Prediction variability in physiologically based pharmacokinetic modeling of tissue disposition under deep uncertainty

⚕️

이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

Each language version is independently generated for its own context, not a direct translation.

🍳 핵심 비유: "완벽하지 않은 레시피로 요리를 하는 상황"

약이 몸속에서 어떻게 퍼지고, 어디에 모이며, 얼마나 오래 남을지 예측하는 것을 PBPK(생리학적 기반 약동학) 모델이라고 합니다. 이는 마치 **요리사 (컴퓨터 프로그램)**가 **새로운 재료 (약물)**를 보고 "이걸로 요리를 하면 맛이 어떻게 날까?"를 예측하는 것과 같습니다.

하지만 여기서 두 가지 큰 문제가 발생합니다.

레시피의 문제 (모델의 구조): 요리사마다 레시피 (공식) 가 다릅니다. 어떤 이는 "소금 1 티스푼"이라고 하고, 다른 이는 "소금 1 큰술"이라고 할 수 있습니다.
재료 정보의 문제 (입력 데이터): 새로운 재료를 사오는데, 포장지에 적힌 정보가 부정확하거나 아예 없다면 어떨까요? "이 재료는 100g 인가 200g 인가?", "맛은 단가 짠가?"를 AI 가 추측해야 합니다. 이 추측에는 **오차 (불확실성)**가 생깁니다.

이 논문은 **"부정확한 재료 정보 (AI 추측) 를 넣었을 때, 서로 다른 레시피 (모델) 를 가진 요리사들이 내리는 결론이 얼마나 달라지는지"**를 실험해 본 것입니다.

🔍 연구 내용: 4 명의 요리사 vs 1 만 개의 가상 재료

연구진은 4 가지 서로 다른 컴퓨터 모델 (요리사) 을 준비했습니다. 그리고 1 만 개가 넘는 가상의 약물 (재료) 을 만들어 실험했습니다.

1. 실험 방법: "날씨 예보"처럼 불확실성을 넣다

실제 약물은 아직 없기 때문에, 연구진은 컴퓨터로 가상의 약물을 만들었습니다. 그리고 이 약물의 성질 (용해도, 체내 분해 속도 등) 을 AI 가 추측한 값으로 넣었습니다. 이때 AI 의 추측에는 항상 오차가 있기 때문에, 연구진은 이 오차를 의도적으로 크게 만들어서 시뮬레이션을 1,000 번 이상 반복했습니다.

비유: "내일 비가 올 확률이 50%~90% 사이일 때, 4 개의 다른 날씨 예보 프로그램이 내리는 예보가 얼마나 일치할까?"를 확인하는 것과 같습니다.

2. 발견한 놀라운 사실: "특정한 약물은 예측이 완전히 엇갈린다"

대부분의 약물은 4 개의 모델이 비슷한 결과를 내었지만, 특정한 성질을 가진 약물에서는 결과가 크게 달라졌습니다.

어떤 약물이었나요?
- 기름기 (소수성) 가 많고,
- 전하를 띠고 (양이온성) 있는 약물들입니다.
- 비유: 마치 "기름기 많은 생선 (약물) 을 소금물에 담글 때, 어떤 요리사는 소금물을 많이 넣고, 어떤 요리사는 적게 넣어서 결과가 완전히 달라지는 상황"입니다.

이런 약물들은 모델마다 예측이 10 배 이상, 심지어 100 배 이상 차이가 날 수도 있었습니다. 특히 Mathew 라는 모델은 다른 모델들과는 전혀 다른 결론을 내리는 경향이 있었습니다.

3. 왜 이런 일이 일어났을까?

원인은 모델이 약물의 성질을 해석하는 방식의 차이였습니다.

모델 A: "약물이 기름기 (지질) 에 붙는 정도는 pH(산도) 에 따라 달라진다"고 가정합니다.
모델 B: "약물이 기름기에 붙는 정도는 pH 와 상관없이 일정하다"고 가정합니다.

이 작은 가정의 차이가, 불확실한 데이터가 들어오면 거대한 오차로 증폭되는 것입니다. 마치 나비효과처럼, 작은 차이가 결과물을 완전히 뒤바꿔버립니다.

💡 이 연구가 우리에게 주는 교훈

1. "완벽한 정답"은 없다, 하지만 "어디가 위험한지"는 알 수 있다

약물 개발 초기 단계에서 AI 를 쓸 때는, **"이 약은 기름기가 많고 전하를 띠는 경우엔 예측이 매우 불안정하다"**는 사실을 알아야 합니다. 이런 약물은 실험을 통해 직접 확인하지 않고는 신뢰할 수 없습니다.

2. 모델의 '레시피'를 고쳐야 한다

지금까지 개발된 모델 중 일부는 특정 약물에 대해 너무 민감하게 반응하거나, 오차가 커질 때 예측이 무너집니다. 연구진은 **"모델이 약물의 성질을 이분법적으로 (예/아니오) 나누지 말고, 더 유연하게 해석해야 한다"**고 제안합니다.

