Fung-AI: An AI/ML-driven pipeline for antifungal peptide discovery

이 논문은 생성형 AI 와 기계학습을 활용하여 새로운 항진균 펩타이드를 설계하고 실험적으로 검증한 'Fung-AI' 파이프라인을 제시하여, wheat 병원균인 Fusarium graminearum 과 인간 병원균인 Candida albicans 에 대해 활성을 보이며 낮은 세포독성을 가진 펩타이드를 발견한 것을 증명합니다.

핵심

🍄 문제: 곰팡이 괴물들의 습격

세상에는 우리 건강과 식량을 위협하는 나쁜 곰팡이들이 있습니다.

• 인간에게: 병을 일으키거나 약이 안 통하는 '슈퍼 곰팡이'가 생깁니다.
• 농업에: 밀이나 곡물을 썩게 만들어 굶주림을 초래합니다.

기존에 알려진 약들은 곰팡이들이 금방 약을 견디게 되거나, 사람 세포까지 다치게 하는 부작용이 있었습니다. 그래서 새롭고 강력하며 안전한 약이 절실히 필요했습니다.

🤖 해결책: Fung-AI (요리 학교의 천재 요리사)

연구팀은 새로운 약을 직접 실험실에서 하나하나 만들어보는 대신, 인공지능 (AI) 이 직접 새로운 약을 '창조'하도록 했습니다. 이를 위해 'GAN(생성적 적대 신경망)'이라는 AI 기술을 사용했습니다.

이 과정을 세 단계의 요리 학교 과정으로 비유해 볼까요?

1 단계: 재료 만들기 (생성)

AI 는 수천 년 동안 축적된 '곰팡이를 죽이는 약'과 '죽이지 않는 약'에 대한 레시피 (데이터) 를 공부했습니다. 그리고는 **"이제 너희만의 새로운 레시피를 만들어봐!"**라고 명령했습니다.

• AI 는 무작위로 1 만 개가 넘는 새로운 '약 후보 (펩타이드)'들을 뚝딱뚝딱 만들어냈습니다. 마치 요리사가 무작위로 재료를 섞어 새로운 요리를 시도하는 것과 같습니다.

2 단계: 엄격한 심사 (필터링)

만들어진 1 만 개의 요리는 모두 먹을 수 있는 게 아닙니다. AI 는 이들을 3 단계의 심사를 거치게 했습니다.

1. 곰팡이 잡기 테스트: "이 요리가 곰팡이를 죽일 수 있니?" (3 개의 AI 심사관이 통과한 것만 남김)
2. 사람 안전 테스트: "이 요리가 사람을 해치지 않니?" (혈액을 파괴하는 독성이 있는지 확인)
3. 독창성 테스트: "이 요리가 기존에 있던 요리와 너무 비슷하지 않니?" (인터넷에 이미 있는 레시피와 비교)

이 과정을 통해 1 만 개 중 오직 13 개의 '최고의 후보'만 남았습니다.

3 단계: 실제 시식 (실험실 검증)

AI 가 선별한 13 개의 후보를 실제로 실험실에서 만들어 곰팡이와 인간 세포에 넣어봤습니다.

• 결과: 13 개 중 5 개가 곰팡이를 죽이는 능력을 보였습니다.
• 특히 2 개는 곰팡이는 잘 죽이면서, 인간 세포에는 거의 해를 끼치지 않는 '완벽한 요리'로 판명났습니다.

🌟 흥미로운 발견과 교훈

1. 밀과 사람, 모두 잡는 약:
   발견된 약 중 일부는 농작물 병 (밀의 곰팡이) 과 인간 질병 (칸디다 균) 을 모두 잡았습니다. 이는 AI 가 다양한 곰팡이를 한 번에 처리할 수 있는 '만능 열쇠'를 만들 수 있음을 보여줍니다.

2. 아직 해결되지 않은 미스터리 (C. auris):
   하지만 최근 등장한 매우 위험한 '슈퍼 곰팡이 (C. auris)'에는 효과가 없었습니다. 이는 마치 **"이 요리사는 일반 식당에는 훌륭하지만, 특수한 고급 레스토랑 (C. auris) 에는 아직 메뉴가 부족하다"**는 뜻입니다. 이 곰팡이에 대한 데이터가 너무 부족해서 AI 가 배우지 못했기 때문입니다.

