Evolutionary algorithms accelerate de novo design of potent Nectin-4-specific cancer biologics

이 연구는 진화 유전 알고리즘과 AI 기반 설계를 결합하여 Nectin-4 표적에 대한 고친화성 미니바인더를 성공적으로 개발하고, 이를 항암 생물학적 제제 및 유세포 분석용 시약으로 확장 적용함으로써 난이도가 높은 표적의 단백질 설계 속도를 획기적으로 가속화했음을 보여줍니다.

핵심

이 논문은 **"인공지능 (AI) 이 만든 약초가 잘 안 될 때, 진화론을 이용해 어떻게 더 강력한 약을 만들었는가"**에 대한 이야기입니다.

비유하자면, AI 가 '최고의 열쇠'를 디자인하려고 했지만, 자물쇠 (암세포) 가 너무 복잡해서 열쇠가 잘 맞지 않았습니다. 연구팀은 이때 고대부터 내려온 '진화 (자연선택)'의 원리를 빌려와서, AI 가 만든 열쇠들을 수만 번씩 변형하고 다듬어 마침내 완벽하게 맞는 '슈퍼 열쇠'를 만들어냈습니다.

자, 이 과정을 일상적인 언어와 비유로 풀어보겠습니다.

---

1. 문제 상황: AI 가 만든 열쇠가 자물쇠에 안 맞아요

• 배경: 암세포 표면에 있는 **'네틴 -4(Nectin-4)'**라는 단백질은 암을 공격하기 좋은 표적입니다. 하지만 이 단백질은 표면이 매끄럽고 특이한 모양이라, 최신 AI 프로그램 (RFdiffusion) 이 아무리 노력해도 이걸 잘 붙잡을 수 있는 작은 단백질 (미니바인더) 을 잘 만들어내지 못했습니다.
• 비유: 마치 매우 정교하고 복잡한 자물쇠가 있는데, AI 가 만든 열쇠들은 대부분 자물쇠 구멍에 들어가지 않거나, 들어갔더라도 너무 헐거워서 열리지 않는 상황입니다. AI 가 50 번 시도해도 1 번 정도만 성공하는 수준이라, 이대로라면 시간이 너무 오래 걸립니다.

2. 해결책: AI 에게 '진화'를 시키다 (유전 알고리즘)

연구팀은 AI 가 처음 만든 열쇠들 (씨앗) 을 버리지 않고, 자연선택의 원리를 적용했습니다.

• 진화 과정 (유전 알고리즘):

  1. 선별: AI 가 만든 열쇠들 중에서 '자물쇠에 조금이라도 더 잘 맞는' 것들만 살아남게 합니다. (가장 잘 맞는 1% 만 선택)
  2. 변이 (돌연변이): 살아남은 열쇠들을 복사하되, 아주 살짝씩 모양을 바꿉니다. (예: 톱니 하나를 더 길게 하거나, 구멍을 조금 더 넓게 만들기)
  3. 재조합: 두 개의 좋은 열쇠를 잘라내서 서로 섞어 새로운 열쇠를 만듭니다.
  4. 반복: 이 과정을 수백 번 반복합니다. 매번 조금씩 더 잘 맞는 열쇠만 살아남아 진화합니다.

• 결과: AI 가 처음엔 실패한 디자인을, 진화 과정을 거치자 수만 배 더 효율적으로 개선할 수 있었습니다. 마치 수만 년의 진화를 1 시간 만에 압축한 것과 같습니다.

3. 실험 결과: 완벽한 열쇠가 탄생하다

이렇게 진화시킨 열쇠들을 실험실 (세포) 에서 테스트했습니다.

• 결과: 처음 AI 가 만든 열쇠들은 하나도 작동하지 않았지만, 진화를 거친 열쇠들은 암세포에 딱 달라붙어 떨어지지 않았습니다.
• 성능: 이 열쇠들은 아주 강력해서, 나노미터 (머리카락 굵기의 수만 분의 일) 단위의 아주 작은 양으로도 암세포를 확실하게 잡을 수 있었습니다.

4. 실제 활용: 암을 공격하는 '특수부대'로 변신

연구팀은 이 강력한 열쇠들을 두 가지 형태로 변신시켰습니다.

