MOZAIC: Compound Growth via In Silico Reactions and Global Optimization using Conformational Space Annealing

이 논문은 분자 조각을 기반으로 한 약물 발견 과정에서 합성 경로를 고려한 반응 기반 분자 성장과 전역 최적화 알고리즘을 결합하여 합성 가능성과 리드 유사성을 갖춘 새로운 화합물을 생성하는 MOZAIC 프레임워크를 제안합니다.

핵심

🧩 1. 문제점: "만들 수 없는 약"의 딜레마

약 개발자들은 보통 아주 작은 분자 조각 (퍼즐 조각) 들을 찾아서把它们 (그것들을) 결합해 큰 약을 만듭니다. 하지만 기존 컴퓨터 프로그램들은 **"이런 멋진 약을 만들 수 있다!"**라고 제안하곤 하지만, 막상 실험실에서 실제로 합성 (만들기) 해보면 **"아, 이건 화학 반응으로 만들 수 없네?"**라고 좌절하는 경우가 많았습니다.

또한, 인공지능 (AI) 이 만든 약들은 너무 비슷비슷하거나, 최적의 답을 찾지 못하고 중간에 멈추는 (국소 최적해) 문제가 있었습니다.

🏗️ 2. MOZAIC 의 등장: "현실적인 건축가"

이 문제를 해결하기 위해 개발된 MOZAIC은 다음과 같은 두 가지 핵심 기술을 사용합니다.

① "레고 블록"이 아닌 "실제 건축법" (반응 규칙)

기존 프로그램이 임의로 블록을 붙이는 것처럼 작동했다면, MOZAIC 은 **실제 화학 반응 규칙 (SMARTS)**을 따릅니다.

• 비유: 마치 레고 블록을 아무렇게나 붙이는 게 아니라, **실제 건축 공법 (시멘트, 나사, 용접 등)**을 알고 있는 숙련된 건축가가 일을 하는 것과 같습니다.
• 효과: 컴퓨터가 제안하는 약은 이론상만 존재하는 것이 아니라, 실제 실험실에서 합성할 수 있는 현실적인 약입니다.

② "전 세계를 훑는 나침반" (CSA 알고리즘)

MOZAIC 은 **Conformational Space Annealing (CSA)**이라는 기술을 사용합니다.

• 비유: 어두운 산에서 가장 높은 정상 (최고의 약) 을 찾는다고 상상해 보세요.
  • 일반적인 방법은 한 곳에서 시작해 조금씩 올라가다 보면, 작은 언덕에 멈춰서 진짜 높은 산을 못 찾을 수 있습니다.
  • 하지만 MOZAIC 은 **수백 명의 탐험대원 (다양한 분자 후보군)**을 동시에 보내고, 그들이 서로의 위치를 비교하며 점점 좁은 범위로 수렴해 가도록 합니다.
• 효과: 실수할 확률이 적고, 진짜 최고의 약 후보를 찾을 확률이 매우 높습니다.

⚖️ 3. 목표: "세 마리 토끼"를 다 잡기

MOZAIC 은 약을 만들 때 다음 세 가지 조건을 동시에 만족시키려 노력합니다.

1. 약효 (Binding Affinity): 병균이나 바이러스에 딱 붙어서 효과를 내야 합니다. (강한 접착제)
2. 안전성 (Drug-likeness/QED): 인체에 해롭지 않고 약처럼 잘 작용해야 합니다.
3. 만들기 쉬움 (Synthetic Accessibility): 실험실에서 쉽게 합성할 수 있어야 합니다.

이 세 가지를 동시에 저울질하며 가장 균형 잡힌 약을 찾아냅니다.

🧪 4. 실제 성과: 실험실에서의 검증

연구진은 MOZAIC 을 실제 약 개발 사례에 적용해 보았습니다.

• 사례 1 (PDE10A): 이미 알려진 약 (MK-8189) 보다 더 강력하게 결합하는 새로운 분자를 찾아냈습니다. 기존 약보다 결합력이 70% 이상 향상되었습니다.
• 사례 2 (TrmD): 다른 프로그램 (CReM-dock) 과 비교했을 때, MOZAIC 은 더 다양한 구조의 약을 만들어냈습니다. 기존 프로그램이 비슷한 모양의 약만 계속 만들어냈다면, MOZAIC 은 완전히 새로운 형태의 약 (새로운 골격) 을 발견했습니다.
• 사례 3 (수용성 개선): 약이 물에 잘 녹지 않는 문제를 해결하기 위해, MOZAIC 의 설정을 바꿔 물에 잘 녹는 약을 찾도록 지시했습니다. 그 결과, 약효는 유지하면서 물에 녹는 성질을 크게 개선한 후보 물질을 찾아냈습니다.

