vToxiNet: a biologically constrained deep learning framework for interpretable prediction of drug-induced hepatotoxicity

이 논문은 화학 구조, 고처리량 어세이 반응, 전사체 서명 및 Reactome 경로 계층을 통합하여 생물학적 지식을 신경망 아키텍처에 직접 반영함으로써, 간독성 예측의 정확성과 기전 해석 가능성을 동시에 확보한 새로운 프레임워크인 'vToxiNet'을 제안합니다.

핵심

이 논문은 **"약물이 간을 해칠지 미리 알아내는 똑똑한 인공지능"**에 대한 이야기입니다.

기존의 방법들은 동물 실험을 하거나, 약물의 모양 (화학 구조) 만 보고 판단했는데, 이는 시간이 많이 걸리고 동물에게도 고통을 주며, 사람에게는 정확하지 않을 때가 많았습니다.

이 연구팀은 **'vToxiNet'**이라는 새로운 인공지능을 개발했습니다. 이 AI 는 단순히 약물의 모양만 보는 게 아니라, 약물이 우리 몸속에서 어떤 일을 일으키는지 그 '과정'까지 이해하도록 설계되었습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

🏥 1. 문제 상황: "간을 해치는 약을 어떻게 미리 알까?"

약이 간을 망가뜨리는 이유는 매우 복잡합니다. 마치 집에 도둑이 들었을 때를 상상해 보세요.

• 기존 방법 (동물 실험): 도둑이 들어오기 전에 미끼를 놓고 감시하는 것인데, 시간이 너무 오래 걸리고, 미끼가 사람과 동물이 달라서 정확하지 않을 수 있습니다.
• 기존 AI (블랙박스): 도둑의 옷차림 (약의 모양) 만 보고 "저 사람은 도둑일 거야"라고 맞히는 것입니다. 하지만 옷차림이 비슷해도 도둑이 아닐 수도 있고, 옷차림이 달라도 도둑일 수도 있어 설명이 안 됩니다.

🧠 2. 해결책: vToxiNet (가상의 독성 네트워크)

연구팀은 이 AI 를 **"약물의 몸속 여정을 따라가는 탐정"**으로 만들었습니다. 이 AI 는 약물이 들어오면 다음과 같은 과정을 거칩니다.

1. 입구 (약물의 모양): 약물의 화학 구조를 봅니다.
2. 초동 대응 (수용체 결합): 약물이 세포의 어떤 문 (수용체) 을 두드리는지 확인합니다.
3. 신호 전달 (유전자 작동): 그 문이 열리면서 어떤 경보 (유전자) 가 울리는지 봅니다.
4. 대규모 동원 (경로 활성화): 경보가 울리면 어떤 부대 (생물학적 경로) 가 움직여 문제를 해결하려는지, 혹은 오히려 혼란을 부르는지 추적합니다.
5. 최종 판단 (간 손상): 모든 과정을 종합해서 "이 약은 간을 망가뜨릴 확률이 높다"고 결론 내립니다.

핵심 아이디어: 이 AI 는 단순히 정답을 외우는 게 아니라, **생물학 교과서 (Reactome 경로)**를 공부하고 그 지식에 따라 연결된 구조로 만들어졌습니다. 그래서 "왜" 그 약이 위험하다고 판단했는지 이유를 설명할 수 있는 (해석 가능한) AI 입니다.

🕵️‍♂️ 3. 어떻게 작동할까? (비유: 공장 감시 시스템)

이 AI 를 거대한 공장 감시 시스템이라고 상상해 보세요.

• 입력: 공장에 들어오는 원자재 (약물) 를 스캔합니다.
• 1 단계 감시 (MIE): 원자재가 어떤 기계 (수용체) 에 닿았는지 봅니다.
• 2 단계 감시 (유전자): 그 기계가 작동하면서 어떤 경고등 (유전자) 이 켜졌는지 봅니다.
• 3~7 단계 감시 (경로): 경고등이 켜지면 어떤 부서 (대사, 면역 반응 등) 가 혼란을 겪는지, 그 혼란이 어떻게 퍼져나가는지 추적합니다.
• 최종 결과: 만약 "대사 부서"와 "면역 부서"가 동시에 과열되어 공장 (간) 이 멈출 것 같다면, AI 는 "이 원자재는 위험하다!"라고 알립니다.

이때 AI 는 단순히 "위험하다"고만 말하는 게 아니라, **"왜 위험한가? -> A 기계가 B 유전자를 자극해서 C 부서가 과열되었기 때문이다"**라고 구체적인 이유를 알려줍니다.

📊 4. 결과는 어땠나요?