1. 탐지용 (Quatrobinders): 암세포가 어디에 있는지 찾아내는 '형광등' 역할을 합니다. 암세포만 빛나게 해서 의사가 정확히 진단할 수 있게 돕습니다.
2. 공격용 (TCE, T 세포 엔게이저): 이것이 가장 흥미로운 부분입니다. 이 열쇠는 한쪽 끝으로는 암세포에, 다른 쪽 끝으로는 우리 몸의 면역세포 (T 세포) 에 동시에 붙습니다.
   • 비유: 마치 암세포와 면역세포를 서로 손잡게 하는 '중매쟁이' 역할을 합니다. 면역세포가 암세포를 발견하고 "아, 이거다!" 하고 공격하게 만듭니다.
   • 효과: 실험 결과, 이 '중매쟁이' 열쇠들은 암세포를 효과적으로 사살했지만, 정상 세포는 건드리지 않았습니다.

5. 결론: 왜 이 연구가 중요한가요?

이 연구는 **"AI 가 처음부터 완벽할 필요는 없다"**는 것을 보여줍니다.

• AI 가 만든 초안 (씨앗) 이 아무리 초라해도, 진화 알고리즘이라는 도구를 통해 그것을 다듬고 개선하면, 전혀 예상치 못했던 어려운 목표 (네틴 -4 같은 단백질) 도 달성할 수 있다는 것을 증명했습니다.
• 이는 앞으로 새로운 암 치료제를 훨씬 빠르고 저렴하게 개발할 수 있는 길을 열어주었습니다. 마치 AI 가 설계도를 그리고, 진화가 시공을 맡아 완벽한 건물을 짓는 것과 같습니다.

한 줄 요약:

"AI 가 만든 약초가 안 맞자, 연구팀은 자연선택의 원리를 이용해 그 약초를 수만 번 변형시켜, 암세포를 정확히 찾아내고 공격하는 초강력 치료제를 만들어냈습니다."

기술 요약

1. 문제 제기 (Problem)

• AI 기반 단백질 설계의 한계: 최근 RFdiffusion 등 AI 기반 구조 생물학 도구는 새로운 단백질 바인더 (binder) 설계를 가능하게 했지만, 그 성능은 표적 단백질의 물리화학적 특성에 크게 의존합니다.
• 네트킨 -4 의 난이도: 네트킨 -4 는 방광암 등 고형암에서 과발현되는 항원으로, 기존에 성공한 PD-L1 과 구조적으로 유사함에도 불구하고, RFdiffusion 을 이용한 미니바인더 생성 시 성공률이 극히 낮았습니다.
  • PD-L1 은 결합에 유리한 소수성 패치 (hydrophobic patch) 가 명확히 존재하지만, 네트킨 -4 는 이러한 핫스팟이 뚜렷하지 않아 AI 가 결합 인터페이스를 예측하기 어렵습니다.
  • 기존 RFdiffusion 실험에서 네트킨 -4 에 대한 유망한 후보 (pAE 점수 <5) 는 PD-L1 대비 약 50 배 적게 생성되었으며, 계산 비용 대비 효율이 매우 떨어졌습니다.

2. 방법론 (Methodology)

연구진은 AI 로 생성된 초기 시드 (seed) 디자인을 **진화적 유전 알고리즘 (GA)**을 통해 최적화하는 파이프라인을 개발했습니다.

• 하이브리드 AI-GA 파이프라인:

  1. 시드 생성: RFdiffusion 을 사용하여 네트킨 -4 에 대한 초기 미니바인더 디자인 생성 (약 20,000 개 중 소수만 선별).
  2. 유전 알고리즘 (GA) 최적화:
     • 선택 (Selection): pAE(예측 정렬 오차) 및 ipTM 점수를 '적합도 (fitness)'로 사용하여 상위 디자인을 선별.
     • 다양화 (Diversification): 두 가지 전략을 테스트하여 변이를 도입:
       • 옵션 I (부분 확산, Partial Diffusion): RFdiffusion 의 부분 확산 기능을 활용하여 구조적 교란을 주고 ProteinMPNN 으로 시퀀스 재설계.
       • 옵션 II (직접 시퀀스 편집): Chai-1 및 ESM2 모델을 활용하여 점 돌연변이, 삽입/삭제 (indel), 교차 (crossover) 연산을 시퀀스 수준에서 수행.
  3. 반복 진화: 50 세대 이상의 진화 과정을 거쳐 pAE 점수가 낮은 (결합 예측이 좋은) 디자인으로 수렴.

