OmniBind: Proteome-Wide Promiscuity Predictions for Early-Stage Drug Screening

이 논문은 오프타겟 결합으로 인한 신약 개발 실패를 줄이기 위해, SMILES 문자열로부터 인간 프로테옴 전체의 결합 친화도를 실시간으로 예측하여 화합물의 특이성을 평가하는 초고속 신경망 모델 'OmniBind'를 제안하고 있음을 보여줍니다.

핵심

🧪 올니바인드 (OmniBind): 약이 몸속에서 '혼자'만 놀지 않게 지켜주는 초고속 감시관

이 논문은 **새로운 약을 만들 때 가장 큰 걸림돌이 되는 '부작용'**을 해결하기 위한 획기적인 새로운 도구를 소개합니다.

기존의 약 개발 방식은 마치 **"좋아하는 사람 (목표 단백질) 만 찾아가는 것"**에 집중했다면, 이 연구는 **"그 사람이 가는 모든 파티 (인체 전체 단백질) 에 가서 다른 사람들과도 잘 지내는지"**를 미리 확인하는 시스템을 만들었습니다.

---

1. 문제: 약은 왜 실패할까요? (나쁜 파티 잡)

약이 개발되어 시장에 나오기까지에는 엄청난 시간과 돈이 듭니다. 그런데 많은 약이 실패하는 주된 이유는 효능이 부족해서가 아니라, 의도치 않은 부작용 때문입니다.

• 비유: 약이 몸속으로 들어가면, 치료하려는 '주인공 (목표 단백질)'을 만나러 갑니다. 하지만 약이 너무 **만능 (Promiscuous)**이라면, 주인공뿐만 아니라 길거리의 모든 사람 (다른 단백질) 들과도 장난치거나 싸움을 붙입니다.
• 결과: 약이 주인공에게 집중하지 못하고 흩어지니 효과가 떨어지고, 엉뚱한 사람들과 싸우니 부작용이 생깁니다.

지금까지 과학자들은 약이 '주인공'과 잘 맞는지 확인하는 데는 탁월했지만, 인체 전체에 있는 15,000 명 이상의 '다른 사람들'과도 잘 지내는지를 빠르게 확인하는 방법이 없었습니다.

2. 해결책: 올니바인드 (OmniBind) 의 등장

이 연구팀은 **올니바인드 (OmniBind)**라는 AI 도구를 개발했습니다. 이 도구의 특징은 다음과 같습니다.

• 초고속 스캐너: 기존에 인체 전체의 단백질 15,000 개와 약의 상호작용을 확인하려면 몇 주가 걸렸다면, 올니바인드는 초당 1,000 개의 약을 순식간에 분석합니다. (기존보다 10 만 배 이상 빠릅니다!)
• 만능성 점수 (Promiscuity Score): 약이 인체 전체에서 얼마나 '만능'으로 행동하는지 점수를 매깁니다. 점수가 높으면 "이 약은 너무 많은 사람과 어울려서 위험하다"는 뜻이고, 낮으면 "오직 주인공만 찾아간다"는 뜻입니다.
• 특이성 점수 (Specificity Score): 단순히 '만능'인지 아닌지뿐만 아니라, **"주인공에게 얼마나 집중하는가?"**를 계산합니다. (주인공과의 친밀도 - 전체 평균 친밀도 = 특이성)

3. 어떻게 작동하나요? (마법 같은 예측)

이 도구는 약의 화학 구조 (SMILES 문자열) 만 보고도, 마치 미래를 보는 점술사처럼 인체 전체의 반응을 예측합니다.

• 학습 과정: 먼저 정교한 AI 모델로 약 6 만 개의 약과 15,000 개의 단백질을 모두 연결해 보았습니다. (이건 매우 비싸고 느린 작업입니다.)
• 가속화: 그 방대한 데이터를 바탕으로, 올니바인드라는 가볍고 빠른 AI를 훈련시켰습니다. 이제 올니바인드는 복잡한 계산 없이도, 약의 구조만 보면 "이 약은 인체 전체에서 평균적으로 얼마나 반응할까?"를 바로 알려줍니다.

4. 왜 이것이 중요한가요? (현실적인 증명)

연구팀은 이 도구가 단순히 이론이 아니라, 실제 데이터와도 완벽하게 일치함을 증명했습니다.

• 실험실 데이터와의 일치: 실험실에서 측정한 부작용 데이터와 올니바인드의 예측이 거의 똑같았습니다. (실험 오차 범위 내에서 일치함)
• 약물 농도와의 관계: 약이 혈액 속에서 얼마나 자유롭게 떠다닐 수 있는지 (Cmax) 와 올니바인드의 점수가 반비례했습니다. 즉, **"만능 점수가 높은 약은 혈액에서 잘 움직이지 못한다"**는 생리학적 사실을 정확히 잡아냈습니다.
• 성공한 약들의 비밀: 이미 승인된 약들을 분석해보니, 성공한 약들은 '만능 점수'가 낮고 '특이성 점수'가 높았습니다. 즉, 약 개발 과정에서 무의식적으로 '주인공만 찾는 약'이 살아남았다는 것을 증명했습니다.