• 정확도: 기존 AI 들보다 더 정확하게 약물의 위험성을 예측했습니다. 특히 이전에 본 적이 없는 새로운 약물에 대해서도 잘 대처했습니다.
• 설명 가능성: AI 가 "이 약은 위험하다"고 할 때, 어떤 유전자와 경로가 문제였는지 구체적으로 보여줍니다. 예를 들어, "이 약은 간에서 독성 물질을 만드는 효소를 과도하게 자극해서 위험하다"는 식으로 설명이 가능합니다.
• 실제 검증: 독립적인 데이터셋에서도 좋은 성능을 보여, 실제 약물 개발 현장에서 쓸 수 있는 가능성이 높다는 것을 증명했습니다.

💡 5. 왜 이 연구가 중요할까요?

이 연구는 **"블랙박스 (이유를 모르는 AI)"**에서 **"화이트박스 (이유를 설명할 수 있는 AI)"**로 넘어가는 중요한 발걸음입니다.

• 동물 실험 감소: 더 정확한 예측으로 불필요한 동물 실험을 줄일 수 있습니다.
• 안전한 약물 개발: 약이 시판되기 전에 간 손상 위험을 미리 찾아내어, 사람들이 위험한 약을 먹지 않도록 막을 수 있습니다.
• 이해 가능한 과학: 의사나 연구자들이 AI 의 판단을 믿고 따라갈 수 있도록, 그 이유를 명확하게 알려줍니다.

🎁 요약

이 논문은 **"약물이 간을 해칠지 예측하는 AI 를 만들었는데, 이 AI 는 단순히 맞히는 게 아니라 생물학 교과서를 공부해서 '왜' 위험한지 이유까지 설명해 주는 똑똑한 탐정"**이라는 내용입니다. 이를 통해 더 안전하고 빠른 약물 개발이 가능해질 것이라고 기대합니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 약물 유발 간독성 (Hepatotoxicity) 의 중요성: 간독성은 신약 개발 실패의 주요 원인이며, 시판 후 약물 회수의 가장 흔한 원인입니다.
• 기존 방법론의 한계:
  • 동물 실험: 시간과 비용이 많이 들며, 종 간 차이로 인해 인간에게 적용하기 어렵습니다 (특히 특발성 간독성).
  • 전통적 기계학습 모델 (QSAR 등): 대부분 화학 구조 정보에만 의존하거나, 예측 과정이 불투명한 '블랙박스' 모델로 작동하여 기전적 해석이 어렵습니다.
  • 규제 당국의 요구: 국제적 가이드라인 (ICH, OECD) 은 기계학습 모델의 예측에 대한 기전적 해석 (mechanistic interpretation) 을 강조하고 있습니다.
• 해결 과제: 화학 구조, 고처리량 스크리닝 (HTS), 전사체 데이터 등을 통합하면서도 생물학적 지식을 네트워크 구조에 직접 반영하여, 예측 정확도와 기전 해석 가능성을 동시에 확보할 수 있는 새로운 프레임워크가 필요합니다.

2. 방법론 (Methodology)

2.1. vToxiNet 아키텍처 (Biologically Constrained Deep Learning)

저자들은 **가상 독성 네트워크 (vToxiNet)**를 개발하였으며, 이는 부작용 경로 (Adverse Outcome Pathway, AOP) 개념을 신경망 아키텍처에 직접 인코딩한 구조입니다.

• 입력층 (Input Layer): 834 개의 Saagar 분자 지문 (chemical fragments) 을 사용하여 화학 구조 정보를 입력받습니다.
• 은닉층 (Hidden Layers) - 생물학적 계층 구조:
  1. MIE 층 (Molecular Initiating Events): 215 개의 고처리량 스크리닝 (ToxCast/Tox21) 어레이 응답을 모델링합니다.
  2. 유전자 층 (Gene Layer): 간손상과 관련된 280 개의 유전자 발현 프로필 (L1000 데이터) 을 반영합니다.
  3. 경로 층 (Pathway Layers): Reactome 경로 계층 구조를 기반으로 5 개의 계층으로 구성된 1,119 개의 생물학적 경로를 포함합니다.
     • 제약 조건: 유전자 - 경로 및 경로 - 경로 간의 연결은 생물학적 지식 (자식 - 부모 관계) 에 기반하여 제한되어 있으며, 이는 완전 연결 신경망과 달리 희소 (sparse) 하고 해석 가능한 구조를 만듭니다.
• 출력층 (Output Layer): 간독성 (양성/음성) 확률을 예측합니다.
• 학습 전략: 보조 레이어 (Auxiliary Layer) 접근법을 사용하여 각 경로 모듈의 출력을 보조 스칼라로 변환하고, 최종 손실 함수에 포함시켜 경로별 패턴 학습을 강화했습니다.

2.2. 데이터 통합 (Multimodal Data Integration)

• 화학 데이터: Saagar 지문.
• HTS 데이터: ToxCast/Tox21 데이터베이스에서 추출된 215 개의 MIE 어레이 (결측치는 QSAR 모델로 보간).
• 전사체 데이터: L1000 플랫폼의 유전자 발현 데이터 (ModZ 점수).
• 지식 베이스: Reactome 경로 계층 구조와 CTD (Comparative Toxicogenomics Database) 의 유전자 - 질병 상호작용 정보.

