영(DeFoG를 통해)을 사용하여 이산적이고 화학적으로 유효한 분자를 복구하는 방법론을 제시했습니다.
약지도 학습(Weak Supervision): 고품질의 포켓 특이적 분자가 단백istic 단백질 서열과 포켓 위치 정보만으로도 생성될 수 있음을 입증하였으며, 이를 통해 비용이 많이 드는 재학습이나 특정 리간드 사전 지식의 필요성을 피했습니다.

4. 실험 결과

저자들은 LIT-PCBA 벤치마크(7개 표적)와 추가적인 de novo 표적(LGR4, CD47)에 대해 DBMol을 평가했습니다.

LIT-PCBA에서의 성능:
- 프록시 정렬(Proxy Alignment): DBMol은 Boltz-2 성공률을 크게 향상시켜(무조건적 생성 시 0.13에서 0.47로), 구조 예측 프록시의 효과적인 최적화를 보여주었습니다.
- 홀드아웃 지표: 학습에 사용되지 않은 지표(AlphaFold-3 기반)로 평가했을 때, DBMol은 BCov (포켓 커버리지) 0.51과 AF3 성공률 0.92를 달enc성했습니다. 또한 높은 분자 다양성(0.89)을 유지하며, 홀드아웃 지표 전반에 걸쳐 평균 순위 3.83을 기록하여 더 강력한 조건(예: 참조 리간드 또는 파마코포어)을 사용하는 베이스라인과 경쟁할 만한 수준을 유지했습니다.
- 트레이드오프: 저자들은 신뢰도(ipTM)만을 최적화할 경우 프록시 점수는 개선되지만 홀드아웃 지표는 저하된다는 점을 언급하며, 일반화를 위해서는 균형 잡힌 목적 함수가 필요함을 시사했습니다.
합성 가능성:
- SynFormer 후처리를 적용하면 역합성 경로가 해결된 분자의 비율(Syn. 점수)이 0.06에서 약 0.39로 증가하여, AF3 기반의 구조적 신호를 크게 훼손하지 않으면서도 CGFlow-ZS와 같은 강력한 베이스라인의 성능에 근접했습니다.
De Novo 표적:
- 사전 정의된 3D 포켓이나 참조 리간드가 없는 새로운 표적(LGR4, CD47)에 대해, DBMol은 여러 지표(예: BCov, AF3 Success, Vina)에서 포켓 조건부 베이스라인인 DiffSBDD와 대등하거나 이를 능가하는 성능을 보여주며, 진정한 de novo 시나리오에서의 적용 가능성을 입증했습니다.
절제 연구(Ablation Studies):
- 디노이징 시간과 최적화 단계에 대한 실험 결과, 트레이드오프 관계가 나타났습니다: 늦은 디노이징 초기화와 더 많은 최적화 단계는 구조적 신호의 보존(높은 성공률)을 개선하지만 화학적 유효성은 감소시킵니다.

5. 의의 및 주장

본 논문은 구조 예측 모델이 표적 특이적 분자 생성을 위한 효과적이고 미분 가능한 대리 목적 함수 역할을 할 수 있다고 주장합니다.

패러다임의 검증: 결과는 현대적인 구조 예측기(Boltz-2와 같은)가 정제된 상호작용 데이터셋이나 참조 리간드 없이도 de novo 설계를 가이드하기에 충분한 신호를 제공한다는 가설을 뒷받침합니다.
유연성: DBMol은 데이터 부족으로 인해 전통적인 데이터 기반 방법들이 실패하는 새로운 단백질 포켓에도 적응할 수 있는 유연한 프레임워크를 제공합니다.
한계에 대한 겸허한 태도: 저자들은 구조 예측기가 물리적 참값(oracle)이 아닌 프록시임을 인정합니다. 고품질 단백질-리간드 결합 데이터셋의 부족이 여전히 한계로 남아 있으며, 향-후 연구에서 더 큰 데이터셋(예: OpenBind)과 전체 3D 표현으로의 확장이 도움이 될 수 있음을 언급했습니다. 또한, 이 방법이 경쟁력이 있지만 실험적인 결합 검증은 필수적인 미래 단계임을 강조했습니다.

요약하자면, DBMol은 구조 예측 모델에 의한 최적화와 이산 흐름 매칭을 통한 투영의 교대 방식이 고친화도, 표적 특이적 저분자 화합물을 생성하기 위한 실행 가능한 전략임을 입증하며, 생성형 AI와 구조 생물학 사이의 간극을 메우고 있습니다.