Integrated proteomic screening reveals design principles of CRBN molecular glue degraders

본 논문은 통합 프로테오믹 스크리닝과 해석 가능한 머신러닝을 활용하여 CRBN 기반 분자 접착제 분해제 (MGD) 의 새로운 네오기질 230 개 이상을 발견하고, 이를 통해 차세대 MGD 의 합리적 설계를 위한 핵심 원리를 제시합니다.

핵심

1. 배경: 세포의 쓰레기 수거대 (CRBN)

우리 몸의 세포에는 **'CRBN'**이라는 이름의 쓰레기 수거대가 있습니다. 이 수거대는 평소에는 특정 쓰레기 (병든 단백질) 만 골라서 태워버립니다. 하지만 과학자들은 이 수거대에 **'특수 열쇠 (분자 접착제, MGD)'**를 꽂으면, 수거대가 원래 잡지 않던 **새로운 쓰레기 (neosubstrate)**까지 골라서 없애게 만들 수 있다는 것을 알아냈습니다.

이전에는 이 열쇠가 어떤 모양일지, 어떤 쓰레기를 잡을지 알기 위해 하나하나 실험해야 해서 매우 느리고 어려웠습니다.

2. 이 연구의 핵심: 거대한 열쇠 도서관과 AI

이 연구팀은 **960 개나 되는 다양한 모양의 '열쇠 (화합물)'**를 준비했습니다. 그리고 이 열쇠들을 세포에 넣어보면서, 어떤 쓰레기가 사라지는지를 아주 정밀하게 관찰했습니다.

• 대규모 실험: 마치 도서관에서 책 960 권을 한 번에 꺼내서, 어떤 책이 사라지는지 확인하는 것과 같습니다.
• 새로운 발견: 이 실험을 통해 **230 개 이상의 새로운 쓰레기 (단백질)**가 이 열쇠들에 의해 제거된다는 것을 발견했습니다. 그중 124 개는 아예 처음 발견된 것들입니다.
• 놀라운 사실: 기존에는 "쓰레기 수거대에 걸리려면 쓰레기 표면에 특정 고리 (G-loop) 가 있어야 한다"고 생각했는데, 이 연구는 고리가 없는 쓰레기들도 열쇠 모양만 맞으면 잡힌다는 것을 증명했습니다.

3. 구체적인 사례: 두 가지 새로운 쓰레기

연구팀은 특히 두 가지 흥미로운 쓰레기를 자세히 분석했습니다.

• IRAK1 (염증 관련 쓰레기): 이 쓰레기는 고리가 없는데도 열쇠에 걸렸습니다. 연구팀은 이 쓰레기의 **어떤 부분 (도메인)**이 열쇠와 맞물리는지 찾아냈습니다. 이는 염증성 질환을 치료할 수 있는 새로운 열쇠를 만드는 데 큰 도움이 됩니다.
• BCL6 (암 관련 쓰레기): 이 쓰레기는 고리가 있지만, 기존 열쇠로는 잘 잡히지 않았습니다. 연구팀은 새로운 열쇠를 만들어서 이 쓰레기를 강력하게 제거하는 데 성공했습니다. 마치 자물쇠를 더 잘 맞는 열쇠로 교체한 것과 같습니다.

4. AI 의 역할: 열쇠 모양을 예측하는 마법사

가장 흥미로운 부분은 **인공지능 (AI)**이 사용된 점입니다. 연구팀은 960 개의 열쇠 모양과, 그 열쇠가 잡은 쓰레기들의 데이터를 AI 에게 학습시켰습니다.

• 학습 결과: AI 는 "이런 모양의 열쇠는 A 쓰레기를 잡고, 저런 모양은 B 쓰레기를 잡는다"는 패턴을 찾아냈습니다.
• 실용성: 이제부터는 새로운 열쇠를 만들 때, 실험실로 뛰어가서 일일이 테스트할 필요 없이, AI 가 "이 열쇠는 BCL6 쓰레기를 잡을 확률이 90% 입니다"라고 미리 알려줄 수 있게 되었습니다.

5. 결론: 왜 이 연구가 중요한가요?

이 연구는 단순히 쓰레기 목록을 늘린 것을 넘어, 미래의 신약 개발 방식을 바꿉니다.

