De novo designed cyclic MC4R peptide agonist reduces food intake in mice

본 연구는 딥러닝을 활용하여 고강도와 마우스의 식욕 현저한 감소를 달성하는 새로운 MC4R 작용제를 설계, 최적화 및 검증함으로써, 새로운 펩타이드 약물 발견을 위한 일반화 가능한 엔드투엔드 워크플로우를 확립한다.

핵심

상상해 보세요. 몸속의 식욕을 조절하는 매우 구체적이고 복잡한 자물쇠 (MC4R 수용체) 를 열기 위해 맞춤형 열쇠를 만들고자 한다고요. 보통 과학자들은 자연에 이미 존재하는 열쇠들을 모방하려 합니다. 하지만 이 논문은 자연이 이미 만들어낸 것을 모방하지 않고, 초지능 컴퓨터 프로그램을 이용해 처음부터 완전히 새로운 열쇠를 만드는 것에 관한 것입니다.

다음은 연구자들이 단계별로 어떻게 이를 수행했는지입니다:

1. 컴퓨터 건축가
먼저, 팀은 강력한 AI 도구 (AlphaFold2) 를 디지털 건축가처럼 활용했습니다. 컴퓨터에게 열쇠의 모양 5,000 가지 이상을 '환각'하거나 상상해 보라고 요청했습니다. 일부는 직선 형태였고, 일부는 고리 모양 (고리형) 이었습니다. 목표는 굶주림 수용체의 '자물쇠'에 완벽하게 들어맞는 모양을 찾는 것이었습니다.

2. 첫 번째 시운전
연구자들은 이 컴퓨터 설계 열쇠들 중 소수를 선별해 실험실에서 테스트했습니다. 이는 마치 재능 쇼와 같았습니다:

• 직선형 열쇠의 **74%**가 실제로 작동했습니다.
• 고리형 열쇠의 **23%**가 작동했습니다.
  고리형 열쇠 중 하나가 스타 플레이어였습니다. 몸이 보통 사용하는 자연산 열쇠들과는 완전히 다르게 생겼음에도 불구하고, 자물쇠를 돌리고 신호를 보낼 수 있었습니다. 처음에는 약했지만, 이 개념이 작동함을 증명했습니다.

3. '튜닝' 워크숍
작동하는 프로토타입을 얻은 후, 그들은 거기서 멈추지 않았습니다. 튜닝이 필요한 레이싱 카처럼 대우했습니다. 코드 속 한 글자씩을 바꾸며 열쇠의 다른 부분들을 교체하는 수천 개의 작은 실험을 진행해, 어떤 변경 사항이 열쇠를 더 빠르고 강력하게 만드는지 확인했습니다. 또한, 열쇠가 몸속에서 더 오래 지속되도록 도와주는 '안정제'도 추가했습니다.

이 과정을 통해 열쇠의 성능을 더 좋게 만드는 새로운 비밀 패턴 (APWR 라는 특정 문자 시퀀스) 을 발견했습니다. 그들은 '프롤린' 조각으로 일부를 교체하는 한 가지 구체적인 변경 사항이 열쇠를 놀라울 정도로 강력하게 만든다는 것을 발견했습니다. 이 새로운 버전인 E5P는 첫 번째 작동 프로토타입보다 약 50 배 강력했습니다.

4. 현실 세계 테스트
마지막으로, 그들은 이 초강력 열쇠를 쥐에게 테스트했습니다. 쥐의 뇌에 직접 소량의 열쇠를 투여했습니다. 결과는 무엇일까요? 쥐들은 즉시 훨씬 적은 양의 음식을 섭취했습니다.

큰 그림
이 논문은 식욕을 위한 특정 약물 하나에 관한 것이 아닙니다. 이는 새로운 '조립 라인'에 대한 실증입니다. 연구자들은 자연의 기존 설계에 의존하지 않고 컴퓨터 아이디어에서 쥐에게서 실제로 작동하는 약물에 이르기까지의 과정을 보여주었습니다. 적절한 도구를 사용하면, 우리가 이전에 도달할 수 없었던 생물학적 과정을 열 수 있는 완전히 새로운 유형의 열쇠들을 발명할 수 있음을 증명했습니다.

