AI-Enforced Ultra-Large Virtual Screening Discovers Potent CD28 Binders

이 연구는 PyRMD2Dock 플랫폼을 활용한 AI 기반 초대규모 가상 스크리닝을 통해 난이도가 높은 CD28 단백질 - 단백질 상호작용 표적에 대한 고친화도 저분자 결합체를 성공적으로 발굴하고 기능적 활성을 입증한 것을 보고합니다.

핵심

1. 문제: 너무 평평해서 열쇠가 들어가지 않는 자물쇠

우리의 면역 세포에는 CD28이라는 중요한 단백질이 있습니다. 이 단백질은 마치 '스위치'처럼 작동해서 면역 반응을 켜거나 끕니다. 보통 약을 만들 때는 단백질에 구멍 (주머니) 이 있어서 그 안에 약이 딱 들어맞기를 기대합니다.

하지만 CD28 은 매우 평평하고 넓게 펼쳐진 표면을 가지고 있습니다. 마치 평평한 바위 위나 거울처럼 생겼죠. 그래서 기존 방식으로는 이 평평한 표면에 딱 맞는 약을 찾아내는 게 거의 불가능에 가까웠습니다. 마치 "평평한 바위 위에 딱 맞는 구멍을 찾아서 열쇠를 꽂으라"는 미션을 받은 것과 비슷합니다.

2. 해결책: AI 가 이끄는 초대형 사냥꾼

연구팀은 이 난관을 해결하기 위해 PyRMD2Dock이라는 AI 기반의 초고속 검색 시스템을 사용했습니다.

• 초대형 도서관 (4,800 만 권): 연구팀은 Enamine 이라는 곳에서 만든 4,800 만 개의 화학 물질 (약 후보) 이라는 거대한 도서관을 가지고 있었습니다.
• AI 스카우트 (240 만 명 선발): 모든 책을 한 권씩 다 읽을 수는 없죠. 그래서 AI 가 먼저 240 만 권의 책을 빠르게 훑어보며 "이 책들은 CD28 에 잘 붙을 것 같다"는 특징을 학습했습니다.
• 예측과 필터링: 학습된 AI 는 나머지 4,500 만 권의 책까지 순식간에 분석했습니다. 마치 "이런 특징을 가진 책만 골라내라"는 지시를 내린 것처럼, AI 는 가장 유망한 후보들만 추려냈습니다.

3. 실험: 진짜 열쇠 찾기

컴퓨터 시뮬레이션으로 232 개의 유망한 후보를 선별한 후, 연구팀은 이 중 150 개를 실제로 사서 실험했습니다. 결과는 놀라웠습니다.

• 높은 성공률: 150 개 중 12 개가 CD28 에 확실하게 붙는 '히트'를 기록했습니다. 보통 이런 실험에서 1% 도 성공하면 좋은데, 이 연구는 **약 8%**라는 매우 높은 성공률을 보였습니다.
• 최고의 열쇠 (100 번과 104 번): 특히 100 번과 104 번이라는 두 개의 화합물이 가장 강력했습니다. 이들은 CD28 에 아주 단단히 붙어서 (나노미터 단위), 면역 세포가 서로 대화하는 것을 막는 역할을 했습니다.

4. 결과: 면역 세포의 '소음'을 잠재우다

이 두 약물이 실제로 효과가 있는지 확인하기 위해, 살아있는 세포 실험을 진행했습니다.

• 세포 실험: 암 세포와 면역 세포를 함께 키우는 실험에서, 이 약물을 넣자 면역 세포가 과도하게 활성화되어 분비하던 염증 물질 (사이토카인) 이 줄어든 것을 확인했습니다.
• 의미: 이는 이 약물이 실제로 면역 반응을 조절할 수 있다는 뜻입니다. 마치 시끄러운 파티에서 소음을 줄여서 분위기를 차분하게 만드는 것과 같습니다.

5. 결론: AI 가 만든 새로운 가능성

이 연구는 단순히 약을 찾은 것을 넘어, **"평평하고 잡기 힘든 표적 (CD28) 도 AI 와 초고속 검색을 이용하면 약을 개발할 수 있다"**는 것을 증명했습니다.

