Library docking for Cannabinoid-2 Receptor ligands

이 연구는 26 억 개의 분자 라이브러리를 대상으로 한 도킹 스크리닝을 통해 CB2 수용체 아형 선택성 리간드를 발굴하고, 극성 잔기와의 상호작용을 표적으로 삼는 전략과 구조 기반 최적화를 통해 다양한 계열의 고활성 리간드를 성공적으로 개발했음을 보여줍니다.

핵심

이 논문은 **"거대한 디지털 도서관에서 약이 될 만한 물질을 찾아내는 대모험"**에 대한 이야기입니다. 과학자들이 어떻게 컴퓨터를 이용해 새로운 약을 발견했는지, 그리고 그 과정에서 어떤 놀라운 발견을 했는지 쉽게 설명해 드릴게요.

1. 배경: 두 개의 자매와 혼란스러운 도서관

우리 몸에는 CB1과 CB2라는 두 개의 아주 비슷한 수용체 (약이 들어가는 문) 가 있습니다. 이 두 문은 쌍둥이처럼 생겼지만 (유전자가 44% 비슷하고, 문 안쪽 구조는 90% 비슷함), CB1 은 뇌에서 작용하고 CB2 는 면역과 염증 조절에 관여합니다.

과거 과학자들은 이 두 문을 구분하지 못하고 약을 개발하다가, 뇌에 작용하는 CB1 때문에 부작용이 생기는 경우가 많았습니다. 이번 연구는 **"정확히 CB2 문만 여는 열쇠"**를 찾아내는 데 집중했습니다.

2. 방법: 거대한 디지털 도서관과 정교한 나침반

과학자들은 DOCK이라는 컴퓨터 프로그램을 사용했습니다. 이 프로그램은 가상의 화학 물질 도서관에 있는 수십억 개의 분자를 CB2 문에 맞춰보며 "어떤 분자가 가장 잘 들어갈까?"를 계산합니다.

• 작은 도서관 (700 만 개): 처음에는 작은 도서관에서 검색을 시작했습니다. 하지만 여기서 찾은 열쇠들은 문이 너무 기름져서 (소수성), CB1 과 CB2 구별이 잘 안 되는 경우가 많았습니다.
• 정교한 나침반 (극성 상호작용): 연구팀은 "문 안쪽의 특정 부분 (극성 부분) 과 잘 맞는 열쇠를 찾아야 CB2 만 골라낼 수 있다"는 가설을 세웠습니다. 마치 자석의 N 극과 S 극처럼, 문 안쪽의 특정 부분과 잘 붙는 분자만 골라내도록 컴퓨터 설정을 조정했습니다.
• 거대한 도서관 (26 억 개): 그다음, 700 만 개에서 26 억 개로 도서관 규모를 400 배나 늘렸습니다. 이는 마치 작은 서점에서 전 세계의 모든 책을 검색하는 것과 같습니다.

3. 주요 발견: 숫자가 커질수록 보물이 많아졌다

• 더 많은 보물: 작은 도서관에서는 약효가 미미한 물질만 찾았지만, 거대한 도서관 (26 억 개) 을 검색하자 약효가 14 배에서 140 배까지 뛰어난 새로운 물질들이 쏟아져 나왔습니다.
• 정확한 표적: 이 새로운 물질들은 CB2 문만 정확히 여는 '선택성'이 매우 높았습니다. 마치 CB2 문에는 딱 맞는 열쇠지만, CB1 문에는 구멍이 너무 커서 들어가지 않는 열쇠들입니다.
• 활성 조절: 컴퓨터가 '활성 상태'의 문을 기준으로 검색하면 '활성제 (문 열어주는 약)'가, '비활성 상태'의 문을 기준으로 검색하면 '억제제 (문 닫아주는 약)'가 나올 것이라고 예상했습니다. 하지만 결과는 조금 달랐습니다. 어떤 상태의 문을 기준으로 검색하든, 아주 강력한 활성제와 억제제가 모두 섞여 나왔습니다. 이는 컴퓨터가 아직 인간의 상상력만큼 정교하지는 않다는 것을 보여줍니다.

4. 검증: 컴퓨터 예측 vs 실제 실험 (현실 확인)

컴퓨터가 "이게 맞다!"라고 예측한 물질들을 실제로 실험실에서 합성하고 테스트했습니다.

• 놀라운 일치: 실험실에서 만든 약을 현미경 (Cryo-EM) 으로 찍어보니, 컴퓨터가 예측한 모양과 실제 모양이 거의 똑같았습니다. (오차 1~2 도 수준). 이는 컴퓨터가 정말로 정확한 예측을 했다는 강력한 증거입니다.
• 새로운 디자인: 이 연구로 발견된 8 가지의 새로운 분자 구조는 과거에 알려진 어떤 약과도 닮지 않았습니다. 완전히 새로운 디자인의 열쇠를 만든 셈입니다.

