De novo design of therapeutic scFvs and multi-specific engagers from sequence alone

이 논문은 항원 서열 정보만을 입력으로 받아 EGFR 및 SARS-CoV-2 변이체와 같은 다양한 표적에 대한 고친화성 단일쇄 가변단편 (scFv) 과 다중특이성 엔게이저를 설계하는 새로운 생성형 프레임워크 'IASO'를 제안하고, 이를 통해 약물 내성 극복 및 개발 가능성 확보가 가능한 차세대 바이오의약품의 신속한 개발 기반을 마련했음을 보여줍니다.

핵심

🍳 1. 문제 상황: "완벽한 열쇠를 찾는 고난이도 게임"

약물을 개발할 때, 우리는 보통 **병원체 (바이러스, 암세포 등) 를 '자물쇠'**라고 상상합니다. 이 자물쇠를 열 수 있는 **열쇠 (항체)**를 찾아야 약이 됩니다.

• 기존 방식의 문제점:
  • 실험실 방식: 수많은 열쇠를 만들어 자물쇠에 끼워보는 '시행착오' 방식입니다. 마치 도서관에서 책 한 권을 찾기 위해 모든 책을 다 뒤지는 것과 같아 시간이 너무 오래 걸립니다.
  • 기존 AI 방식: 자물쇠의 **정밀한 3D 모양 (구조)**을 먼저 알아야 열쇠를 설계할 수 있었습니다. 하지만 바이러스는 변이를 일으켜 모양이 계속 바뀌거나, 아직 3D 구조가 밝혀지지 않은 병원체도 많습니다. 이 경우 AI 는 무력해집니다.

🚀 2. IASO 의 등장: "서열만 보고도 완벽한 열쇠를 만드는 마법 요리사"

이 연구팀이 만든 IASO는 자물쇠의 3D 모양을 몰라도 됩니다. 오직 자물쇠를 여는 '문자열 (서열)' 정보만 주면, 그 정보를 분석해 가장 잘 맞는 열쇠를 처음부터 (De novo) 만들어냅니다.

IASO 는 크게 세 명의 전문가가 팀을 이뤄 작동합니다.

① IASO-Gen: "창의적인 요리사 (생성 모듈)"

• 역할: 목표 병원체의 서열을 보고, 그걸 공격할 수 있는 새로운 항체 '레시피'를 무수히 많이 만들어냅니다.
• 비유: 마치 "이 재료를 요리해줘"라고 하면, 요리사가 그 재료에 딱 맞는 새로운 요리를 수십 가지 창조해내는 것과 같습니다. 기존에는 병원체 모양을 보고 요리법을 짜야 했지만, IASO 는 재료 이름만 들어도 요리법을 알아냅니다.

② IASO-AAI: "엄격한 심사위원 (선별 모듈)"

• 역할: 요리사가 만든 수많은 레시피 중, 실제로 자물쇠를 잘 열 수 있는 '진짜 열쇠'만 골라냅니다.
• 비유: 수많은 요리 시식회에서, "이건 맛없어", "이건 너무 짜"라고 걸러내어 가장 완벽한 한 그릇만 남기는 심사위원입니다. 이 시스템은 진화론적 패턴과 물리화학적 원리를 모두 분석하여, 단순히 비슷해 보이는 게 아니라 실제로 작동할 확률이 높은 것만 골라냅니다.

③ 구조 검증 모듈: "안전 검사관 (마무리)"

• 역할: 최종적으로 선정된 열쇠가 실제로 자물쇠에 꽂혔을 때, 모양이 잘 맞는지, 부서지지 않는지 (안정성) 를 시뮬레이션으로 확인합니다.

🌟 3. IASO 가 보여준 놀라운 성과

이 시스템은 단순히 이론만 좋은 게 아니라, 실제 치명적인 문제들을 해결했습니다.

• 🛡️ 약물 내성 극복 (EGFR 사례):

  • 암 치료제 '세툭시맙'이 더 이상 작동하지 않는 변이 암세포 (S468R 돌연변이) 가 나타났습니다. 기존 약물은 이 변이 때문에 '자물쇠'가 달라져 열 수 없게 된 것입니다.
  • IASO 의 해법: IASO 는 이 변이된 자물쇠의 서열만 보고, 새로운 열쇠를 설계했습니다. 이 새로운 열쇠는 변이된 부분과 딱 맞는 '전기적 상호작용'을 만들어내어, 기존 약물이 실패한 상황에서도 암세포를 공격할 수 있었습니다.

• 🦠 미세한 바이러스 변이 구별 (코로나 사례):

  • 코로나바이러스의 두 변이체 (JN.1 과 KP.3.1.1) 는 아미노산 2 개 차이밖에 나지 않습니다. 마치 같은 옷을 입은 쌍둥이처럼 보입니다.
  • IASO 의 해법: IASO 는 이 미세한 차이 (아미노산 175 번 위치의 글루타민 vs 글루탐산) 를 정확히 감지했습니다. KP.3.1.1 에만 딱 맞는 열쇠를 설계하고, JN.1 에는 잘 맞지 않게 만들었습니다. 이는 단 한 글자의 차이도 놓치지 않는 정밀한 설계가 가능함을 보여줍니다.