🚀 5. 결론: 왜 이것이 중요한가요?

MOZAIC 은 **"컴퓨터로 설계한 약"**과 "실제 실험실에서 만드는 약" 사이의 간극을 좁혀줍니다.

• 창의성: 단순히 기존 약을 조금 변형하는 게 아니라, 완전히 새로운 형태의 약을 제안합니다.
• 현실성: 화학 반응 규칙을 따르기 때문에, 제안된 약은 실제로 만들 수 있습니다.
• 유연성: 연구자가 "약효를 더 높여라", "물에 잘 녹게 해라"라고 지시하면, 그에 맞춰 최적의 약을 찾아줍니다.

한 줄 요약:

MOZAIC 은 실제 화학 공법을 알고 있는 똑똑한 건축가가, 전 세계를 훑는 나침반을 들고 가장 튼튼하고 만들기 쉬운 최고의 약을 찾아주는 도구입니다.

이 기술이 발전하면, 앞으로 더 빠르고 저렴하게 새로운 약을 개발할 수 있게 될 것입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 기존 FBDD 의 한계: 분자 조각 기반 약물 발견 (FBDD, Fragment-Based Drug Discovery) 은 작은 분자 조각을 결합하여 화학 공간을 탐색하는 효율적인 전략입니다. 그러나 기존 컴퓨테이셔널 방법 (유전 알고리즘, AI 기반 생성 모델 등) 은 다음과 같은 심각한 문제점을 가지고 있습니다.
  • 합성 불가능성: 제안된 분자가 실제 실험실에서 합성하기 어려운 경로로 생성될 수 있음.
  • 국소 최적해 (Local Minima) 문제: 유전 알고리즘 등이 전역 최적해 대신 국소 최적해에 갇힐 위험이 있음.
  • 편향성: AI 기반 방법은 학습 데이터의 편향을 반영하여 생성된 분자의 다양성이 제한될 수 있음.
  • 다목적 최적화의 부재: 결합 친화도 (Binding Affinity), 합성 용이성 (Synthetic Accessibility, SA), 약물 유사성 (Drug-likeness, QED) 등을 동시에 균형 있게 최적화하는 데 어려움이 있음.

2. 방법론 (Methodology)

저자들은 MOZAIC (Molecule Optimization via AutoDock Vina, in silico fragment reaction, and Conformational Space Annealing) 라는 새로운 프레임워크를 제안했습니다. 이는 구조 기반 분자 조각 성장 (Fragment Growing) 과 전역 최적화 알고리즘을 결합한 접근법입니다.

• 핵심 구성 요소:
  1. 반응 기반 분자 성장 (Reaction-based Fragment Growing):
     • 단순한 원자/결합 추가가 아닌, 실제 유기 합성 반응 규칙 (SMARTS 기반) 을 적용하여 분자를 성장시킵니다.
     • 이를 통해 생성된 분자는 합성 경로가 명확하며 실험적으로 합성 가능한 (Synthesizable) 화합물을 보장합니다.
     • AutoClickChem, Robust RxN, ChemoDOTS 등 104 가지 반응 규칙과 ZINC20 데이터베이스의 89 만 개 이상의 분자 조각 라이브러리를 활용합니다.
  2. 구형 공간 어닐링 (Conformational Space Annealing, CSA):
     • 분자 최적화를 위한 강력한 전역 최적화 알고리즘을 적용합니다.
     • CSA 는 초기 '뱅크 (Bank)'에서 '씨앗 (Seed)'과 '파트너 (Partner)' 분자를 선택하여 교차 (Crossover) 와 변이 (Mutation) 를 수행하고, 생성된 '자식 (Children)' 분자를 평가합니다.
     • 거리 컷오프 (Distance Cutoff, $D_{cut}$) 전략: 초기에는 넓은 화학 공간을 탐색하도록 컷오프 값을 크게 설정하고, 점차 축소하여 최종적으로 전역 최적해에 수렴하도록 유도합니다. 이는 국소 최적해 회피와 다양성 확보에 핵심적입니다.
  3. 목적 함수 (Objective Function):
     • 세 가지 지표를 통합하여 분자의 적합도 (Fitness) 를 평가합니다:
       • AutoDock Vina Score: 표적 단백질에 대한 결합 친화도 예측.
       • QED (Quantitative Estimate of Drug-likeness): 약물 유사성 평가.
       • SA Score (Synthetic Accessibility): 합성 용이성 평가 (낮을수록 합성 쉬움).
     • 이 함수는 모듈화되어 있어, 용해도 (Solubility) 등 다른 물리화학적 속성으로 쉽게 교체 가능합니다.