5. 결론: 왜 이 연구가 중요한가요?

이 연구는 **"약물 개발을 위해 더 큰 데이터와 더 정교한 컴퓨터 시뮬레이션이 필요하다"**는 것을 증명했습니다.

• 비유하자면: 과거에는 작은 상자에서 바늘을 찾느라 고생했지만, 이제는 전 세계의 바늘을 한 번에 검색할 수 있는 거대한 망을 치고, 그중에서도 '정확히 원하는 모양'의 바늘만 골라내는 기술을 개발한 것입니다.
• 미래: 이렇게 발견된 새로운 약들은 통증 완화, 염증 치료, 면역 질환 치료 등에 쓰일 수 있는 유망한 후보들입니다. 특히 뇌에 영향을 주지 않고 몸의 다른 부분만 치료할 수 있어, 부작용을 줄일 수 있는 희망이 생겼습니다.

한 줄 요약:

과학자들이 컴퓨터로 26 억 개의 가상 분자를 검색하여, CB2 수용체에만 딱 맞는 완전히 새로운 형태의 약 후보들을 찾아냈으며, 이는 실제 실험에서도 뛰어난 효과를 입증했습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: CB1 과 CB2 수용체는 G 단백질 결합 수용체 (GPCR) 로서 통증, 염증, 대사 질환 등 다양한 치료 표적으로 주목받고 있습니다. 특히 CB1 과 CB2 는 아미노산 서열이 44% 일치하며, 결합 부위 (Orthosteric site) 에서는 약 90% 까지 유사하여 선택적 리간드 개발이 매우 어렵습니다.
• 기존 한계:
  • 이전의 CB1 수용체 대상 스크리닝에서는 강력한 리간드가 발견되었으나, CB2 에 대한 선택성이 낮았습니다.
  • 수용체의 활성형 (Active) 과 비활성형 (Inactive) 구조를 각각 표적으로 하여 아고니스트 (Agonist) 나 역아고니스트 (Inverse Agonist) 를 선별하려는 시도는 종종 실패하거나 혼합된 결과를 보였습니다.
  • 지질 수용체 (Lipid receptor) 의 소수성 결합 주머니 (Hydrophobic pocket) 특성상 리간드의 물리화학적 성질 (Lipophilicity) 이 나빠지는 문제가 있었습니다.
• 연구 목표:
  1. CB2 에 대한 선택성을 높이기 위한 전략 수립 (극성 상호작용 활용).
  2. 라이브러리 규모 확대 (7 천만 → 26 억 개) 가 히트율과 친화도에 미치는 영향 분석.
  3. 수용체 상태 (활성/비활성) 에 따른 기능적 선택성 (Function-selectivity) 확보 가능성 탐구.
  4. 완전 열거형 (Fully enumerated) 26 억 개 라이브러리와 합성 기반 (Synthon) 115 억 개 라이브러리의 성능 비교.

2. 방법론 (Methodology)

• 가상 스크리닝 (Virtual Screening):

  • 도킹 소프트웨어: DOCK 3.8 사용.
  • 수용체 구조:
    • 활성형: PDB 6PT03 (WIN 55,212-2 결합).
    • 비활성형: PDB 5ZTY (AM10257 결합).
  • 전하 및 극성 최적화: CB2R 의 결합 주머니는 본래 소수성이지만, 선택성을 높이기 위해 T3.33, S7.39, S2.60, H2.65 등 극성 잔기의 국부적 쌍극자 모멘트를 인위적으로 증가시켜 전자기계적 스코어링을 조정했습니다.
  • 라이브러리 규모:
    1. 7 천만 개 (In-stock): 기존 재고 화합물.
    2. 16 억 개 (1.6B): Make-on-demand 라이브러리.
    3. 26 억 개 (2.6B): 완전 열거형 (Fully enumerated) Make-on-demand 라이브러리.
  • 필터링: 결합 부위의 극성 잔기와의 수소 결합 형성 여부, 입체 장애, ChEMBL 데이터베이스와의 구조적 유사성 (Tc < 0.35) 등을 기준으로 필터링했습니다.

• 실험적 검증:

  • 결합 친화도 측정: 방사성 리간드 ([3H]-CP55,940 또는 [3H]-WIN 55212-2) 를 이용한 경쟁 결합 assay 로 $K_i$ 값 측정.
  • 기능적 활성 측정: cAMP 축적 (GloSensor assay) 및 BRET (Bioluminescence Resonance Energy Transfer) 를 통해 아고니스트/역아고니스트 활성 및 $EC_{50}$/$IC_{50}$ 측정.
  • 구조 결정: Cryo-EM 을 통해 발견된 리간드 (‘5249, ‘1029) 와 CB2R-Gi 복합체의 구조 규명.