• 🤝 복합 약품 설계 (BiTE):

  • T 세포를 암세포로 끌어모으는 '양면 공격 약품 (BiTE)'도 설계했습니다. 이는 두 개의 열쇠가 하나로 연결된 형태인데, IASO 는 이 복잡한 구조도 안정적으로 만들어냈으며, 기존에 승인된 약품보다 더 잘 녹고 (용해도), 면역 반응이 적게 일어날 것으로 예측되었습니다.

💡 4. 결론: "우연에 맡기던 발견을 '예측 가능한 공학'으로"

이 논문이 전하는 핵심 메시지는 다음과 같습니다.

"약물 개발을 더 이상 **운 (Lucky)**에 맡겨두지 않아도 됩니다. IASO 는 병원체의 서열 정보만 있으면, 마치 정밀한 공학처럼 빠르고 정확하게 맞춤형 약물을 설계할 수 있게 해줍니다."

요약하자면:
IASO 는 병원체의 이름 (서열) 만 알려주면, AI 가 완벽한 열쇠 (항체) 를 처음부터 설계해줍니다. 기존 방식보다 훨씬 빠르고, 변이 바이러스나 내성 암세포 같은 새로운 위협에도 즉시 대응할 수 있는 차세대 백신 및 치료제 개발의 핵심 열쇠가 될 것입니다.

기술 요약

1. 문제 정의 (Problem)

• 항체 치료제 개발의 한계: 현재 항체 치료제 발견은 서열 공간의 방대한 복잡성과 경험적 스크리닝의 비효율성에 의해 제약받고 있습니다.
• 구조 기반 설계의 제약: 기존 구조 기반 컴퓨팅 설계는 고해상도 공복합체 (co-complex) 데이터에 의존하기 때문에, 구조 정보가 없는 'undruggable' 단백질이나 빠르게 진화하는 병원체 (예: 신종 바이러스 변이) 에 적용하기 어렵습니다.
• 기존 AI 모델의 단점: 기존 딥러닝 기반 항체 설계 모델들은 대부분 항원 조건부 생성 (antigen-conditioned generation) 이 부족하거나, 생성, 상호작용 예측, 개발 가능성 평가 (developability assessment) 가 단편화되어 있어 통합된 엔드 - 투 - 엔드 (end-to-end) 파이프라인이 부재했습니다.

2. 방법론 (Methodology)

IASO 는 항원 서열만 입력으로 받아 작동하는 세 가지 모듈로 구성된 통합 프레임워크입니다.

A. IASO-Gen (생성 모듈)

• 목적: 항원 조건에 맞는 scFv 서열을 자동으로 생성합니다.
• 기술: 대규모 항체 데이터베이스 (OAS) 로 파인튜닝된 단백질 언어 모델인 ProGen2-OAS를 기반으로 합니다.
• 혁신적 접근:
  • Prefix-tuning: 항원 서열을 Transformer 어텐션 레이어의 접두사 (prefix) 로 주입하여 항원 특이성을 학습시킵니다.
  • LoRA (Low-Rank Adaptation): 제한된 데이터로 모델의 표현력을 높이기 위해 파라미터 효율적 미세 조정 기법을 적용합니다.
  • 조건부 생성: 항원 서열을 입력으로 받아 특정 항원에 결합하는 scFv 라이브러리를 생성하며, VH(무거운 사슬) 와 VL(가벼운 사슬) 의 자연스러운 길이 분포를 유지하도록 제약을 가합니다.

B. IASO-AAI (상호작용 예측 모듈)

• 목적: 생성된 수많은 후보군 중에서 실제 항원과 결합하는 고신뢰도 결합체를 선별합니다.
• 기술:
  • 다중 스케일 특징 통합:
    1. 항체 임베딩: 항체 특이적 언어 모델 (AbLang-2) 을 사용하여 VH/VL 서열의 진화적 패턴을 인코딩.
    2. 항원 임베딩: 일반 단백질 언어 모델 (ESM-2) 을 사용하여 항원 서열을 인코딩.
    3. 국소 물리화학적 특징: CKSAAP (Composition of k-Spaced Amino Acid Pairs) 를 도입하여 국소적인 아미노산 쌍 빈도와 물리화학적 상호작용 (소수성, 정전기적 보완성 등) 을 포착.
  • 모델: LightGBM(Gradient Boosting) 을 사용하여 위 특징들을 결합하고 예측합니다.
  • 데이터: AACDB 및 AbRank 데이터베이스에서 정제된 26,040 개의 항체 - 항원 상호작용 쌍으로 학습되었으며, 양성:음성 비율을 1:5 로 설정하여 현실적인 스크리닝 환경을 시뮬레이션했습니다.

