Fleming: An AI Agent for Antibiotic Discovery in Mycobacterium Tuberculosis

이 논문은 11 만 개 이상의 화합물 데이터로 훈련된 판별 및 생성 AI 모델을 통합하여 결핵균 (Mtb) 억제 및 ADMET 특성을 동시에 충족하는 새로운 항생제 후보 물질을 83% 이상의 높은 유효율로 발굴하는 'Fleming'이라는 AI 에이전트를 개발하고 그 성과를 입증했습니다.

핵심

'플레밍 (Fleming)': 결핵균을 잡는 새로운 'AI 약사'의 등장

이 논문은 **'플레밍 (Fleming)'**이라는 이름의 인공지능 (AI) 에이전트를 소개합니다. 이 AI 는 결핵을 일으키는 '결핵균 (Mycobacterium tuberculosis)'을 죽일 수 있는 새로운 항생제를 찾아내는 임무를 수행합니다.

기존의 신약 개발은 마치 거대한 모래밭에서 바늘을 찾는 일처럼 비싸고, 느리며, 실패율이 높습니다. 하지만 플레밍은 이 문제를 해결하기 위해 등장한 **'초지능 약사'**와 같습니다.

이제 플레밍이 어떻게 작동하는지, 일상적인 비유로 쉽게 설명해 드리겠습니다.

---

1. 플레밍의 정체: 4 명의 전문가가 모인 '슈퍼 팀'

플레밍은 혼자서 모든 일을 하는 게 아니라, **4 명의 전문 부하 (Sub-agents)**를 거느린 팀장 같은 존재입니다.

• 팀장 (중앙 AI): 사용자의 명령을 듣고 4 명의 부하를 지시합니다.
• 1 번 부하 (살균 전문가): "이 약이 결핵균을 죽일 수 있을까?"를 예측합니다.
• 2 번 부하 (창조자): "새로운 약 분자를 처음부터 만들어보자!"라고 상상하며 분자를 설계합니다.
• 3 번 부하 (안전 검사관): "이 약이 인체에 해롭지 않을까?" (간, 신장, 독성 등) 를 체크합니다.
• 4 번 부하 (최적화 엔지니어): "약의 성질을 조금만 tweaking(수정) 하면 더 좋아질 것 같은데?"라고 다듬어 줍니다.

이들은 서로 대화하며, 인공지능 모델 9 개와 다양한 도구 11 개를 활용해 가장 완벽한 약 후보를 찾아냅니다.

2. 어떻게 작동할까? (마치 '요리사'처럼)

플레밍의 작업 과정은 요리사가 새로운 요리를 개발하는 과정과 비슷합니다.

1. 재료 조사 (데이터 학습):
   플레밍은 과거에 실험된 약 11 만 5 천 개의 화합물 데이터를 먹었습니다. 이 데이터는 결핵균을 죽인 '성공한 약'과 죽이지 못한 '실패한 약'으로 나뉘어 있습니다. 이를 통해 "어떤 모양의 분자가 결핵균을 죽이는지" 패턴을 익혔습니다.

2. 새로운 레시피 창조 (생성 모델):
   기존에 없던 새로운 분자를 **생성 (Design)**합니다. 마치 요리사가 기존 레시피를 보고 완전히 새로운 요리를 창조하듯, AI 는 결핵균을 잡을 수 있는 새로운 분자 구조를 만들어냅니다.

3. 안전성 테스트 (ADMET 예측):
   만들어진 분자가 인체에 들어갔을 때 간을 망가뜨리거나 (독성), 소화가 안 되거나 (흡수), 몸 밖으로 잘 배출되지 않는지 (대사) 를 미리 시뮬레이션합니다.

4. 최종 선별 (문헌 검색 및 논리):
   AI 는 과학 논문까지 검색하며 "이 구조는 실제로 약으로 쓸 수 있을까?"를 판단합니다. 마치 요리사가 "이 조합은 실제로 맛있게 먹힐까?"를 고민하는 것과 같습니다.

3. 놀라운 성과: "우리가 만든 약 100% 가 효과가 있었다!"

이 연구의 가장 놀라운 점은 실험실 (현실) 에서 검증된 결과입니다.

• 기존 방식: 보통 100 개의 후보 물질을 실험해 봐야 15 개 정도만 효과가 있습니다 (확률 15%).
• 플레밍의 방식: AI 가 설계한 6 개의 분자를 실험실로 가져가 실험해 보니, 6 개 모두 (100%) 결핵균을 죽이는 효과를 보였습니다!
• 안전성: 이 중 5 개는 인체 세포에도 해롭지 않았고, 약이 몸에서 오래 머무는 등 약으로서의 조건도 잘 갖췄습니다.

이는 마치 새로운 요리를 개발할 때, 6 번 시도를 해본 결과 6 번 모두 미슐랭 스타일 맛을 낸 것과 같은 일입니다. 확률적으로 거의 불가능에 가까운 일입니다.

