Accelerating Drug Discovery with HyperLab: An Easy-to-Use AI-Driven Platform

HITS 가 개발한 AI 기반 웹 플랫폼 'HyperLab' 은 구조 기반 약물 발견 워크플로우를 간소화하고, 기존 방법론을 능가하는 높은 정확도와 속도로 리간드 - 단백질 구조 예측, 대규모 화합물 스크리닝, 분자 최적화 등을 수행하여 시간과 비용, 전문성 장벽을 낮추는 것을 목표로 합니다.

핵심

🧪 하이퍼랩 (HyperLab): 신약 개발을 위한 'AI 마법 지팡이'

이 논문은 HITS라는 회사가 개발한 **'하이퍼랩 (HyperLab)'**이라는 새로운 AI 플랫폼에 대해 설명합니다. 쉽게 말해, 이 플랫폼은 **신약 개발이라는 거대한 미로를 아주 쉽고 빠르게 통과할 수 있게 도와주는 '스마트 내비게이션'**입니다.

과거에는 신약 개발을 하려면 컴퓨터 과학이나 인공지능 전문가가 아니더라도, 복잡한 계산과 실험을 위해 엄청난 시간과 비용, 그리고 고도의 전문 지식이 필요했습니다. 하지만 하이퍼랩은 **"누구든 마우스만 클릭하면 신약 후보 물질을 찾아낼 수 있다"**는 것을 목표로 합니다.

이 플랫폼이 어떻게 작동하는지, 일상적인 비유를 들어 설명해 드릴게요.

---

1. 🏗️ 전체적인 역할: "신약 개발 공장"의 자동화

신약 개발은 보통 다음과 같은 과정을 거칩니다:

1. 약이 될 만한 물질을 찾기 (Hit Discovery)
2. 약의 구조를 다듬고 성능을 높이기 (Lead Optimization)
3. 인체에서 안전하고 잘 작동하는지 확인하기 (ADMET)

하이퍼랩은 이 모든 과정을 하나의 웹 페이지에서 끝내줍니다. 마치 **요리사 (연구자)**가 재료를 고르고, 레시피를 수정하고, 맛을 보는 모든 과정을 **로봇 요리사 (AI)**가 도와주는 것과 같습니다.

2. 🛠️ 주요 기능: 하이퍼랩의 '마법 도구들'

① 하이퍼 바인딩 (Hyper Binding): "자물쇠와 열쇠 찾기"

• 비유: 우리 몸의 단백질은 '자물쇠'이고, 약은 '열쇠'입니다. 약이 효과를 보려면 자물쇠에 딱 맞는 열쇠를 찾아야 합니다.
• 하이퍼랩의 역할: 기존의 방법들은 자물쇠 구멍에 열쇠를 억지로 끼워보며 시도하는 방식이라 느렸습니다. 하지만 하이퍼랩은 AI 가 자물쇠의 모양을 분석해 열쇠가 어떻게 꽂히는지 (결합 구조) 를 3 초 만에 예측합니다.
• 성과: 기존 기술보다 훨씬 정확하고 빠릅니다. (알파폴드 3 라는 유명한 AI 와 비슷한 정확도를 내면서 속도는 5 배 더 빠릅니다!)

② 하이퍼 스크리닝 & X (Hyper Screening X): "수조 개의 책장 뒤지기"

• 비유: 약이 될 만한 분자는 우주에 있는 별처럼 많습니다. 기존에는 도서관에서 100 만 권의 책만 뒤졌습니다.
• 하이퍼랩의 역할:
  • Hyper Screening: 100 만 개의 후보 물질을 빠르게 훑어 가장 유망한 500 개를 골라냅니다.
  • Hyper Screening X: 이걸로 부족하면? 11 조 (11 Trillion) 개의 가상의 분자 도서관을 뒤집니다! 기존에는 상상도 못 하던 규모입니다. AI 가 "이런 모양의 분자가 약이 될 것 같다"고 상상해서 만들어냅니다.

③ 하이퍼 디자인 (Hyper Design): "레고 블록으로 새로운 장난감 만들기"

• 비유: 이미 약이 될 가능성이 있는 분자 (레고 블록) 가 있다면, 하이퍼랩은 그 블록을 잘게 부수고 다시 조립해서 더 좋은 성능을 내는 새로운 분자를 설계합니다.
• 특징: 특허로 보호받는 기존 약의 모양을 피하면서도, 약효는 더 강하게 만드는 '새로운 디자인'을 제안해 줍니다.

④ 하이퍼 ADME/T: "안전성 검사관"

• 비유: 약이 몸속에 들어가면 간에서 분해될까요? 심장 박동에 영향을 줄까요?
• 하이퍼랩의 역할: 실험실로 가져가기 전에 AI 가 미리 "이 약은 간에 무리일 수 있으니 버리세요"라고 경고합니다. 이를 통해 실패할 확률이 높은 약을 일찍 걸러냅니다.