기술 요약

기술적 요약: De Novo 설계 사이클릭 MC4R 펩타이드 아고니스트

문제 제기
딥러닝 기반 구조 예측이 자연적 골격과 무관한 펩타이드 리간드 설계를 가능하게 함에도 불구하고, 해당 분야는 중요한 병목 현상에 직면해 있습니다: 계산적으로 생성된 대부분의 펩타이드는 초기 활성 측정 단계를 넘어서지 못합니다. 결과적으로, 약물과 유사한 최적화 및 in vivo 검증을 위한 핵심 경로들은 여전히 미탐구 상태로 남아 있습니다. De novo 설계와 최적화된 약리학적 활성 펩타이드의 생성 사이의 간극을 연결하는 엔드-투-엔드 워크플로우가 필요합니다.

방법론
저자들은 멜라노코르틴-4 수용체 (MC4R) 를 모델 표적으로 활용하여 펩타이드 아고니스트의 발견 및 성숙을 위한 포괄적인 워크플로우를 확립했습니다. 이 과정은 다음 단계들을 포함합니다:

1. De Novo 설계: ColabDesign 에서 구현된 AlphaFold2 기반 환각 (hallucination) 프로토콜을 사용하여, 팀은 MC4R 오스테로릭 포켓을 특정하여 선형 및 헤드-투-테일 사이클릭 구조를 모두 포함하는 5,000 개 이상의 후보 펩타이드를 생성했습니다.
2. 초기 스크리닝: 이러한 후보들의 우선순위 하위 집합이 활성을 평가하기 위해 기능성 스크리닝을 거쳤습니다.
3. 체계적 성숙: 활성 후보들에 대해, 팀은 다각적 최적화 전략을 적용했습니다:
   • 딥 돌연변이 스캐닝: 서열 - 활성 관계를 매핑하기 위함.
   • 반감기 연장체 접합 스캐닝: 안정성 및 약동학적 잠재력을 평가하기 위함.
   • 조합 최적화 라이브러리: 효능을 더욱 정제하기 위함.
   • 데이터 기반 분석: 위의 스캔 결과들을 해석하고 추가 설계를 안내하기 위해 사용됨.
4. In Vivo 검증: 가장 강력한 변이체를 마우스에게 중추적으로 투여하여 급성 식이 섭취에 미치는 영향을 평가했습니다.

주요 결과

• 히트율: 기능성 스크리닝은 선형 펩타이드의 74% 와 사이클릭 펩타이드의 23% 에서 측정 가능한 활성을 보여주었습니다.
• 초기 발견: 팀은 인간 MC4R(hMC4R) 에 대해 EC₅₀이 340 nM 인 사이클릭 아고니스트를 확인했습니다. 주목할 점은 이 펩타이드가 고전적인 멜라노코르틴 활성화 모티프를 결여하고 있다는 것입니다.
• 모티프 식별: 최적화 노력은 APWR 세그먼트를 중심으로 한 대체 활성화 모티프를 식별했습니다.
• 효능 최적화: 체계적 돌연변이 유도를 통해 5 번째 위치 (E5P) 에서 프롤린 치환이 이루어진 단일 부위 변이체가 생성되었습니다. 이 변이체는 hMC4R 에 대해 EC₅₀이 6.7 nM 으로 현저히 개선된 효능을 보여주었습니다.
• In Vivo 효능: E5P 변이체 (10 nmol) 의 중추적 투여는 마우스에서 급성 식이 섭취를 성공적으로 감소시켜, de novo 설계된 펩타이드의 in vivo 활성에 대한 개념 증명 (proof of concept) 을 제공했습니다.

의의 및 주장
본 논문은 일반화 가능한 "설계에서 검증까지" 전략을 입증한다고 주장합니다. 이 접근법은 de novo 펩타이드 설계를 최적화되고 약리학적 활성을 가진 펩타이드로 성공적으로 전환하여, 계산적 생성과 치료적 적용 사이의 간극을 해소합니다. 더 나아가, 이 연구는 내인성 멜라노코르틴의 제약 너머에서 기능하는 화학유형, 특히 비고전적 활성화 모티프를 활용함으로써 MC4R 아고니스트의 알려진 화학 공간 확장합니다. 본 연구는 약물 발견을 위한 딥러닝 환각 프로토콜과 엄격한 실험적 성숙의 결합이 유효함을 검증합니다.