4. 왜 이것이 중요한가?

• 다제내성 결핵 (MDR-TB) 의 위기: 현재는 약이 듣지 않는 결핵균이 늘어나고 있습니다. 플레밍은 기존 약과 다른 새로운 방식으로 균을 잡을 수 있는 '새로운 무기'를 빠르게 만들어냅니다.
• 비용과 시간 절감: 수년 걸리던 신약 개발 과정을 AI 가 앞당겨 줍니다.
• 창의성: AI 는 인간이 생각하지 못했던 새로운 분자 구조를 찾아냅니다.

5. 결론: AI 는 의사를 대체하는 게 아니라, '슈퍼 조력자'입니다

플레밍은 인간 과학자를 대체하는 것이 아니라, **과학자의 능력을 100 배로 늘려주는 '슈퍼 조력자'**입니다.

• 비유: 과거의 과학자가 손전등을 들고 어두운 모래밭을 헤매며 바늘을 찾았다면, 플레밍은 강력한 탐지 레이더를 켜서 바늘이 있는 정확한 위치를 알려주고, 그 바늘을 다듬어 주는 도구까지 제공합니다.

이 기술은 결핵뿐만 아니라 다른 질병의 치료제 개발에도 적용될 수 있으며, 전 세계적으로 약을 개발하기 어려운 환경에서도 과학자들이 더 쉽게 혁신적인 약을 만들 수 있게 해줄 것입니다.

---

한 줄 요약:

플레밍은 AI 가 결핵균을 잡을 '새로운 약'을 직접 설계하고, 안전성을 검증하여, 실험실에서도 100% 성공률을 보인 획기적인 '약 개발 로봇'입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 다제내성 결핵 (MDR-TB) 의 위기: 2022 년 alone 약 16 만 명의 사망자를 낸 다제내성 결핵균 (Mycobacterium tuberculosis, Mtb) 은 여전히 전 세계적으로 심각한 보건 위협입니다. 기존 항생제의 내성 증가와 치료 기간의 장기화로 인해 새로운 작용 기전을 가진 항생제 개발이 시급합니다.
• 기존 약물 개발의 한계:
  • 고비용 및 낮은 성공률: 고처리량 스크리닝 (HTS) 은 수만 개의 화합물을 테스트하지만, 화학 공간 (Chemical Space) 을 제한적이고 중복적으로만 탐색하여 hit rate(성공률) 가 낮습니다.
  • AI 모델의 한계: 기존 머신러닝 모델들은 훈련 데이터와 구조적으로 유사한 화합물에서는 잘 작동하지만, 새로운 구조의 화합물 (Out-of-Distribution) 에서는 예측 정확도가 떨어집니다. 또한, 생성 모델 (Generative Models) 은 합성 가능성이나 ADMET(약동학/독성) 특성을 고려하지 않아 실제 약물 후보로 활용하기 어렵습니다.
  • 단편화된 접근: 효능 예측, ADMET 최적화, 문헌 조사 등 각 단계가 분리되어 있어 통합적인 의사결정이 어렵습니다.

2. 방법론 (Methodology)

연구팀은 Fleming이라는 통합형 AI 에이전트 (AI Agent) 를 개발하여 Mtb 억제제 설계를 자동화했습니다.

A. 아키텍처 (Architecture)

Fleming 은 중앙의 **약물 화학자 에이전트 (Medicinal Chemist Agent)**가 4 개의 하위 에이전트를 조율하는 구조입니다.

1. Mtb 성장 억제 에이전트: Mtb 억제력을 예측하는 모델.
2. 생성 에이전트 (Generative Agent): 새로운 분자 구조를 설계 (De novo design).
3. ADMET 에이전트: 흡수, 분포, 대사, 배설, 독성 예측.
4. 분자 최적화 에이전트 (Molecular Optimizer): 초기 설계물의 ADMET 특성을 개선.

이 에이전트들은 9 개의 분자 AI 모델과 11 개의 도구 (문헌 검색, 분자 설명 생성, 합성 가능성 계산 등) 를 활용하며, ReAct(Reasoning and Acting) 패러다임을 사용하여 사용자의 요청에 따라 논리적 추론과 도구 실행을 반복합니다.

B. 핵심 모델 및 데이터

• 훈련 데이터: 114,933 개의 다양한 화합물 및 분편 (fragments) 으로 구성된 대규모 데이터셋 (실내 고처리량 스크리닝 결과 기반).
• 억제 예측 모델: eDMPNN (Evidential Directed Message Passing Neural Network) 사용.
  • 기존 DMPNN 에 증거 기반 학습 (Evidential Learning) 을 도입하여 예측 불확실성 (Uncertainty) 을 정량화하고, 신뢰도가 낮은 예측을 필터링하여 성능을 향상시켰습니다.
• 생성 모델:
  • 조건부 등변성 확산 모델 (Conditional Equivariant Diffusion Model): 실험적으로 측정된 억제 수준을 조건으로 하여 새로운 분자를 생성.
  • SyntheMol: 분자 분편 기반 생성 모델과 비교 분석.
• ADMET 예측: Therapeutics Data Commons (TDC) 데이터를 기반으로 훈련된 37 개의 DMPNN 모델을 활용하여 37 가지 ADMET 특성을 평가.

