Programming Biomolecular Interactions with All-Atom Generative Model

이 논문은 500 만 개 이상의 생체 분자 복합체로 학습된 통합 생성 모델 'AnewOmni'를 통해 원자 수준의 세부 사항과 구조적 사전 지식을 포착하여 다양한 분자 규모 (소분자, 펩타이드, 나노바디 등) 에 걸쳐 표적 결합 부위나 결합 부위 정보가 없는 경우에도 기능성 분자를 성공적으로 설계할 수 있음을 입증했습니다.

핵심

1. 문제: 과거의 방식은 '장르별'로 나뉘어 있었습니다

과거에 과학자들은 약을 만들 때, 분자의 크기에 따라 완전히 다른 도구와 규칙을 사용했습니다.

• 작은 분자 (약): 작은 나사나 스프링처럼 다뤘습니다.
• 중간 크기 (펩타이드): 작은 블록처럼 다뤘습니다.
• 큰 분자 (항체/단백질): 거대한 구조물처럼 다뤘습니다.

이들은 모두 **원자 (Atom)**라는 같은 기본 재료로 만들어졌지만, 과학자들은 서로 다른 언어로만 대화했기 때문에, 작은 분자에서 배운 지식을 큰 분자에 적용하거나 그 반대를 하는 것이 매우 어려웠습니다. 마치 레고로 작은 자동차를 만드는 법을 배웠는데, 그 지식을 거대한 성을 짓는 데는 전혀 쓸 수 없는 상황과 비슷합니다.

2. 해결책: AnewOmni, "모든 것을 원자 단위로 보는 마법 설계사"

이 논문이 제시한 AnewOmni는 이 모든 장벽을 허뭅니다.

• 핵심 아이디어: 이 AI 는 분자의 크기가 작든 크든 상관없이, 모든 것을 '원자 (Atom)'라는 가장 작은 레고 블록으로 분해해서 봅니다.
• 학습 데이터: 500 만 개 이상의 생물학적 분자 복합체 (키와 자물쇠처럼 딱 맞는 쌍들) 를 공부했습니다.
• 비유: 이 AI 는 "작은 나사 (작은 분자) 가 어떻게 끼워지는지"와 "거대한 기둥 (단백질) 이 어떻게 결합하는지"를 **같은 원리 (원자 간의 결합)**로 이해합니다. 그래서 작은 분자에서 배운 지식을 큰 분자 설계에 바로 적용할 수 있게 됩니다.

3. 주요 기능: "프로그래밍 가능한 지시서"

이 AI 는 단순히 무작위로 분자를 만드는 게 아니라, 사용자가 원하는 대로 정교하게 지시할 수 있습니다.

• 사용자 지시 (프롬프트): "여기에 황 (Sulfur) 원자가 있는 고리를 만들어줘", "이 특정 아미노산을 넣어서 세포 안으로 들어가게 해줘"라고 말하면, AI 는 그 지시를 받아들여 분자를 설계합니다.
• 비유: 마치 레고 설계도를 그리는 사람입니다. "여기에는 빨간색 블록을 써라", "이 부분은 둥글게 만들어라"라고 지시하면 AI 는 그 조건에 맞춰 완벽한 구조물을 뚝딱 만들어냅니다.

4. 실전 성과: "불가능해 보이는 목표도 달성"

이 모델이 실제로 얼마나 강력한지, 두 가지 난공불락의 목표 (KRAS 와 PCSK9) 를 공략하며 증명했습니다.

A. KRAS G12D (암을 유발하는 단백질)

• 상황: 이 단백질은 약이 들어갈 구멍이 매우 작고 평평해서 "약이 들어갈 수 없는 (Undruggable)" 것으로 유명했습니다.
• 성과: AnewOmni 는 작은 분자, 펩타이드, 나노바디 (작은 항체) 세 가지 다른 크기의 분자를 모두 설계해서 이 단백질의 같은 부위에 딱 맞게 결합시켰습니다.
• 결과: 실험실에서 테스트했을 때, 23%~75% 의 높은 성공률을 보였습니다. 특히 기존에 없던 완전히 새로운 형태의 작은 분자 약을 찾아냈습니다.

B. PCSK9 (콜레스테롤 조절 단백질)

• 상황: 이 단백질은 평평한 표면이라 약이 붙기 어렵고, 어떻게 작동하는지도 불분명했습니다.
• 성과:
  1. 직접 차단: 단백질이 콜레스테롤을 잡는 표면을 막는 펩타이드를 설계했습니다.
  2. 비밀의 구멍 발견: AI 는 이 단백질의 **숨겨진 구멍 (알로스테릭 포켓)**을 찾아냈고, 그 구멍에 들어맞는 작은 분자 약을 설계했습니다.
• 결과: 설계된 분자가 실제로 세포에서 콜레스테롤을 낮추는 효과를 보였으며, X-선 결정학 실험을 통해 AI 가 설계한 구조가 실제 실험 결과와 99% 이상 일치하는 것을 확인했습니다. (오차 0.92 Å)

5. 결론: 왜 이것이 중요한가요?