3. 약의 힘 (MIC) 과 안전성 (LC50):

   • MIC (최소 억제 농도): 곰팡이를 죽이는 데 필요한 약의 양입니다. (숫자가 작을수록 약이 강력함)
   • LC50 (세포 사멸 농도): 사람을 죽이는 데 필요한 약의 양입니다. (숫자가 클수록 안전함)
   • 연구팀이 찾은 약들은 곰팡이를 죽이는 힘은 아직 약한 편이지만, 사람에게는 매우 안전했습니다. 이는 앞으로 약을 더 강력하게 다듬을 수 있는 '좋은 기초 재료'라는 뜻입니다.

💡 결론: AI 가 만든 미래의 약

이 논문은 **"인공지능이 실험실의 문을 두드려 새로운 약을 찾아낼 수 있다"**는 것을 증명했습니다.

과거에는 과학자들이 수년 동안 실험실에서 약을 찾아야 했지만, 이제 AI 가 먼저 1 만 가지의 아이디어를 내고, 그중 가장 유망한 것들만 실험실로 보내는 방식으로 바뀔 수 있습니다.

물론 아직 완벽하지는 않지만, 이 'Fung-AI'라는 시스템은 곰팡이로 인한 위협으로부터 우리와 식량을 지키기 위한 새로운 희망의 씨앗이 되었습니다. 앞으로 이 AI 가 더 많은 데이터를 학습하면, 우리가 상상도 못 했던 강력한 곰팡이 퇴치 약들이 쏟아져 나올지도 모릅니다!

기술 요약

논문 제목: Fung-AI: 항진균 펩타이드 발견을 위한 AI/ML 기반 파이프라인

1. 문제 제기 (Problem)

• 글로벌 위협: 진균성 병원체는 매년 250 만 명 이상의 감염 관련 사망자를 발생시키며, 농업 분야에서는 수확 전 작물 수확량의 10~23% 를 폐기시키는 등 식량 안보에도 심각한 위협이 되고 있습니다.
• 치료제 부재 및 내성: 기존 항진균제 클래스의 부족과 다제내성 (multi-drug resistant) 균주의 출현으로 인해 새로운 치료제 개발이 시급합니다.
• 개발의 어려움: 진균은 포유류 세포와 생물학적 특성이 유사하여 선택적 독성 (선택적 살균 능력) 을 가진 약물을 개발하기 어렵습니다.
• 기존 접근법의 한계: 항진균 펩타이드는 내성 발생 가능성이 낮아 유망한 대안이지만, 기존 생성형 AI 를 이용한 항진균제 발견 연구는 데이터 부족과 모델의 한계로 인해 제한적이었습니다.

2. 방법론 (Methodology)

저자들은 Fung-AI라는 새로운 AI/ML 기반 파이프라인을 개발하여 de novo (새로이 설계된) 항진균 펩타이드를 생성하고 실험적으로 검증했습니다.

• 데이터 수집 및 전처리:
  • 항진균 펩타이드 (3,423 개) 와 비항진균 펩타이드 (3,912 개) 를 포함한 총 7,335 개의 펩타이드 세트를 구축 (DRAMP, CAMPR4, 기존 문헌 기반).
  • 용혈성 (hemolytic) 펩타이드와 비용혈성 펩타이드를 구분하기 위한 별도 데이터셋 사용.
• 생성 모델 (Generative Model):
  • GAN (Generative Adversarial Network) 기반: 생성자 (Generator) 와 판별자 (Discriminator) 를 포함한 GAN 을 구축.
  • 엔코더 통합: 모드 붕괴 (mode collapse) 를 방지하고 다양성을 확보하기 위해 생성자와 페어링된 인코더를 추가하여 재구성 능력을 강화.
  • 약 10,000 개의 새로운 펩타이드 시퀀스 (10~35 아미노산 길이) 를 생성.
• 다운셀렉션 (Down-selection) 파이프라인:
  1. 항진균성 분류기 (3 개): TCN(Temporal Convolutional Networks), One-hot encoding 기반 1DCNN-BiLSTM, BLOSUM embedding 기반 1DCNN-BiLSTM 모델을 사용하여 생성된 펩타이드 중 항진균 활성이 높은 후보를 선별.
  2. 용혈성 (독성) 분류기: 인간 세포에 대한 독성 (용혈성) 을 예측하여 안전하지 않은 펩타이드 제거.
  3. 클러스터링 및 다양성 확보: UMAP(차원 축소) 과 HDBSCAN(밀도 기반 클러스터링) 을 사용하여 훈련 데이터와 유사한 군집을 식별하고, BLAST 를 통해 기존 자연계 단백질과의 유사성을 확인하여 진정 새로운 (novel) 시퀀스만 선별.
  4. 물리화학적 필터링: 등전점, 순 전하 (+6 이하의 양전하), 소수성 아미노산 비율 (30~60%), 예측된 이차 구조 (알파 나선 등) 를 기준으로 최종 13 개 펩타이드 선정.
• 실험적 검증:
  • 선정된 펩타이드를 합성하여 Fusarium graminearum(밀 병원체), Saccharomyces cerevisiae, Candida albicans, Candida auris에 대한 최소 억제 농도 (MIC) 측정.
  • HepG2(간암 세포주) 를 이용한 세포 독성 (LC50) 평가.