5. 결론: 약 개발의 새로운 나침반

이 연구는 약 개발의 초기 단계에서 올니바인드를 사용하면 다음과 같은 이점이 있음을 보여줍니다.

1. 빠른 선별: 수만 개의 후보 물질 중에서 부작용이 예상되는 '나쁜 약'을 순식간에 걸러낼 수 있습니다.
2. 더 안전한 약: 단순히 '효과가 강한 약'이 아니라, **'효과가 강하면서도 부작용이 적은 약'**을 찾아낼 수 있습니다.
3. 접근성: 누구나 웹 브라우저에서 약의 구조를 입력하면 몇 초 만에 안전 점수를 받을 수 있습니다.

한 줄 요약:

올니바인드는 약이 인체라는 거대한 파티에서 '주인공'만 만나고 다른 사람들과는 무관하게 지내도록 지켜주는, 초고속 AI 감시관입니다.

이 도구를 통해 앞으로 더 안전하고 효과적인 약들이 더 빨리, 더 저렴하게 개발될 수 있을 것입니다.

기술 요약

논문 개요: OmniBind

이 논문은 신약 개발 초기 단계에서 발생하는 '오프-타겟 (off-target)' 결합으로 인한 약물 실패 문제를 해결하기 위해, 인간 프로테옴 (proteome) 전체에 걸친 소분자의 비특이적 결합 (promiscuity) 을 빠르게 예측하고 정량화하는 새로운 프레임워크인 OmniBind를 제안합니다.

1. 문제 제기 (Problem)

• 신약 개발의 비효율성: 신약 개발은 비용이 많이 들고 실패율이 높습니다. 주요 실패 원인 중 하나는 효능 부족과 오프-타겟 독성입니다.
• 기존 방법의 한계:
  • 현재 사용되는 안전성 패널 (Safety Panels) 은 제한된 단백질 수를 대상으로 하며, 구조적으로 유사하지 않은 오프-타겟이나 무질서 단백질 (disordered proteins) 을 포착하지 못합니다.
  • 기존 계산적 방법 (도킹 등) 은 표적 단백질 하나에 대한 결합을 예측하는 '1 대 1' 패러다임에 머무르며, 전체 프로테옴 수준의 비특이적 결합을 평가하는 데는 계산 비용이 너무 많이 듭니다.
  • '비특이적 결합 (promiscuity)'과 '특이성 (specificity)'에 대한 정량적 정의와 표준화된 프레임워크가 부재합니다.

2. 방법론 (Methodology)

A. 프로테옴 전체 결합 프로파일링 및 지표 정의

• 데이터 생성: Ligand-Transformer(딥러닝 모델) 를 사용하여 약 61,000 개의 소분자와 인간 15,405 개 단백질 간의 결합 친화도 (binding affinity) 를 예측하여 전체 프로테옴 결합 프로파일을 생성했습니다.
• 비특이적 결합 (Promiscuity) 정의:
  • 전체 프로테옴에 대한 예측 결합 친화도의 **평균 (Mean)**을 비특이적 결합 지표로 정의했습니다.
  • 조직별 단백질 발현량을 가중치로 적용한 '조직 특이적' 모델과 비교한 결과, 가중치를 두지 않은 단순 평균이 조직 간 상관관계 (Spearman ρ > 0.96) 가 매우 높아, 조직 파라미터화 없이도 보편적으로 적용 가능한 지표임을 확인했습니다.
• 특이성 점수 (Specificity Score) 정의:
  • 특정 표적 단백질에 대한 결합 친화도가 전체 프로테옴 평균 대비 얼마나 높은지를 나타내는 Z-score로 정의했습니다.
  • 수식: $S_T = \frac{A_T - \mu}{\sigma}$ (여기서 $A_T$는 표적 친화도, $\mu$는 전체 평균, $\sigma$는 표준편차).