C. 워크플로우

1. 생성: 확산 모델 또는 SyntheMol 을 통해 새로운 분자 생성.
2. 필터링 및 순위 매기기: 예측된 억제력, ADMET 점수, 구조적 신성 (Novelty), 합성 가능성 (SAScore) 을 종합하여 상위 후보 선정.
3. 최적화: 분자 최적화 에이전트가 ADMET 특성을 개선하기 위해 분자 이웃 (Chemical Neighbors) 을 탐색하고 수정.
4. 검증: LLM 과 인간 전문가의 문맥적 타당성 검토를 거쳐 최종 실험 대상 선정.

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

A. 예측 성능 및 일반화 능력

• 높은 정확도: eDMPNN 은 AUROC 0.76, AUPRC 0.18 의 성능을 보였으며, 불확실성 필터링을 적용하면 AUROC 가 0.79 로 향상됨.
• 외부 검증: MLSMR 과 TAACF 데이터셋에서 외부 검증 시 AUROC 0.74~0.75 의 안정적인 성능을 입증.
• 일반화 (Generalizability): 기존 AI 모델이나 LLM 단독 사용보다 17% 더 높은 Mtb 리드 화합물 식별 능력을 보임. 특히 훈련 데이터와 구조적 유사성이 낮은 영역에서도 ADMET 예측 성능이 13% 더 우수함.

B. 전향적 실험 검증 (Prospective Validation)

• 예측 검증: Fleming 이 예측한 435 개의 새로운 화합물을 실험실에서 테스트한 결과, 예측된 6 개의 억제제 중 5 개 (83.3%) 가 실제로 Mtb 성장을 억제함.
• De Novo 생성 검증:
  • Fleming 이 생성한 6 개의 분자 (실험실 합성 및 검증) 를 테스트한 결과, 모든 6 개가 Mtb 성장을 억제함 (Hit Rate 100%).
  • EC50 값은 3.6 µM 에서 75.4 µM 사이로, 무작위 스크리닝 (1-5% hit rate) 에 비해 **17 배에서 83 배 높은 enrichment(풍요도)**를 보임.
  • 이 중 5 개는 Lipinski 의 규칙 (약물 유사성) 을 모두 만족함.

C. ADMET 및 독성 프로파일

• ADMET 최적화: 생성된 분자의 ADMET 실패 비율을 42.5% 에서 5.0% 로 대폭 감소시켰음.
• 선택성 (Selectivity): 합성된 6 개 화합물 중 5 개가 HepG2 세포 (간세포) 에 대한 낮은 독성을 보이며 Mtb 에 대해 높은 선택성 (Selectivity Index, SI) 을 입증함 (최대 SI 10.8).
• 약동학 (PK): 대부분의 화합물이 인간 간 미세소체에서 우수한 대사 안정성과 적절한 반감기를 보임.

D. 인간 전문가 피드백

• 화학자, 구조 생물학자 등 11 명의 과학자가 Fleming 의 추론과 생성된 구조의 타당성을 평가한 결과, 73% 가 "의미 있는 추론"과 "유효한 구조"를 높은 점수 (7/10 이상) 로 평가했으며, 향후 재사용 의사가 있음을 밝힘.

4. 의의 및 결론 (Significance)

• 통합 AI 에이전트의 성공: Fleming 은 단순한 예측 모델을 넘어, 생성, 최적화, 문헌 조사, 실험적 검증을 하나의 에이전트 프레임워크로 통합하여 성공적인 약물 후보 발굴을 증명했습니다.
• 새로운 화학 공간 탐색: 기존 HTS 나 단일 AI 모델이 접근하지 못했던 새로운 화학 공간 (Chemical Space) 을 탐색하여, 구조적으로 완전히 새로운 Mtb 억제제를 발견했습니다.
• 약물 발견 패러다임의 전환: 고비용과 낮은 효율성을 가진 전통적인 약물 개발 프로세스를 AI 에이전트를 통해 가속화할 수 있음을 보여주었습니다.
• 확장성: 이 프레임워크는 결핵뿐만 아니라 다른 감염성 질환이나 복잡한 생물학적 제약이 필요한 약물 개발에도 쉽게 적용 가능하도록 설계되었습니다.

결론적으로, Fleming 은 AI 기반 에이전트가 복잡한 제약 조건 (효능, 독성, 합성 가능성) 하에서 새로운 항생제를 설계하고 실험적으로 검증하는 데 있어 혁신적인 가능성을 제시한 획기적인 연구입니다.