이 연구는 **"분자 설계의 범용 엔진 (General Molecular Reasoning Engine)"**의 첫걸음입니다.

• 데이터가 부족한 곳도 가능: 아직 실험 데이터가 없는 새로운 분자 (예: RNA, 당류) 에 대해서도 AI 가 물리 법칙을 바탕으로 잘 설계해냅니다.
• 창의성 증대: 인간이 상상하지 못했던 새로운 화학 구조나 비표준 아미노산을 포함하는 분자도 설계할 수 있습니다.

한 줄 요약:

AnewOmni는 분자의 크기와 종류를 가리지 않고, 원자 단위의 공통 언어로 모든 생물학적 상호작용을 설계할 수 있게 해주는 초고성능 AI 설계사입니다. 이는 기존에 약으로 치지 못했던 난치병 치료제 개발에 새로운 희망을 줍니다.

기술 요약

논문 개요: AnewOmni - 범용 분자 상호작용을 위한 원자 단위 생성 모델

이 논문은 다양한 분자 모달리티 (소분자, 펩타이드, 단백질/나노바디, 핵산 등) 간의 경계를 허물고, 단일 통합 프레임워크에서 원자 수준 (All-atom) 의 해상도로 생체 분자 상호작용을 설계하는 새로운 생성 모델 AnewOmni를 제안합니다.

1. 문제 제기 (Problem)

• 분리된 설계 패러다임: 생체 분자 상호작용의 핵심은 물리화학적 원리 (원자 수준의 기하학적 상호작용) 에 기반하지만, 현재 소분자, 펩타이드, 항체 등의 설계는 서로 다른 표현 방식, 규칙, 프로토콜을 사용하여 분리되어 있습니다.
• 전용 모델의 한계: 기존 생성 모델들은 특정 모달리티 (예: 소분자 전용, 펩타이드 전용) 에 최적화되어 있어, 다른 모달리티나 비정형 화학 구조 (비표준 아미노산, 고리형 구조 등) 로의 확장성이 부족합니다.
• 일반화 능력 부재: AlphaFold3 와 같은 모델은 구조 예측에는 탁월하지만, 새로운 분자를 생성 (Generative Design) 하는 능력은 제한적이며, 훈련 데이터 분포를 벗어난 목표 (Out-of-Distribution) 에 대한 일반화 능력이 부족합니다.
• 핵심 질문: 원자 수준의 상호작용 원리를 보존하면서도 다양한 규모의 분자 설계에 필요한 구조적 사전 지식 (Structural Priors) 을 모두 포괄하는 통합 생성 프레임워크는 가능한가?

2. 방법론 (Methodology)

AnewOmni는 500 만 개 이상의 생체 분자 복합체 (Biocomplexes) 로 훈련된 통합 생성 기반 모델입니다.

• 통합 표현 (Unified Representation):
  • 원자 단위 블록 (Atomic Building Blocks): 아미노산, 뉴클레오사이드와 같은 표준 단위와 ChEMBL 에서 추출한 빈번한 분자 조각 (Fragments) 을 '블록'으로 정의합니다.
  • 원자 - 블록 잠재 공간 (Atom-to-Block Latent Space): 모든 원자 기하학적 정보를 학습된 전변이 오토인코더 (All-atom VAE) 를 통해 저차원의 블록 수준 잠재 벡터로 압축합니다. 이는 원자 수준의 세부 사항과 구조적 사전 지식을 동시에 보존합니다.
• 잠재 확산 모델 (Latent Diffusion Model):
  • 목표 결합 부위 (Target Binding Site) 의 원자 환경을 조건으로 하여, 잠재 공간의 점 구름 (Point Cloud) 을 확산 과정을 통해 생성합니다.
  • 생성된 잠재 점은 다시 디코더를 통해 원자 수준의 3D 구조로 변환됩니다.
• 프로그래밍 가능한 그래프 프롬프트 (Programmable Graph Prompts):
  • 생성 과정에서 화학적 조성, 토폴로지, 기하학적 제약을 그래프 기반 프롬프트 (노드/엣지 레벨) 로 명시적으로 제어할 수 있습니다.
  • 구체적 기능: 고리형 펩타이드 (Cyclization), 비표준 아미노산 (ncAA) 삽입, 공유 결합 설계, 기존 분자 구조 (Scaffold) 에 대한 분자 성장 (Molecular Growing), 리ン커 설계 등.