⑤ AI 어시스턴트: "약학 박사 비서"

• 비유: 연구자가 "이 약의 임상 시험 결과는 어때?"라고 물어보면, AI 비서가 전 세계 데이터를 검색해 바로 답을 줍니다.
• 특징: 일반 챗봇과 달리, 약학 전문 용어와 데이터에 특화되어 있어 연구자의 생산성을 극대화해 줍니다.

---

3. 🏆 실제 성과: "24 시간 만에 신약 후보를 찾아냈다!"

이 논문은 하이퍼랩이 실제로 얼마나 강력한지 증명하기 위해 실제 실험을 진행했습니다.

• 상황: 특정 질병을 치료할 수 있는 물질을 찾아야 했습니다.
• 기존 방식: 수만 개의 물질을 실험실에서 하나씩 테스트하면 몇 달이 걸리고 비용도 천문학적으로 듭니다.
• 하이퍼랩 방식:
  1. 24 시간 안에 수백만 개의 후보를 AI 로 스크리닝했습니다.
  2. 가장 유망한 52 개만 뽑아 실험실 (in vitro) 에서 테스트했습니다.
  3. 결과: 52 개 중 5 개가 실제로 질병을 억제하는 효과를 보였습니다! (기존 방식보다 훨씬 높은 성공률).
  4. 그중 하나를 하이퍼 디자인으로 더 다듬어 실험실에서 합성했고, 3 개가 매우 강력한 효과를 보였습니다. (IC50 값이 200~400 나노몰 수준으로 매우 강력함).

4. 💡 결론: 왜 이것이 중요한가요?

하이퍼랩은 **"신약 개발의 장벽을 낮추는 게임 체인저"**입니다.

• 시간 단축: 몇 달 걸리던 일을 며칠, 심지어 몇 시간으로 줄였습니다.
• 비용 절감: 실험실 테스트를 거르기 전에 AI 가 걸러내어 막대한 실험 비용을 아껴줍니다.
• 접근성: 컴퓨터 공학 전문가가 아니더라도, 일반 연구자도 이 강력한 AI 도구를 쉽게 쓸 수 있습니다.

한 줄 요약:

하이퍼랩은 신약 개발이라는 거대한 산을 등반할 때, 등반가 (연구자) 가 등반 장비 (AI) 를 갖추고 가장 빠른 길을 안내해 주어, 더 빨리 정상 (완성된 약) 에 도달하게 해주는 혁신적인 플랫폼입니다.

이 기술이 보편화되면, 앞으로 더 많은 희귀병 치료제와 새로운 약이 훨씬 빠르고 저렴하게 개발될 수 있을 것입니다.

기술 요약

논문 요약: HyperLab 을 통한 AI 기반 약물 발견 가속화

1. 배경 및 문제점 (Problem)

• 기존 약물 발견의 한계: 전통적인 약물 발견 프로세스는 시간과 비용이 많이 들며, 고도의 전문 지식 (전산화학, AI 등) 을 요구합니다.
• 전문성 장벽: 많은 실험실 연구자들이 AI 나 전산적 방법론에 대한 전문 지식이 부족하여, 최신 컴퓨테이셔널 도구를 활용하기 어렵습니다.
• 효율성 부족: 기존 가상 스크리닝 (Virtual Screening) 은 수백만 개의 화합물 수준에 머무르며, 더 넓은 화학 공간 (Trillions) 을 탐색하거나 구조 기반 최적화를 수행하는 데 한계가 있습니다.
• 해결 필요성: AI 의 정교함을 유지하면서도 비전문가도 쉽게 사용할 수 있고, 전체 약물 발견 파이프라인 (Hit Identification ~ Lead Optimization) 을 통합하여 시간과 비용을 절감할 수 있는 플랫폼이 필요합니다.

2. 방법론 및 플랫폼 개요 (Methodology)

HITS 에서 개발한 HyperLab은 웹 기반의 AI 구동 약물 발견 플랫폼으로, 구조 기반 약물 발견 (SBDD) 방법론을 기반으로 합니다. 주요 기능과 기술적 특징은 다음과 같습니다.

• 핵심 기능 모듈:
  • Hyper Binding: 단백질 - 리간드 결합 구조 및 친화도 예측. 물리 정보 기반 딥러닝 모델과 'Co-folding'(단백질 서열만으로 복합체 구조 예측) 기술을 활용합니다.
  • Hyper Screening: 100 만 ~ 7 조 개의 화합물 라이브러리 가상 스크리닝. 기존 라이브러리 (FDA 승인, 천연물 등) 와 사용자 정의 라이브러리를 지원합니다.
  • Hyper Screening X: 11 조 개의 가상 화합물 공간을 탐색하는 차세대 스크리닝. 생성형 AI(GFlowNet 기반) 를 사용하여 원하는 결합 점수와 물성을 가진 분자를 생성합니다.
  • Hyper Design: 주어진 스캐폴드를 기반으로 결합 친화도가 향상된 새로운 유도체를 설계합니다. 합성 가능성과 구조적 신규성을 고려합니다.
  • Hyper ADME/T: 용해도, 대사 안정성, CYP 억제, hERG 억제 등 19 가지 약동학/약력학 특성 예측.
  • SAR 분석 및 AI 어시스턴트: 구조 - 활성 관계 (SAR) 를 시각화하고 분석하며, 약물 발견 특화 AI 에이전트 (Claude 3.7 기반) 가 데이터 검색, 그래프 생성, 실험 설계 가이드 등을 제공합니다.
• 사용자 경험 (UI/UX): 복잡한 전산 지식이 없어도 직관적인 인터페이스로 PDB ID 입력, 서열 기반 구조 초기화, 자동 결합 부위 식별 등을 지원합니다.