3. 데이터의 질이 중요하다

AI 가 약물의 성질을 예측하는 기술 (QSAR) 이 더 정확해지면, PBPK 모델의 예측도 훨씬 안정적이 됩니다. 하지만 모델 자체의 구조가 나쁘면, 아무리 좋은 데이터를 넣어도 결과가 엉망이 될 수 있습니다.

📝 한 줄 요약

"약물 개발 초기에 AI 로 약을 예측할 때, 기름기 많고 전하를 띠는 약물은 컴퓨터 프로그램마다 예측 결과가 크게 달라질 수 있으니, 무조건 믿기 전에 실험으로 꼭 확인해야 한다!"

이 연구는 AI 와 컴퓨터 모델이 얼마나 유용한지 보여주면서도, **"어디에 함정이 있는지"**를 정확히 짚어주어, 더 안전하고 신뢰할 수 있는 약물 개발을 돕는 나침반 역할을 합니다.

Each language version is independently generated for its own context, not a direct translation.

제공된 논문 "Prediction variability in physiologically based pharmacokinetic modeling of tissue disposition under deep uncertainty" (심층 불확실성 하의 조직 분포에 대한 생리학적 기반 약동학 모델링의 예측 변동성) 에 대한 상세한 기술적 요약입니다.

1. 연구 배경 및 문제 제기 (Problem)

맥락: AI 기반 약물 발견 (AI-driven drug discovery) 이 가속화되면서, 분자 구조에서 생체 내 거동을 예측하기 위해 머신러닝 (ML) 모델과 생리학적 기반 약동학 (PBPK) 모델을 결합한 가상 스크리닝 워크플로우가 등장하고 있습니다.
문제점:
- 심층 불확실성 (Deep Uncertainty): PBPK 모델은 생리학적 시스템의 추상화 (구조적 불확실성) 이며, 초기 발견 단계에서는 실험 데이터 대신 QSAR(정량적 구조 - 활성 관계) 모델로 예측된 입력 파라미터를 사용합니다 (파라미터 불확실성).
- 예측 신뢰성: 이러한 불확실성이 PBPK 모델의 예측 결과 (조직 노출량 등) 에 어떻게 전파되는지, 그리고 서로 다른 수학적 가정을 가진 모델들이 동일한 가상 화합물에 대해 얼마나 다른 결과를 산출하는지에 대한 이해가 부족합니다.
- 핵심 질문: 서로 다른 조직 분할 (tissue partitioning) 수학적 추상화를 가진 PBPK 모델들이 파라미터 불확실성에 대해 어떻게 다른 민감도를 보이는가? 어떤 화학 공간 (chemical space) 에서 모델 간 이견이 가장 극심한가?

2. 연구 방법론 (Methodology)

평가 대상 모델: 4 가지 PBPK 모델 비교
1. 저자들이 수정한 Rodgers & Rowland (R&R)-Lukacova 프레임워크 기반 모델.
2. Mathew et al. (2021) 의 R&R-Lukacova 기반 모델.
3. Pearce et al. (2017) 의 Schmitt 기반 모델 (보정 전 및 보정 후 버전).
데이터 및 검증:
- 모델 정확도 (Fidelity): 157 종의 약물 (992 개의 데이터 포인트) 에 대한 쥐의 조직 분배 계수 ( $K_p$ ) 와 862 종의 인간 $V_{ss}$ (분포 용적) 실험 데이터를 사용하여 모델의 정확도, 정밀도, 편향을 검증.
- 불확실성 전파 분석: Obach 데이터셋의 분포를 기반으로 생성된 10,000 개의 가상 분자 (pseudomolecules) 를 대상으로 몬테카를로 시뮬레이션을 수행.
- 파라미터 불확실성: QSAR 모델의 평균 절대 오차 (MAE) 를 반영하여 $RMM, f_u, CL_{int}, \log D, pK_a$ 등의 입력 파라미터에 노이즈를 추가.
- 성능 지표: $V_{ss}$ , 최대 비결합 농도 ( $C_{max,u}$ ), 비결합 농도 - 시간 곡선 아래 면적 ( $AUC_u$ ), 임계 농도 초과 시간 ( $T_{0.1\mu M}$ ) 등을 계산.
분석 기법:
- 모델 간 일치도 분석: Wasserstein 거리를 사용하여 모델 간 예측 분포의 차이를 정량화하고, K-means 클러스터링을 통해 화학 공간 내 모델 이견이 발생하는 영역 식별.
- 전역 민감도 분석 (Global Sensitivity Analysis): Sobol' 지수 (상관 및 비상관 효과 분리) 를 사용하여 각 입력 파라미터가 예측 변동성에 기여하는 정도를 분석.

3. 주요 결과 (Key Results)

A. 모델 정확도 및 편향

실험 데이터가 있는 알려진 화합물에 대해서는 4 가지 모델 모두 $K_p$ 와 $V_{ss}$ 예측에서 대체로 유사한 정확도를 보였으나, **이온화 상태 (ion class)**에 따라 편차가 발생했습니다.
특히 양이온성 (bases) 및 양쪽성 이온 (zwitterions) 화합물에서 Mathew 모델의 예측 오차가 상대적으로 컸습니다.