3. 주요 기여 (Key Contributions)

1. 모달리티 무관한 통합 설계: 소분자, 펩타이드, 나노바디, 핵산 등 다양한 분자 유형을 단일 모델에서 처리하며, 모달리티 간 지식 전이 (Transfer Learning) 를 통해 각 모달리티의 성능을 향상시킵니다.
2. 원자 단위 해상도의 생성: 분자 조각 단위가 아닌 원자 단위의 상호작용을 명시적으로 모델링하여 물리적으로 타당한 결합 구조를 생성합니다.
3. 프로그래밍 가능성: 사용자가 화학적, 위상적, 기하학적 제약을 프롬프트로 입력하여 원하는 특성을 가진 분자를 정밀하게 설계할 수 있습니다.
4. 실험적 검증: 소분자, 펩타이드, 나노바디 등 서로 다른 크기의 분자에서 동일한 표적 (KRAS G12D, PCSK9) 에 대해 성공적인 결합체 (Binder) 를 발견하고 실험적으로 검증했습니다.

4. 실험 결과 (Results)

가. 인실리코 (In Silico) 벤치마크 및 일반화 능력

• 성능: 소분자, 펩타이드, 항체에 대한 기존 최첨단 (SOTA) 전용 모델들을 능가하는 물리적 유효성과 결합 에너지를 보였습니다.
• 교차 모달리티 학습 효과: 단일 모달리티로 훈련된 모델보다 교차 모달리티 훈련이 상호작용 패턴 복원 (Recovery) 과 새로운 상호작용 생성 (Novelty) 을 모두 향상시켰습니다.
• Zero-shot 일반화: 훈련 데이터에 포함되지 않은 RNA, DNA, 글리칸, 인산화 부위 등 새로운 표적에 대해 높은 결합 능력을 보였습니다. 특히 RNA-소분자 결합 예측에서 AUC 0.77 의 성능을 보였습니다.

나. KRAS G12D 표적 실험 (Experimental Validation)

• 배경: KRAS G12D 돌연변이는 '약물 개발 불가 (Undruggable)'로 알려진 난제이며, Switch II 포켓을 타겟으로 합니다.
• 소분자: 기존 인히비터 (MRTX1133) 와 구조적 유사성이 낮음 (Tanimoto 0.12~0.15) 임에도 불구하고, 새로운 스캐폴드를 가진 화합물을 설계하여 IC50 24 µM 및 36 µM 의 활성을 확인했습니다.
• 펩타이드: 선형 펩타이드 (성공률 23%, IC50 2.37 µM) 와 고리형 펩타이드 (성공률 35%, IC50 11 µM) 를 설계했습니다. 고리형 펩타이드는 훈련 데이터에 없었으나 프롬프트 기능을 통해 성공적으로 설계되었습니다.
• 나노바디: AlphaFold3 와 결합하여 CDR 영역을 재설계, 75% 의 성공률로 나노바디를 발견했으며, 최강 결합체는 Kd 587 nM 의 높은 친화력을 보였습니다.

다. PCSK9 표적 실험 (Orthosteric & Allosteric)

• Orthosteric (동위): PCSK9-LDLR 상호작용 인터페이스를 타겟으로 한 펩타이드 설계 (성공률 57%, Kd 3.19 µM).
• Allosteric (이소): AlphaFold3 를 이용해 PCSK9 의 새로운 암호화 알로스테릭 포켓을 발견하고, 이를 타겟으로 한 소분자를 설계했습니다.
  • 설계된 분자 (PCSK9-compound-3) 는 세포 실험에서 PCSK9 분비를 억제하고 LDLR 발현을 증가시켰습니다.
  • X-ray 결정학: 설계된 분자와 PCSK9 의 복합체 결정 구조를 해석한 결과, 실험적 구조와 설계 구조 간의 RMSD 가 0.92 Å로, 원자 수준의 높은 정확도를 입증했습니다.

5. 의의 및 결론 (Significance)

• 통합 분자 설계의 새로운 패러다임: 분자의 크기나 유형 (소분자 vs 대형 생물의약품) 에 구애받지 않고, 원자 수준의 물리 법칙을 기반으로 한 통합 설계가 가능함을 증명했습니다.
• 데이터 부족 영역의 돌파: 훈련 데이터가 부족하거나 인간 직관이 미치지 못하는 영역 (비정형 화학, 새로운 알로스테릭 부위) 에서도 효과적인 설계를 가능하게 합니다.
• 미래 전망: AnewOmni 는 단순한 생성 도구를 넘어, 분자 상호작용을 이해하고 설계하는 범용적인 '생성 기반 모델 (Generative Foundation Model)'로서의 가능성을 제시하며, 차세대 약물 발견 프로세스의 핵심 기술로 자리매김할 것으로 기대됩니다.

이 연구는 생물학적 상호작용의 보편적 원리를 학습하여 다양한 분자 모달리티를 아우르는 최초의 실험적 성공 사례를 제시했다는 점에서 의의가 큽니다.