B. OmniBind 모델 개발 (고속 예측기)

• 목표: 전체 프로테옴 프로파일링은 계산 비용이 너무 높으므로, SMILES 문자열만으로 비특이적 결합 점수와 표준편차를 직접 예측하는 경량 모델을 개발했습니다.
• 아키텍처: Chemprop 프레임워크 기반의 **메시지 전달 신경망 (Message-Passing Neural Network, MPNN)**을 사용했습니다.
• 학습 전략 (2 단계):
  1. 1 단계: 전체 프로테옴 (15,405 개) 에 대한 결합 데이터를 계산하는 대신, 무작위 숲 (Random Forest) 회귀 모델을 통해 가장 대표적인 173 개 단백질의 결합 데이터만으로 비특이적 결합을 추정하는 중간 모델을 학습했습니다. (오차 MSE 0.03 달성)
  2. 2 단계: 위 중간 모델을 사용하여 200,935 개의 추가 라벨 (추정값) 을 생성하고, 기존 61,677 개의 실제 전체 프로테옴 데이터와 합쳐 최종 OmniBind MPNN 모델을 학습시켰습니다.
• 성능: 초당 약 1,000 개의 분자를 처리할 수 있어, 기존 Ligand-Transformer 기반 프로파일링보다 약 $10^5$배, Boltz-2 보다 약 $10^8$배 빠릅니다.

3. 주요 결과 (Key Results)

• 실험 데이터와의 상관관계:
  • OmniBind 의 예측 비특이적 결합 점수는 ChEMBL, PDSP 등 여러 실험 데이터베이스에서 유래한 실험적 비특이성 추정치와 높은 상관관계를 보였습니다. 이는 계산적 예측이 실험적 재현성 한계 (inter-database reproducibility) 에 근접함을 의미합니다.
• 약동학적 유효성 (Cmax 상관관계):
  • 비특이적 결합이 높은 분자는 혈장 내 최대 비결합 농도 (Cmax) 가 낮아져야 한다는 '자유 약물 가설 (Free Drug Hypothesis)'과 일치하게, OmniBind 점수와 Cmax 간에 강한 **부정적 상관관계 (r ≈ -0.47)**를 보였습니다.
  • 이는 분자량 (Molecular Weight) 만으로는 설명할 수 없는 생물학적 변이를 포착함을 의미하며, Cmax 측정치 간의 재현성 한계에 근접하는 수준입니다.
• 허가된 약물의 특이성:
  • FDA 허가 약물은 무작위 화합물 대비 유의미하게 낮은 비특이적 결합 (높은 특이성) 을 보였습니다.
  • Enrichment 분석: 단순히 결합 친화도 (Affinity) 만으로 약물을 랭킹할 때보다, **특이성 점수 (Specificity Score)**를 기준으로 랭킹했을 때 허가된 약물의 선별 능력 (Enrichment Factor, BEDROC) 이 모든 임계값에서 유의미하게 향상되었습니다.
  • 이 결과는 Ligand-Transformer, SSM-DTA, Boltz-2 등 다양한 결합 예측 모델을 사용하더라도 일관되게 유지되었습니다.

4. 기여 및 의의 (Contributions & Significance)

• 새로운 패러다임: 신약 발견을 '1 대 1' 결합 최적화에서 '1 대 전체 (One-to-All)' 프로테옴 특이성 평가로 전환하는 정량적 프레임워크를 제시했습니다.
• 실용성 및 접근성:
  • 초고속 예측 (OmniBind) 을 통해 대규모 가상 스크리닝 및 생성형 AI 기반 신약 설계 (Generative Design) 에 비특이적 결합을 실시간으로 통합할 수 있게 되었습니다.
  • 웹 서버를 통해 연구자들이 SMILES 입력만으로 몇 초 내에 비특이적 결합 및 특이성 점수를 얻을 수 있도록 서비스를 제공합니다.
• 임상적 함의:
  • 기존 안전성 패널이 놓칠 수 있는 무질서 단백질 (disordered proteins) 을 포함한 전체 프로테옴 수준의 리스크를 평가할 수 있습니다.
  • 비특이적 결합 점수는 분자 물성 (분자량 등) 이상의 생물학적 의미를 가지며, 신약 개발 초기 단계에서 실패 위험을 줄이는 강력한 지표로 활용될 수 있습니다.

5. 한계점 및 향후 과제

• 해상도: 전체 프로테옴 평균을 기반으로 하므로, 특정 단일 오프-타겟 단백질에 대한 강력한 결합 (Adverse effects 의 주원인) 을 식별하는 데는 한계가 있어 기존 실험적 패널을 대체하기보다 보완하는 도구로 위치합니다.
• 데이터 범위: Ligand-Transformer 의 계산 비용 제한으로 인해 가장 긴 20% 의 단백질은 제외되었으며, 핵산이나 지질 등 단백질 외의 생체분자 결합은 고려되지 않았습니다.

결론

OmniBind 는 신약 개발 초기 단계에서 분자의 '전체 프로테옴 특이성'을 빠르고 정확하게 평가할 수 있는 혁신적인 도구로, 기존 안전성 평가의 공백을 메우고 신약 후보물질의 성공 확률을 높이는 데 기여할 것으로 기대됩니다.