B. 화학 공간 내 모델 이견 (Model Disagreement)

이견 발생 영역: 10,000 개의 가상 분자 중 약 7.5%(751 개) 가 고도로 양성자화된 (highly protonated) 고친유성 (lipophilic) 분자 군집 (Cluster 1) 으로 분류되었습니다.
특징: 이 군집에서 모델 간 예측 불일치가 가장 극심하게 나타났으며, 특히 Mathew 모델이 다른 모델들과 뚜렷하게 다른 예측을 보였습니다.
원인: 이 이견은 단순한 파라미터 불확실성뿐만 아니라, 모델의 구조적 가정 (수학적 추상화) 차이에서 기인했습니다. Mathew 모델은 중성 분자만 지질에 분배된다고 가정하는 반면, 다른 모델들은 이온화된 종의 분배를 고려하는 방식이 달랐습니다.

C. 파라미터 불확실성의 영향

변동성 확대: 파라미터 불확실성이 도입되면, 특히 양성자화되고 친유성이 높은 분자에서 모델 간 예측 변동성 (Variance) 이 급격히 증가했습니다.
모델 보정의 영향: Pearce 모델의 경우, 실험 데이터에 기반한 보정 (calibration) 을 거치면 $V_{ss}$ 예측 변동성이 줄어들었으나, 이는 모델의 유연성을 저하시켜 새로운 화학 공간으로의 외삽 능력을 제한할 수 있음을 시사했습니다.

D. 민감도 분석 (Sobol' Analysis) 결과

Mathew 모델: $V_{ss}$ 변동성이 거의 전적으로 파라미터 간 상호작용 (interactions) 에 의해 설명되었습니다. 즉, 단일 파라미터의 정확도를 높이는 것만으로는 예측 신뢰도를 개선하기 어렵습니다.
기타 모델 (저자 모델, Pearce): $\log D$ (분배 계수) 와 $pK_a$ (이온화 상수) 가 변동성의 주요 원인이었으며, 이는 파라미터 간 상관관계와 독립적인 주효과 (first-order effect) 로 나타났습니다.
동적 PK 지표: $C_{max,u}$ 는 간 대사 ( $CL_{int}$ ) 에 거의 민감하지 않았으나, $AUC_u$ 와 $T_{0.1\mu M}$ 은 $CL_{int}$ 에 크게 의존했습니다. 특히 보정된 Pearce 모델은 친유성 분자의 경우 간 조직 노출을 증가시켜 $CL_{int}$ 의 영향을 더 크게 받도록 변화시켰습니다.

4. 주요 기여 및 결론 (Key Contributions & Significance)

심층 불확실성 하의 PBPK 모델 한계 규명: ML 기반 가상 스크리닝에서 파라미터 불확실성이 PBPK 예측에 미치는 영향을 체계적으로 정량화했습니다.
모델 선택의 중요성 강조: 단순히 실험 데이터에 대한 정확도 (fidelity) 가 높다고 해서 불확실성 하에서도 견고한 (robust) 모델을 보장하지 않음을 입증했습니다. 특히 이온화 상태를 지질 분배의 '필터'로 사용하는 이진적 가정 (binarization) 은 예측 변동성을 증폭시키는 원인이 될 수 있습니다.
화학 공간별 전략 제안:
- 고친유성/양성자화 분자: 현재 PBPK 모델들이 이 영역에서 큰 이견을 보이므로, 이러한 분자를 다룰 때는 단일 모델에 의존하기보다 여러 모델의 결과를 비교하거나 불확실성을 명시적으로 고려해야 함.
- QSAR 모델 개선 방향: $V_{ss}$ 예측의 변동성을 줄이기 위해서는 $\log D$ 와 $f_u$ (비결합 분율) 예측 모델의 정확도 향상이 가장 시급하며, 특히 Mathew 모델과 같은 구조에서는 파라미터 간 상호작용을 고려한 통합적 접근이 필요함.
실용적 시사점: 초기 약물 발견 단계에서 ML-PBPK 워크플로우를 사용할 때, 모델의 수학적 가정과 파라미터 불확실성이 어떻게 결합되어 예측 신뢰도를 떨어뜨리는지 이해하는 것이 필수적임을 강조했습니다.

5. 요약

이 연구는 AI 기반 약물 개발 파이프라인에서 PBPK 모델의 예측 변동성을 심층 불확실성 관점에서 분석했습니다. 연구 결과, 고친유성 양이온성 분자에서 모델 간 예측 불일치가 극심하며, 이는 파라미터 오차뿐만 아니라 모델의 구조적 가정 차이에서 비롯됨을 밝혔습니다. 또한, 특정 모델 (Mathew) 은 파라미터 간 복잡한 상호작용으로 인해 개별 파라미터 정확도 향상만으로는 예측 신뢰도를 높일 수 없음을 보여주었습니다. 이러한 발견은 가상 스크리닝 워크플로우 설계 시 모델 선택, 파라미터 불확실성 관리, 그리고 QSAR 모델 개발 우선순위를 설정하는 데 중요한 지침을 제공합니다.