한 줄 요약:

"평평해서 약을 붙일 수 없다고 생각했던 면역 단백질의 자물쇠를, AI 가 4,800 만 개의 후보 중에서 찾아낸 두 개의 열쇠 (100 번, 104 번) 로 성공적으로 잠갔습니다. 이는 앞으로 난치성 질환을 치료할 새로운 길을 열어주었습니다."

이 연구는 컴퓨터의 힘과 생물학의 지혜가 만나서, 과거에는 불가능해 보였던 일을 현실로 만든 멋진 사례입니다.

기술 요약

논문 제목: AI 기반 초대규모 가상 스크리닝을 통한 강력한 CD28 결합체 발견

(AI-Enforced Ultra-Large Virtual Screening Discovers Potent CD28 Binders)

1. 연구 배경 및 문제 제기 (Problem)

• 단백질 - 단백질 상호작용 (PPI) 의 표적화 난이도: 전통적으로 소분자를 이용한 PPI 억제제는 결합 부위가 깊지 않고 용매에 노출된 평평한 구조를 가지고 있어, 고전적인 구조 기반 가상 스크리닝 (SBVS) 이 매우 어렵습니다.
• CD28 의 구조적 도전: CD28 은 면역 조절 수용체로, 리간드 (CD80/CD86) 와 결합하는 부위가 평평하고 깊이가 얕아 소분자 결합 포켓이 부재합니다.
• 계산적 병목 현상: 수십억 개의 화합물 라이브러리를 대상으로 전통적인 SBVS 를 수행할 경우, 계산 비용이 너무 커서 실용적이지 않습니다.

2. 방법론 (Methodology)

이 연구는 PyRMD2Dock 플랫폼을 활용한 AI 기반 SBVS 워크플로우를 개발하고 적용했습니다.

• 플랫폼: PyRMD Studio 내의 PyRMD2Dock 모듈을 사용했습니다. 이는 머신러닝 (ML) 분류기 (PyRMD) 와 고성능 도킹 엔진 (AutoDock-GPU) 을 결합한 하이브리드 접근법입니다.
• 가상 스크리닝 프로세스:
  1. 데이터 준비: Enamine REAL Diversity Space 에서 240 만 개의 화합물을 무작위 추출하여 RDKit 기반의 다양성 선별 (MaxMin 알고리즘, ECFP6) 을 수행했습니다.
  2. 초기 도킹: 추출된 화합물들을 CD28 의 X-선 구조 (PDB ID: 1YJD) 에 도킹했습니다. 주 결합 부위 (MYPPPY 모티프) 가 평평하여 소분자 결합이 어렵다고 판단, 자연 리간드 결합 부위 옆에 위치한 **인접한 주머니 (cleft)**를 타겟으로 선정했습니다 (H38, F93, K95, D106, N107, K109, S110 잔기 포함).
  3. ML 모델 훈련: 도킹 스코어 (ΔGAD4) 를 기반으로 672 개의 분류 모델을 훈련시켰습니다. '활성 (Active)'과 '비활성 (Inactive)' 화합물의 임계값을 최적화하여 TPR/FPR, 정밀도 (Precision), F-score 를 균형 있게 갖춘 모델을 선정했습니다.
  4. 초대규모 스크리닝: 최적화된 ML 모델을 사용하여 Enamine REAL Diversity Set (약 4,800 만 개 화합물) 전체를 스크리닝했습니다. ML 모델은 도킹 결과를 학습하여 화학적 특징을 기반으로 결합 친화도를 예측함으로써 모든 화합물에 대한 직접적인 도킹 없이 고속 스크리닝을 가능하게 했습니다.
  5. 선별 및 필터링:
     • ML 점수 상위 65 만 개 화합물 추출.
     • 재도킹 및 에너지 스코어 (≤ -7.75 kcal/mol) 필터링.
     • 구조 기반 필터링: 핵심 잔기인 K109 와 C94 와의 상호작용 확인.
     • SASA (용매 접근 표면적) 분석 및 클러스터링을 통해 화학적 다양성을 유지하며 232 개 화합물로 최종 선별.