• 실험적 검증 파이프라인:

  • 세포 표면 디스플레이 (Cell-surface display): HEK293T 세포에 미니바인더를 발현시키고, 인간/쥐/쥐/원숭이 네트킨 -4 Fc 융합 단백질로 염색하여 FACS 로 선별.
  • 생화학적 분석: 대장균 (E. coli) 에서 발현 및 정제 후, SPR(표면 플라즈몬 공명) 을 이용한 친화도 (KD) 측정, 열안정성 분석 (nanoDSF).
  • 기능성 평가:
    • Quatrobinder: 4 가 (tetravalent) 결합체로 제작하여 유세포 분석 (Flow Cytometry) 에서 세포 표면 네트킨 -4 검출 능력 평가.
    • 이중 특이성 T 세포 engager (TCE): OKT3(scFv) 와 네트킨 -4 미니바인더를 결합하여 T 세포 활성화 및 암 세포 살해 능력 평가.

3. 핵심 기여 (Key Contributions)

• 난이도 높은 표적 해결: 네트킨 -4 처럼 AI 단독 설계가 실패하거나 비효율적인 표적에 대해, GA 를 통한 진화적 정제 (evolutionary refinement) 가 설계 성공률을 획기적으로 높였음을 입증.
• 계산 효율성 증대: GA 기반 정제를 통해 동일한 수의 유망한 디자인을 얻는 데 필요한 계산 시간을 기존 방식 대비 약 90 배 단축 (pAE <5 인 디자인 획득 기준).
• 범용성: 이 방법은 RFdiffusion 뿐만 아니라 다른 AI 설계 알고리즘 (BindCraft, BoltzGen 등) 의 출력을 시드로 활용 가능하여, 다양한 설계 도구에 적용 가능한 범용 최적화 전략을 제시.

4. 주요 결과 (Results)

• 초기 디자인의 실패와 GA 의 성공: 초기 RFdiffusion 시드 디자인 116 개 중 실험적으로 결합하는 바인더는 0 개였으나, GA 를 통해 정제된 1,876 개의 후손 디자인 중 4.2% 의 성공률로 기능성 바인더를 발굴했습니다.
• 고친화성 및 안정성 확보:
  • 발굴된 네트킨 -4 미니바인더들은 단일 자리 나노몰 (single-digit nM) 에서 서브나노몰 (sub-nM) 수준의 친화도를 보였습니다. (예: 3-8-16: KD 1.2 nM, 3-24-26: KD 0.5 nM).
  • 높은 열안정성과 단량체/올리고머 형태의 안정적인 구조를 가졌습니다.
• 종 간 교차 반응성: 인간 네트킨 -4 는 물론, 쥐, 랫트, 원숭이 네트킨 -4 에도 광범위하게 결합하여 교차 반응성을 확인했습니다.
• 기능성 검증:
  • Quatrobinder: 네트킨 -4 가 과발현된 암 세포 (RT4, HT-1376) 를 특이적으로 검출하고, 녹아웃 (KO) 세포에서는 배경 수준으로 반응하여 높은 특이성을 입증.
  • TCE (T 세포 engager): 고친화성 미니바인더 (3-8-16, 3-24-26) 를 기반으로 제작된 TCE 는 네트킨 -4 양성 암 세포에 대해 T 세포를 특이적으로 활성화시키고, 표적 의존적으로 암 세포를 사멸시켰습니다. (특히 세척 후 T 세포를 추가하는 엄격한 조건에서도 유효함).

5. 의의 및 결론 (Significance)

• 차세대 암 치료제 개발 가속화: AI 설계의 한계를 보완하는 진화적 알고리즘을 도입함으로써, 기존에 접근하기 어려웠던 암 항원 (네트킨 -4) 에 대한 고친화성 치료제 후보를 빠르게 발굴할 수 있음을 증명했습니다.
• 다양한 바이오의약품 플랫폼 적용 가능성: 발굴된 미니바인더는 단순 결합뿐만 아니라, 항체 - 약물 접합체 (ADC), TCE 등 다양한 형태의 차세대 바이오의약품으로 전환이 가능함을 시연했습니다.
• 표적 의존성 문제 해결: 단백질 표면의 물리화학적 특성 (소수성 패치 유무 등) 에 따라 AI 설계 효율이 달라지는 문제를 GA 기반의 반복적 최적화로 극복할 수 있는 새로운 패러다임을 제시했습니다.

요약하자면, 이 연구는 AI(생성 모델) 와 진화 알고리즘(GA) 의 시너지를 통해 난이도 높은 암 표적에 대한 고성능 단백질 바인더를 설계하고, 이를 실제 치료제 (TCE 등) 로 기능화하는 데 성공한 획기적인 사례입니다.