3. 주요 결과 (Key Results)

A. 선택성 및 리간드 최적화

• 극성 상호작용의 중요성: 소수성 결합 부위임에도 불구하고, 극성 잔기 (T3.33, S7.39 등) 와의 상호작용을 강조하는 전략은 **CB2 에 대한 높은 선택성 (CB1 대비 40~115 배)**을 가진 리간드를 발굴하는 데 성공했습니다.
• 라이브러리 규모 효과:
  • 7 천만 개 라이브러리: $K_i$ 값이 0.9~7.1 $\mu M$ 범위였으며, 기능적 활성 (아고니스트/역아고니스트) 은 측정되지 않았습니다.
  • 26 억 개 라이브러리: $K_i$ 값이 10 배 이상 향상되었으며, 기능적 활성이 측정 가능한 리간드 (중간~저 nM 범위) 가 다수 발견되었습니다.
  • 히트율: 스코어가 개선됨에 따라 히트율도 증가하는 경향을 보였습니다.

B. 기능적 선택성 (Functional Selectivity)

• 수용체 상태의 영향: 활성형 구조를 대상으로 한 스크리닝에서는 아고니스트가 주로 발견되었으나, 비활성형 구조를 대상으로 한 26 억 개 라이브러리 스크리닝에서는 강력한 역아고니스트 (최고 $EC_{50}$ 28 nM) 와 아고니스트 (최고 $EC_{50}$ 2.5 nM) 가 모두 발견되었습니다.
• 결론: 수용체 상태 (활성/비활성) 를 단순히 표적으로 삼는 것만으로는 리간드의 기능 (아고니스트 vs 역아고니스트) 을 확실하게 예측하거나 선별하기 어렵다는 기존 연구 결과를 재확인했습니다. 이는 CB2R 의 활성/비활성 상태 간 결합 주머니 구조 차이가 다른 GPCR 에 비해 미미하기 (<1.5 Å) 때문으로 분석됩니다.

C. 리간드 최적화 및 SAR

• 발견된 초기 히트 화합물 (예: ‘6138, ‘0055, ‘7302) 을 기반으로 구조 - 활성 관계 (SAR) 연구를 진행했습니다.
• 효능 향상: 3 가지 계열에서 10 배에서 140 배까지 친화도 ($K_i$) 가 개선되었습니다.
• 선택성 극대화: 일부 유도체는 CB2 에 대해 CB1 대비 115 배의 선택성을 보였습니다.

D. Cryo-EM 구조 규명

• 최적화된 아고니스트 두 종류 ('5249 와 '1029) 에 대한 Cryo-EM 구조 (해상도 2.9 Å) 를 규명했습니다.
• 도킹 예측과의 일치: 실험적으로 결정된 리간드 자세 (Pose) 와 도킹 예측 모델 간의 RMSD 가 각각 1.8 Å, 1.1 Å 로 매우 잘 일치했습니다.
• 상호작용 세부 사항: 예측된 수소 결합 중 일부는 실험 구조에서 물 분자를 매개로 하거나 다른 잔기와 형성되는 등 미세한 차이가 있었으나, 전체적인 결합 모드는 도킹이 정확히 예측했음을 입증했습니다.

E. 화합물 다양성

• 발견된 16 개의 고활성 화합물 ($K_i$ < 100 nM) 은 **8 개의 서로 다른 화학적 계열 (Chemotype)**로 분류되었습니다.
• 이 중 7 개 계열은 기존 ChEMBL 데이터베이스에 알려진 CB2 리간드와 구조적 유사성 (Tc < 0.35) 이 없어 완전히 새로운 화학적 골격임을 확인했습니다.

4. 의의 및 결론 (Significance)

1. 대규모 라이브러리의 가치: 소수성 결합 부위를 가진 GPCR 에서도 라이브러리 규모를 26 억 개까지 확장하면, 히트율과 리간드 효능이 획기적으로 개선됨을 입증했습니다. 이는 향후 수천억~조 단위 라이브러리 스크리닝의 타당성을 지지합니다.
2. 선택성 전략: 지질 수용체에서도 극성 상호작용을 의도적으로 설계 (Polar interactions biasing) 하면 subtype 선택성을 확보할 수 있음을 보였습니다.
3. 기능적 예측의 한계: 수용체의 활성/비활성 구조를 각각 표적으로 하는 것만으로는 아고니스트/역아고니스트를 명확히 구분하기 어렵다는 점을 재확인하며, 이 분야의 난제를 지적했습니다.
4. 신약 개발 플랫폼: 발견된 8 가지 새로운 계열의 고활성, 고선택성 CB2 리간드와 Cryo-EM 구조는 향후 통증 및 염증 치료제 개발을 위한 강력한 도구 (Tool molecules) 와 치료 후보물질 (Clinical candidates) 로 활용될 수 있습니다.

이 연구는 구조 기반 약물 설계의 한계를 극복하고, 대규모 가상 스크리닝과 실험적 검증, 구조 생물학의 통합이 어떻게 새로운 고품질 리간드 발견으로 이어지는지를 보여주는 모범 사례입니다.