C. 구조 기반 검증 모듈

• 목적: 최종 후보군의 구조적 안정성과 결합 모드를 검증합니다.
• 기술: 최신 구조 예측 모델인 Boltz-2를 사용하여 항체 - 항원 복합체의 3 차원 구조를 예측하고, pLDDT(국소 신뢰도), pTM(전체 접힘 정확도) 등을 평가하여 최종 선별합니다.

3. 주요 기여 (Key Contributions)

1. 구조 정보 불필요: 고해상도 구조 데이터 없이 항원 서열만으로 기능성 scFv 를从头 설계할 수 있는 최초의 통합 프레임워크 중 하나입니다.
2. 통합 파이프라인: 생성 (Generation), 상호작용 예측 (Interaction Prediction), 구조 검증 (Structural Validation) 을 하나의 워크플로우로 통합하여 효율성을 극대화했습니다.
3. 개발 가능성 (Developability) 최적화: 생성된 서열이 자연 항체와 유사한 물리화학적 특성 (용해도, 안정성) 을 가지며, 면역원성 (Immunogenicity) 위험이 낮도록 설계되었습니다.
4. 다중 특이성 확장: 단일 scFv 를 넘어 Bispecific T-cell Engager(BiTE) 와 같은 복잡한 다중 특이성 치료제 설계까지 확장 가능함을 입증했습니다.

4. 주요 결과 (Results)

A. IASO-AAI 의 성능

• 예측 정확도: 기존 SOTA 모델 (RLEAAI, DeepInterAware 등) 을 능가하는 성능을 보였습니다 (PR-AUC: 0.75, ROC-AUC: 0.93).
• 보정 (Calibration): 예측 확률이 실제 결합 확률과 일치하는 높은 보정 능력을 보여 (Brier score: 0.079), 임계값 설정에 신뢰할 수 있는 기준을 제공합니다.
• 특징 분석: SHAP 분석 결과, 항체 특이적 진화적 임베딩이 결합 예측에 가장 큰 기여를 하는 것으로 확인되었습니다.

B. EGFR 내성 극복 설계 (Case Study 1)

• 목표: 임상적으로 승인된 Cetuximab 의 결합을 방해하는 EGFR S468R 돌연변이를 극복하는 scFv 설계.
• 성과: IASO 는 S468R 돌연변이로 인한 입체적 충돌 (steric clash) 을 해결하고, 아스파르트산 (Asp) 과 글루탐산 (Glu) 을 통한 최적의 정전기적 상호작용을 형성하는 새로운 결합 모드를 설계했습니다.
• 개발 가능성: 설계된 scFv 는 Cetuximab 대비 용해도가 높고, 응집성 (aggregation) 은 낮으며, 면역원성 위험도도 낮았습니다.

C. SARS-CoV-2 변이체 식별 (Case Study 2)

• 목표: JN.1 과 KP.3.1.1 과 같이 RBD 영역에서 단 2 개의 아미노산 차이 (특히 175 번 위치: Gln vs Glu) 만 존재하는 오미크론 변이체 구분.
• 성과: KP.3.1.1 을 대상으로 설계된 scFv 는 KP.3.1.1 에 대해서는 높은 결합 신뢰도를 보였으나, JN.1 에 대해서는 결합 신뢰도가 급격히 떨어졌습니다. 이는 IASO 가 원자 수준의 미세한 차이를 식별하여 변이 특이적 (variant-specific) 설계를 가능하게 함을 의미합니다.

D. BiTE (이중 특이성 T 세포 엔게저) 설계

• 목표: ACE2(바이러스 수용체) 와 CD3(T 세포) 를 동시에 결합하는 BiTE 설계.
• 성과: IASO 가 생성한 anti-ACE2 scFv 와 Blinatumomab(기존 약물) 의 anti-CD3 scFv 를 연결한 BiTE 는 구조적으로 안정적이며, Blinatumomab 대비 용해도가 10% 향상되고 12 개 주요 HLA 대립유전자 중 10 개에서 면역원성 위험이 감소한 것으로 나타났습니다.

5. 의의 및 결론 (Significance)

• 패러다임 전환: 우연에 의존하는 실험적 스크리닝을 예측 가능한 고해상도 컴퓨팅 엔지니어링으로 전환하여, 항체 발견 프로세스를 획기적으로 가속화합니다.
• 응용 분야:
  • 정밀 의학: 약물 내성 돌연변이를 가진 암 (EGFR 등) 치료제 개발.
  • 팬데믹 대응: 구조 정보가 없는 신종 바이러스 변이에 대한 즉각적인 치료제 설계.
  • 차세대 바이오의약품: scFv 기반의 BiTE, CAR-T 등 다양한 모달리티의 설계 기반 제공.
• 미래 전망: IASO 는 실험적 검증 (Design-Build-Test-Learn) 과의 순환을 통해 지속적으로 고도화될 수 있으며, AI 기반 신약 개발의 핵심 인프라로 자리 잡을 것으로 기대됩니다.

이 논문은 서열 데이터만으로도 구조적, 물리화학적, 면역학적 특성이 최적화된 치료용 항체를 설계할 수 있음을 증명함으로써, 바이오의약품 개발의 새로운 기준을 제시했습니다.