1. 빠른 발견: 원하는 질병 관련 단백질을 잡는 열쇠를 훨씬 빠르게 찾을 수 있습니다.
2. 정밀한 설계: AI 가 알려주는 패턴을 바탕으로, 원하지 않는 쓰레기는 잡지 않고 오직 목표한 병든 단백질만 제거하는 '맞춤형 열쇠'를 설계할 수 있습니다.
3. 데이터 공유: 연구팀은 발견한 모든 데이터를 **네오서브스트레이트 데이터베이스 (NeosubstratesDB)**라는 공개된 장부처럼 만들어 전 세계 과학자들이 자유롭게 쓸 수 있게 했습니다.

한 줄 요약:

"이 연구는 세포의 쓰레기 수거대를 조종하는 960 가지 열쇠를 실험해보고, AI 가 그 열쇠의 비밀을 해독하여 앞으로는 원하는 병만 치료하는 맞춤형 열쇠를 쉽게 만들 수 있는 길을 터주었습니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: CRBN 기반 MGDs 는 질병 관련 단백질을 선택적으로 분해하여 치료 잠재력을 보여주고 있습니다 (예: 탈리도마이드 유도체). 그러나 기존 연구들은 제한된 화합물 라이브러리와 소수의 알려진 표적에 의존하여, 화합물 구조와 프로테옴 전체의 분해 프로파일 간의 상관관계를 체계적으로 매핑하는 데 한계가 있었습니다.
• 문제점:
  • 기존 데이터셋은 대규모이며 공개적으로 접근 가능한 프로테오믹스 데이터가 부족하여 기계학습 기반의 예측 모델 개발이 어려웠습니다.
  • 직접적인 결합 (direct binding) 과 간접적인 효과 (indirect effects) 를 구분하기 어렵고, G-loop 도메인이 없는 비전통적 표적의 발견이 미흡했습니다.
  • MGD 의 선택성을 결정하는 분자적 서명 (molecular fingerprints) 을 체계적으로 규명하지 못했습니다.

2. 방법론 (Methodology)

연구팀은 960 개의 CRBN 기반 MGD 화합물 라이브러리를 대상으로 한 대규모 통합 스크리닝 전략을 수립했습니다.

• 고처리량 프로테오믹스 스크리닝:
  • 모델: CRBN 과다발현 HEK293 세포주 사용.
  • 처리: 960 개 화합물을 6 시간 동안 처리 (중복 측정).
  • 분석: 데이터 독립적 획득 (DIA-MS) 을 통해 10,000 개 이상의 단백질 그룹을 정량화.
  • 활성 분류: 분해된 단백질 수에 따라 비활성, 저활성, 중활성, 고활성 화합물로 분류.
• 2 차 효과 제거 및 검증 전략:
  • GSPT1-G575N 돌연변이 세포주: GSPT1 분해로 인한 2 차 단백질 합성 저해 효과를 차단하기 위해 분해 저항성 돌연변이 세포주를 사용하여 직접적인 CRBN 네오서브스트레이트를 발굴.
  • MLN4924 (Neddylation 억제제) 처리: CRL4CRBN 리가제 의존성을 확인하여 CRBN 의존적 표적과 비의존적 오프타겟을 구분.
  • CRBN 녹아웃 (KO) 세포: CRBN 의존성 최종 확인.
• 유비퀴티노믹스 (Ubiquitinomics):
  • 30 분 처리 후 Di-Gly (K-GG) 잔기 프로파일링을 수행하여 MGD 노출 직후의 직접적인 유비퀴틴화 사건을 포착. 이는 분해 (depletion) 전의 초기 결합 사건을 식별하는 데 사용됨.
• 기계학습 (Interpretable Machine Learning, iML):
  • 알고리즘: XGBoost (트리 기반 경사 부스팅).
  • 입력: 분자 지문 (Molecular fingerprints).
  • 목표: 화합물 구조와 단백질 분해 정도 간의 관계를 예측하고, 선택성을 결정하는 핵심 분자 지문 (feature importance) 을 규명.
  • 해석: SHAP (SHapley Additive exPlanations) 분석을 통해 분자 문맥 (molecular context) 에 따른 지문의 기여도 분석.

3. 주요 결과 (Key Results)

A. 광범위한 네오서브스트레이트 지형 확장

• 230 개 이상의 단백질에서 화합물 유도 유비퀴틴화 및 고갈을 확인.
• 이 중 124 개는 이전에 보고되지 않은 새로운 CRBN 네오서브스트레이트였으며, 이 중 50% 이상은 예측된 G-loop 도메인이 없었습니다.
• 데이터베이스 공개: 발견된 데이터를 상호작용 가능한 NeosubstratesDB를 통해 공개.

