Affinity Fine-Tuning of Boltz-2: An Open Framework for Protein-Ligand Potency Prediction in Drug Discovery

본 논문은 리드 최적화를 위한 단백질-리간드 결합 친화도 예측 능력을 획기적으로 향상시키고 자유 에너지 섭동 방법과 경쟁 가능한 성능을 달성하기 위해 프로젝트별 실험 데이터를 활용하여 Boltz-2 를 미세 조정하는 개방형 프레임워크를 소개합니다.

핵심

Boltz-2라는 이름의 초지능 로봇 셰프가 있다고 상상해 보세요. 이 셰프는 특정 성분 (약물 분자) 과 특정 냄비 (인체 내 단백질) 의 사진을 보고 서로 얼마나 잘 달라붙을지 예측하는 데 탁월한 재능을 가지고 있습니다. 의학 세계에서는 이러한"달라붙음"을**결합 친화도 (binding affinity)**라고 부르며, 새로운 약이 실제로 효과가 있을지 판단하는 데 있어 결정적인 단계입니다.

하지만 한 가지 문제가 있었습니다. 누구나 Boltz-2 를 이용해 이러한 예측을 할 수는 있었지만, 그에게 새로운 기술을 가르치는 비법 레시피는 아무도 알지 못했다는 점입니다. 마치 고정된 사전 작성 메뉴에서만 요리할 수 있는 천재 셰프를 가진 것과 같았습니다. 만약 제약 회사가 특정 질병을 연구하며 자신들만의 고유한 성분과 시험 결과를 가지고 있다면, Boltz-2 를 그들의 특정 업무에 더 능숙하도록 쉽게 가르칠 수 없었습니다.

핵심 아이디어
이 논문은 새로운"오픈 키친"프레임워크를 소개합니다. 이는 사전 훈련된 Boltz-2 로봇을 과학자들이 자신들의 특정 데이터로 사용하여 단기간 집중 교육 (크래시 코스) 을 시킬 수 있게 해주는 일련의 지침으로 생각할 수 있습니다. 로봇 전체를 처음부터 다시 훈련시키는 것 (이는 어렵고 비용이 많이 듭니다) 대신, 로봇이"달라붙음"의 강도를 예측하는 부분만 조정합니다.

테스트 방법
연구팀은 이 새로운 훈련 방법을 두 가지 방식으로 테스트했습니다:

1. 그룹 테스트: 다양한 표적 (다양한 요리를 셰프에게 테스트하는 것과 유사) 에 관한 과거 데이터를 되돌아보며, 조정된 Boltz-2 를 다른 표준 컴퓨터 모델 및 물리 기반 시뮬레이션과 비교했습니다.
2. 심층 분석: 단일 표적에만 집중하되, 최대 1,700 가지의 약물 유사 분자에 이르는 방대한 양의 데이터를 사용하여 로봇이 해당 단일 사례의 미묘한 차이까지 학습할 수 있는지 확인했습니다.

결과
두 가지 테스트 모두에서"파인 튜닝 (fine-tuned)"된 Boltz-2 는 원래의 훈련되지 않은 버전보다 약물 결합 예측 능력이 훨씬 향상되었습니다. 어떤 경우에는 자유 에너지 섭동 (Free Energy Perturbation, FEP) 방법과同等한 성능을 보였습니다. 비유하자면, 원래 Boltz-2 가 좋은 추측자였다면, FEP 는 실행하는 데 시간이 오래 걸리는 고가의 정밀 실험실 실험과 같습니다. 파인 튜닝된 Boltz-2 는 그 비싼 실험의 정확도에 도달하면서도 훨씬 빠르게 수행해냈습니다.

목표
저자들은 이것이 즉시 질병을 치료하거나 의사를 대체할 것이라고 주장하지 않습니다. 대신, 그들은 단순히"레시피 책"을 과학계 전체에 전달하는 것입니다. 그들의 목표는 다른 약물 개발 팀들이 이 프레임워크를 가져와 자신들의 실험 데이터를 연결하고, 자신들의 약물 프로젝트에 최적화된 맞춤형 Boltz-2 버전을 만들 수 있도록 하는 것입니다.