2.3. 모델 해석 (Interpretability)

• Layer-wise Relevance Propagation (LRP): 예측 결과를 역전파하여 각 뉴런 (유전자, 경로) 이 최종 예측에 기여한 정도를 정량화하는 **관련성 점수 (Relevance Score, R-score)**를 계산합니다. 이를 통해 어떤 유전자와 경로가 간독성 발생에 기여했는지 기전적으로 추적할 수 있습니다.

3. 주요 결과 (Key Results)

3.1. 예측 성능

• 교차 검증 및 외부 검증: vToxiNet 은 5-fold 교차 검증에서 AUROC 0.68, 균형 정확도 (Balanced Accuracy) 0.63 을 달성했습니다.
• 외부 테스트 세트: 구조적으로 다른 분자 스키프 (scaffold) 를 가진 249 개의 화합물에 대한 외부 테스트에서 AUROC 0.74, 평균 정밀도 (Average Precision) 0.95 를 기록하여 강력한 일반화 능력을 입증했습니다.
• 비교 분석: 화학 구조만 사용한 기존 QSAR 모델 (Random Forest, SVM, Dense Neural Network) 및 단일 데이터 소스 (유전자 발현만 등) 기반 모델보다 vToxiNet 이 동등하거나 더 우수한 성능을 보였습니다. 특히 생물학적 계층 구조와 다중 모달 데이터를 통합한 것이 성능 향상의 핵심이었습니다.

3.2. 기전적 통찰 (Mechanistic Insights)

• 유전자 및 경로 식별: LRP 분석을 통해 간독성 화합물에서 높은 관련성 점수를 보인 유전자 (예: CYP2A6, CYP2B6, GSTM4 등 대사 관련 효소) 와 경로 (예: 산화 스트레스 반응, 면역 반응, 대사 조절) 를 식별했습니다.
• KEAP1-NFE2L2 신호 전달: 산화 스트레스에 대한 적응 반응 경로가 간독성 화합물에서 유의미하게 활성화됨을 확인했습니다.
• 다양성: 단일 분자 표적의 변화보다는 여러 경로의 복합적 교란이 간독성을 유발한다는 것을 모델이 포착함을 보여주었습니다.

3.3. 독립 외부 데이터셋 검증

• DILIst, LTKB 등 독립적인 외부 데이터셋 (267 개 화합물) 에서도 일관된 성능을 보였으며, 특히 특정 화학적 스키프 (예: 스테로이드, 디페닐아민 계열) 를 가진 화합물에 대해 유사한 기전적 서명을 포착하여 예측의 신뢰성을 입증했습니다.

4. 주요 기여 (Key Contributions)

1. 생물학적 제약이 가해진 딥러닝 프레임워크: 기존의 블랙박스 모델과 달리, 생물학적 지식 (AOP, Reactome) 을 신경망의 구조적 제약으로 직접 통합하여 **해석 가능성 (Interpretability)**을 내재화했습니다.
2. 다중 모달 데이터 통합: 화학 구조, HTS 어레이, 전사체 데이터를 하나의 통합된 모델에서 학습시켜, 단일 데이터 소스의 한계를 극복하고 예측 정확도를 높였습니다.
3. 기전 기반 위험 평가 지원: 모델이 단순히 '독성 여부'만 예측하는 것이 아니라, 어떤 유전자와 경로를 통해 독성이 발생하는지를 설명할 수 있어, 규제 과학 및 신약 개발에서의 의사결정을 지원합니다.

5. 의의 및 결론 (Significance)

• 규제 과학의 혁신: vToxiNet 은 동물 실험을 대체할 수 있는 새로운 접근법 (NAMs) 의 핵심 도구로, 인간 관련성 (human relevance) 이 높고 기전이 명확한 독성 예측 모델을 제공합니다.
• 복잡한 생물학적 결과 모델링의 패러다임 전환: 복잡한 생물학적 현상을 모델링할 때, 데이터 중심의 접근법뿐만 아니라 지식 기반의 구조적 제약을 결합함으로써 예측 정확도와 해석 가능성을 동시에 달성할 수 있음을 증명했습니다.
• 미래 전망: 향후 고해상도 노출 데이터 및 약물동력학 (PK) 데이터의 통합을 통해 모델의 예측 강건성과 임상적 관련성을 더욱 강화할 수 있을 것으로 기대됩니다.

이 연구는 계산 독성학 분야에서 **해석 가능한 인공지능 (Explainable AI)**의 중요성을 부각시키며, 약물 안전성 평가의 표준으로 자리 잡을 수 있는 강력한 프레임워크를 제시했습니다.