3. 주요 기여 및 혁신성 (Key Contributions)

• 합성 가능성 보장: 실제 화학 반응 규칙 (SMARTS) 을 기반으로 분자를 생성하여, 계산적으로 설계된 분자가 실험실 합성으로 이어질 수 있는 가능성을 높였습니다.
• 다목적 최적화 균형: 결합 친화도, 합성 용이성, 약물 유사성을 동시에 고려하여 균형 잡힌 리드 화합물을 도출합니다.
• 높은 화학적 다양성: CSA 알고리즘을 통해 국소 최적해를 탈출하고, 기존 분자와 구조적으로 다른 새로운 스캐폴드 (Scaffold) 를 탐색하여 화학 공간의 폭을 넓힙니다.
• 유연한 목적 함수: 사용자의 필요에 따라 최적화 목표를 결합 친화도에서 용해도 등 다른 속성으로 변경할 수 있는 모듈형 구조를 제공합니다.

4. 실험 결과 (Results)

세 가지 벤치마크를 통해 MOZAIC 의 성능을 검증했습니다.

• PDE10A (Phosphodiesterase 10A) 최적화:
  • 초기 분자 (Ki = 8.7 μM) 를 리드 화합물 (MK-8189, Ki = 0.029 nM) 수준으로 최적화했습니다.
  • MOZAIC 가 생성한 최상위 분자는 Vina 점수 (-10.359 kcal/mol) 에서 MK-8189 (-7.770 kcal/mol) 보다 우수한 결합 친화도를 보였으며, QED 와 SA 점수도 유지되었습니다.
  • 초기 뱅크 구성의 중요성: 무작위 선택이나 점수 기반 선택보다 MaxMinPicker(분자 다양성 기반) 로 초기 뱅크를 구성했을 때 CSA 의 최종 최적화 성능이 가장 뛰어났음을 확인했습니다.
• TrmD 최적화 및 CReM-dock 비교:
  • 기존 유전 알고리즘 기반 도구인 CReM-dock 과 비교했습니다.
  • MOZAIC 는 CReM-dock 보다 더 낮은 결합 에너지 (더 강한 결합) 를 가진 분자를 생성했습니다.
  • 다양성: MOZAIC 는 CReM-dock 에 비해 더 높은 스캐폴드 엔트로피 (Scaffold Entropy) 를 보이며, 단순한 치환이 아닌 고리 형성 등 구조적으로 다양한 화합물을 생성했습니다.
• 수용체 구조 불확실성 테스트 (ADRB2):
  • 실험적 결정 구조 (X-ray) 와 AlphaFold3 (AF3) 예측 구조를 모두 사용하여 테스트했습니다.
  • AF3 구조에서도 MOZAIC 는 알려진 활성 리간드와 경쟁력 있는 결합 점수와 우수한 약물 유사성을 가진 화합물을 생성하여, 수용체 구조의 오차에 대한 강건성 (Robustness) 을 입증했습니다.
• 물리화학적 속성 커스터마이징 (PPARγ):
  • 목적 함수의 QED/SA 를 용해도 (ESOL 모델) 로 교체하여 PPARγ 리간드의 용해도와 결합 친화도를 동시에 개선했습니다.
  • 초기 분자 대비 용해도 (logS) 가 크게 향상되면서도 결합 친화도도 개선된 분자를 성공적으로 찾았습니다.

5. 의의 및 결론 (Significance)

• 계산 설계와 실험의 간극 해소: 합성 가능한 반응 규칙을 기반으로 하여, 컴퓨터로 설계된 분자가 실제 약물 개발 파이프라인으로 전환될 가능성을 높였습니다.
• 효율적인 리드 최적화: CSA 알고리즘을 통해 화학 공간을 효율적으로 탐색하며, 반복적인 유사체 생성을 피하고 새로운 화학적 공간 (Chemotype) 을 개척할 수 있습니다.
• 다양한 적용 가능성: 결합 친화도뿐만 아니라 용해도, 독성 등 다양한 물리화학적 속성을 목표로 하는 분자 최적화에 유연하게 적용 가능합니다.
• 향후 과제: 현재 AutoDock Vina 의 정확도 한계 (용매 효과, 표적 유연성 미고려) 와 사전 정의된 반응 규칙의 제한을 극복하기 위해, 더 넓은 반응 규칙과 양자 역학 기반 스코어링, 그리고 결합 부위 예측 도구 (Fpocket 등) 를 통합하는 방향으로 발전할 예정입니다.

요약하자면, MOZAIC 는 합성 가능성, 결합 친화도, 약물 유사성을 동시에 고려하며 전역 최적화 알고리즘을 통해 화학 공간을 효율적으로 탐색하는 차세대 FBDD 프레임워크로, 계산 화학 기반의 약물 발견 과정을 실용화하는 데 중요한 기여를 할 것으로 기대됩니다.