이 작업을 수행하는 코드는 이제 누구나 사용할 수 있게 되었으며, 이를 통해 범용 도구를 어떤 특정 약물 개발 캠페인에도 특화된 도구로 전환할 수 있게 되었습니다.

기술 요약

기술 요약: Boltz-2 의 친화도 미세 조정

문제 제기
Boltz-2 는 공접힌 단백질 - 리간드 구조를 활용하여 결합 친화도를 정확하게 예측하는 능력을 입증해 왔으나, 활성 의약품 개발 프로젝트에서의 실용적 적용은 제한되어 왔습니다. 주요 한계는 공개된 학습 레시피가 부재하다는 점입니다. 실제 리드 최적화 시나리오에서는 프로젝트가 지속적으로 새로운 실험 측정값과 동족 리간드 계열을 생성합니다. 이러한 특정적이고 진화하는 데이터에 모델을 적응시키는 메커니즘이 없다면, 상용화된 Boltz-2 모델은 이러한 타겟 캠페인에는 최적화되지 않은 채로 남습니다.

방법론
저자들은 Boltz-2 의 친화도 미세 조정을 가능하게 하는 개방형 프레임워크를 제안합니다. 핵심 방법론적 혁신은 표적 적응 전략에 있습니다. 전체 모델을 재학습하는 대신, 이 프레임워크는 프로젝트별 실험 데이터를 사용하여 친화도 예측 구성 요소만 적응시킵니다. 이 접근법은 모델이 특정 타겟 및 리간드 계열의 고유한 물리화학적 뉘앙스를 학습하면서도 일반적인 구조적 이해를 유지할 수 있게 합니다. 이 프레임워크는 커뮤니티의 채택을 촉진하기 위해 오픈소스 소프트웨어로 공개되었습니다.

주요 기여

• 개방형 프레임워크: 특정 의약품 개발 데이터셋에서 Boltz-2 를 미세 조정하기 위한 재현 가능한 파이프라인의 공개.
• 표적 적응: 친화도 예측 헤드만 수정하는 것만으로도 리드 최적화를 위한 모델의 유용성을 크게 향상시킬 수 있음을 입증.
• 벤치마킹: 물리 기반 방법 및 기타 머신러닝 접근법을 포함한 확립된 베이스라인 대비 미세 조정된 모델에 대한 포괄적 평가.

결과
이 프레임워크는 두 가지 별도의 내부 연구에서 평가되었습니다:

1. 다중 타겟 후향적 벤치마킹: 미세 조정된 모델을 여러 타겟에 걸쳐 물리 기반 및 머신러닝 베이스라인과 비교.
2. 대규모 단일 타겟 연구: 특정 타겟에서의 확장성과 성능을 테스트하기 위해 최대 1,700 개의 리간드를 포함하는 연구 수행.

두 가지 설정 모두에서 미세 조정된 Boltz-2 모델은 상용화된 모델에 비해 실험 데이터와의 상관관계가 향상된 것을 보여주었습니다. 특히, 일부 경우 미세 조정된 모델의 성능은 정확도의 금표준으로 간주되지만 계산 비용이 많이 드는 자유 에너지 섭동 (FEP) 방법과 경쟁할 수 있는 수준에 도달했습니다.

의의
이 논문은 이 프레임워크를 공개함으로써, 저자들이 의약품 개발 커뮤니티가 Boltz-2 를 자체 캠페인의 특정 타겟과 데이터에 적응시킬 수 있도록 지원하고자 한다고 주장합니다. 이 연구는 강력한 사전 학습 모델과 역동적이고 데이터가 풍부한 활성 리드 최적화 환경 간의 격차를 해소하여, 전체 모델 재학습이나 독점적 학습 레시피 접근 없이도 고정밀 예측을 달성할 수 있는 경로를 제시합니다.