3. 주요 기여 (Key Contributions)

• 최초의 실증적 적용: PyRMD2Dock 플랫폼을 이용한 초대규모 화학 공간 (4,800 만 개) 의 전향적 (prospective) 인 실제 적용 사례를 최초로 보고했습니다.
• 효율성 증대: 기존 버전 대비 3 배 이상 빠른 처리 속도로 초대규모 라이브러리를 스크리닝할 수 있는 파이프라인을 확립했습니다.
• 난이도 높은 PPI 타겟팅: 평평하고 구조적으로 까다로운 CD28 인터페이스를 소분자로 성공적으로 타겟팅할 수 있음을 입증했습니다.

4. 실험 결과 (Results)

• 화합물 구매 및 초기 스크리닝: 선별된 232 개 중 150 개 화합물을 구매하여 실험적으로 검증했습니다.
• 1 차 스크리닝 (Dianthus TRIC assay): 150 개 중 12 개 (Hit rate 약 7.3%) 가 CD28 과의 상호작용을 보였습니다.
• 결합 친화도 검증 (MST): 12 개 화합물에 대해 마이크로스케일 열영동 (MST) 을 수행한 결과, 화합물 100과 104가 아미크로몰 (submicromolar) 수준의 높은 친화도를 보였습니다.
  • 화합물 100: $K_d = 343.8 \text{ nM}$
  • 화합물 104: $K_d = 407.1 \text{ nM}$
• 기능적 억제 (ELISA 및 세포 배양):
  • CD28-CD80 경쟁 억제: 화합물 100 은 $IC_{50} = 231.4 \text{ nM}$, 화합물 104 는 $IC_{50} = 840.6 \text{ nM}$으로 강력한 경쟁적 억제를 보였습니다.
  • 세포 신호 전달 차단: Jurkat 세포 기반 리포터 어세이에서 CD28 매개 신호 전달을 효과적으로 차단했습니다.
  • 3D 공배양 모델: 인간 종양-PBMC 공배양 모델 및 인간 기저 - PBMC 공배양 모델에서 사이토카인 (IFN-γ, IL-2 등) 분비를 유의미하게 감소시켜 생리학적 관련성을 입증했습니다.
• 결합 모드 분석: 화합물 100 과 104 는 서로 다른 클러스터에 속하지만, 동일한 아미노산 잔기 (K109, K2, H38 등) 와 상호작용하며 두 가지 다른 결합 방향 (Binding modes) 을 가질 수 있음이 확인되었습니다.

5. 의의 및 결론 (Significance)

• AI 기반 약물 발견의 유효성 입증: 기계학습과 도킹을 결합한 AI 기반 가상 스크리닝이 기존에 접근하기 어려웠던 평평한 PPI 인터페이스를 가진 면역 수용체를 타겟팅하는 데 매우 효과적임을 증명했습니다.
• 새로운 치료제 후보 발굴: CD28 은 자가면역 질환 및 암 면역요법 조절에 중요한 표적이므로, 발견된 화합물 100 과 104 는 향후 리드 화합물 최적화 (Hit-to-Lead) 를 위한 유망한 출발점이 됩니다.
• 확장성: 이 연구는 초대규모 화학 라이브러리를 효율적으로 마이닝하여 복잡한 PPI 를 표적화하는 확장 가능하고 효과적인 패러다임을 제시합니다.

---

요약: 이 연구는 PyRMD2Dock AI 플랫폼을 활용하여 4,800 만 개의 화합물 라이브러리를 스크리닝함으로써, 구조적으로 도전적인 CD28 수용체에 결합하는 강력한 소분자 억제제 (화합물 100, 104) 를 발견했습니다. 발견된 화합물은 나노몰 (nM) 수준의 친화도를 가지며, CD28-CD80 상호작용을 차단하고 면역 세포의 사이토카인 분비를 억제하는 기능을 확인했습니다. 이는 AI 기반 가상 스크리닝이 난해한 단백질 - 단백질 상호작용 표적의 약물 개발에 혁신적인 도구가 될 수 있음을 보여줍니다.