3. 주요 기여 (Key Contributions)

• 통합 파이프라인 제공: Hit 식별부터 Lead 최적화까지 단 하나의 플랫폼에서 모든 단계를 처리할 수 있는 통합 환경을 구축했습니다.
• 초대규모 화학 공간 탐색: 기존 스크리닝의 한계 (약 100 만 개) 를 넘어, 생성형 AI 를 통해 11 조 개의 분자 공간 (Hyper Screening X) 을 탐색하여 신규 활성 화합물 발견 확률을 극대화했습니다.
• 공유결합성 (Covalent) 약물 발견 지원: 공유결합성 리간드의 결합 구조 예측, 디자인, 스크리닝을 위한 전용 모듈을 도입하여 복잡한 공유결합성 약물 개발을 간소화했습니다.
• 전문성 장벽 해소: AI 전문가가 아닌 실험실 연구자도 쉽게 고급 전산 도구를 활용할 수 있도록 UI/UX 와 AI 어시스턴트를 고도화했습니다.

4. 성능 평가 및 결과 (Results)

• 결합 자세 예측 (Pose Prediction):
  • PoseBuster v2 벤치마크: Hyper Binding(결합 부위 정보 제공 시) 은 **77%**의 정확도를 기록하여 기존 도킹 방법 (Vina 58%, Diffdock 13%) 을 크게 상회하고, AlphaFold3(84%) 에 근접하는 성능을 보였습니다.
  • 속도: AlphaFold3 에 비해 약 5 배 빠른 추론 속도를 보여 대량 스크리닝에 적합합니다.
• 결합 친화도 예측 (Binding Affinity):
  • FEP 데이터셋: 두 개의 FEP 데이터셋에서 Hyper Binding 은 Pearson 상관 계수 0.70 및 0.53을 기록하여 딥러닝 모델 (Luminet, Genscore) 과 물리 기반 도킹 (Glide, Vina) 보다 우수한 성능을 입증했습니다.
• 공유결합성 스크리닝:
  • Pose Accuracy: Covalent Hyper Binding 은 88.7% 의 정확도로 기존 도구 (COV SMINA 48.4%, GNINA 46.8%) 를 압도했습니다.
  • Enrichment Factor (EF@10%): Mpro 및 KRAS 타겟에서 기존 방법 대비 월등히 높은 활성 화합물 선별 능력을 보였습니다 (KRAS 기준 9.97).
• 실제 실험 검증 (Case Study):
  • 가상 스크리닝: 24 시간 내 52 개의 상위 화합물을 선정하여 실험 검증한 결과, **9%**의 히트율 (5 개 활성 화합물, IC50 70~600 nM) 을 달성했습니다.
  • 디자인 및 합성: Hyper Design 을 통해 생성된 5 개의 합성 화합물 중 3 개가 1 µM 농도에서 75% 이상의 억제 효과를 보였으며 (IC50 200~400 nM), 참조 화합물과 유사하거나 우수한 활성을 입증했습니다.
  • 효율성: 기존 고처리량 스크리닝 (HTS) 대비 실험 웰 수를 20 만 개에서 100 개 수준으로 줄여 시간과 비용을 대폭 절감했습니다.

5. 의의 및 결론 (Significance)

• 약물 발견의 민주화: HyperLab 은 복잡한 AI 모델의 힘을 실험실 연구자들에게 접근 가능하게 만들어, 전산 전문가가 아닌 연구자들도 고품질의 약물 후보 물질을 발견하고 최적화할 수 있게 했습니다.
• 비용 및 시간 절감: 계산적 트라이얼 (Computational Triage) 과 AI 기반 모티프 설계를 통해 실험적 검증 단계의 비용을 획기적으로 줄이고 발견 기간을 단축했습니다.
• 실용적 검증: 나노몰 농도 (nM) 수준의 활성을 가진 새로운 리드 화합물을 실험적으로 검증함으로써, 이 플랫폼이 단순한 이론적 도구를 넘어 실제 약물 개발 파이프라인에서 즉시 활용 가능한 솔루션임을 입증했습니다.

이 논문은 HyperLab 이 현대 약물 발견의 주요 병목 현상인 시간, 비용, 전문성 장벽을 해결할 수 있는 혁신적인 AI 플랫폼임을 강력하게 주장하고 있습니다.