3. 주요 기여 (Key Contributions)

• Fung-AI 파이프라인 개발: 생성형 AI(GAN) 와 판별형 AI(분류기) 를 결합하여 항진균 펩타이드를 de novo로 설계하고 실험적으로 검증하는 통합 파이프라인을 최초로 제시.
• 데이터 부족 문제 해결: 제한된 항진균 데이터셋을 활용하기 위해 항균/비항균 데이터를 혼합하여 학습하고, 다양한 분류 모델을 앙상블하여 신뢰도를 높임.
• 새로운 펩타이드 발견: 기존 자연계 단백질과 유사성이 낮으면서도 항진균 활성을 가진 새로운 펩타이드 시퀀스를 성공적으로 생성 및 발견.

4. 결과 (Results)

• 생성 및 선별: 약 10,000 개의 생성된 펩타이드 중 3 단계의 AI 필터링과 물리화학적 필터링을 거쳐 13 개를 실험 대상으로 선정.
• 항진균 활성:
  • 총 13 개 중 5 개 펩타이드가 F. graminearum에 대해 항진균 활성을 보임 (MIC: 250~500 µg/mL).
  • 이 중 4 개 (F. graminearum 활성 5 개 중 4 개) 가 C. albicans에도 활성을 보임 (MIC: 500 µg/mL).
  • Peptide 12와 Peptide 40이 가장 넓은 스펙트럼과 강력한 활성을 보임 (MIC 250 µg/mL).
• 세포 독성 및 안전성:
  • Peptide 48과 Peptide 65는 낮은 세포 독성 (LC50 > 704.2 µg/mL 또는 독성 미관측) 을 보이며 치료적 잠재력이 높은 후보로 부상.
  • 반면, Peptide 12는 높은 항진균 활성을 보였으나 HepG2 세포에서 상대적으로 높은 독성 (LC50 66.06 µg/mL) 을 보여 치료 창 (therapeutic window) 이 좁음.
• 한계점:
  • 다제내성 균주인 Candida auris에 대해서는 테스트된 모든 펩타이드가 활성을 보이지 않음 (MIC > 500 µg/mL). 이는 병원체 특이적 데이터 부족을 시사함.

5. 의의 및 결론 (Significance)

• 개념 증명 (Proof-of-Principle): 생성형 AI 를 활용하여 실험적 스크리닝 횟수를 극도로 줄이면서도 (13 개 이하) 유효한 항진균 펩타이드를 발견할 수 있음을 입증.
• 미래 전망: 현재 발견된 펩타이드들은 최적화의 기초 구조 (scaffold) 로서 가치가 높으며, 특히 C. auris와 같은 난치성 균주를 대상으로 한 데이터 수집과 모델 미세 조정 (fine-tuning) 을 통해 더 강력한 치료제 개발이 가능할 것으로 기대됨.
• 글로벌 영향: 농업 (작물 보호) 과 인간 건강 (감염병 치료) 양쪽 분야에서 진균성 위협에 대응할 수 있는 새로운 도구를 제시하여 식량 안보와 공중보건 개선에 기여할 잠재력이 있음.

이 연구는 AI 기반 약물 발견의 새로운 패러다임을 보여주며, 특히 데이터가 부족한 분야에서 생성형 AI 의 실용성을 입증한 중요한 사례입니다.