B. 새로운 표적 및 기능적 다양성

• 다양한 단백질 클래스: 키네이스 (IRAK1, WEE1, ATR 등), 전사 인자 (BCL6, ARNT), C2H2 징크 핑거 단백질, 크로마틴 리모델러 등 다양한 클래스의 단백질이 확인됨.
• 임상적 관련성: DepMap 데이터와 교차 참조하여 암 의존성 (cancer dependency) 이 높은 표적 (예: CASP3, AKT3) 과 비종양성 질환 관련 표적을 확인.
• G-loop 비의존성: G-loop 가 없는 표적 (예: IRAK1) 의 경우, 키네이스 도메인의 C-lobe 가 CRBN 결합에 중요함을 규명.

C. 기계적 검증 (IRAK1 및 BCL6 사례 연구)

• IRAK1: G-loop 가 없으며, CRBN-MGD 복합체가 IRAK1 의 키네이스 도메인 C-lobe (잔기 381-524) 와 직접 상호작용함을 AE-MS 를 통해 확인. IRAK4 와의 높은 선택성 입증.
• BCL6: 3 개의 C2H2 징크 핑거와 예측된 3 개의 G-loop 를 가짐. 단일 G608N 돌연변이로는 결합이 차단되지 않았으나, 3 개의 G-loop 를 모두 변이한 (3xGN) 경우 결합이 완전히 차단됨. 이는 여러 징크 핑거가 CRBN 결합에 관여함을 시사.

D. 기계학습을 통한 설계 원리 규명

• 모델 성능: CSNK1A1, WEE1, ZFP91 등 주요 표적에 대해 높은 예측 정확도 (Pearson r up to 0.82) 달성.
• 분자 지문 (Fingerprints) 분석:
  • 특정 표적 (예: ZFP91 vs CSNK1A1) 에 따라 서로 다른 분자 지문 군집이 선택성을 결정.
  • 문맥 의존성 (Context-dependency): 단일 분자 지문 (예: fp2039) 만으로는 분해가 결정되지 않으며, 주변 분자 구조와의 조합이 선택성을 결정함.
  • WEE1 선택성: fp1698 (이소인돌리논 코어에서 직접적인 C-C 결합) 이 WEE1 선택성의 핵심 결정 인자임을 확인 (기존 합성 화학 연구 결과와 일치).

4. 주요 기여 및 의의 (Contributions & Significance)

1. 대규모 데이터셋 구축: 960 개 화합물에 대한 프로테옴 및 유비퀴티노믹스 데이터를 통합하여, CRBN 기반 MGD 의 가장 포괄적인 실험 데이터셋 중 하나를 구축하고 공개함 (NeosubstratesDB).
2. G-loop 패러다임의 확장: G-loop 가 없는 단백질들이 CRBN MGD 에 의해 효율적으로 분해될 수 있음을 실험적으로 증명하여, 표적 발견의 범위를 넓힘.
3. 합리적 설계 프레임워크 제시: 해석 가능한 기계학습 (iML) 을 통해 분자 구조와 분해 선택성 간의 인과관계를 규명. 이는 단순한 경험적 시행착오를 넘어, 특정 표적을 타겟팅하거나 오프타겟 효과를 줄이는 **차세대 MGD 의 합리적 설계 (Rational Design)**를 가능하게 함.
4. 표적 검증 플랫폼: 프로테오믹스 기반 스크리닝이 E3 리가제 및 화합물 라이브러리에 무관하게 적용 가능함을 보여주어, 향후 TPD (Targeted Protein Degradation) 약물 개발의 표준 스크리닝 도구로 자리매김할 가능성을 제시.

결론

이 연구는 대규모 통합 오믹스 접근법과 기계학습을 결합하여 CRBN 기반 분자 접착제 분해자의 작용 기전을 심층적으로 규명했습니다. 이를 통해 수백 개의 새로운 네오서브스트레이트를 발견했을 뿐만 아니라, 분자 구조가 어떻게 특정 표적의 선택적 분해를 유도하는지에 대한 설계 원리를 제시함으로써, 차세대 표적 단백질 분해 치료제 개발의 토대를 마련했습니다.