PredHLM: quantitative and interpretable prediction of metabolic half-life in human liver microsomes

기술 요약: PredHLM – 인간 간 마이크로좀(HLM) 내 대사 반감기에 대한 정량적 및 해석 가능한 예측

문제 제기
인간 간 마이크로좀(HLM)에서의 대사 안정성은 전신 노출, 클리어런스(clearance), 그리고 경구 생체 이용률에 영향을 미치는 핵심적인 약동학적 결정 요인이다. HLM 실험법은 Phase I 대사를 평가하는 골드 스탠다드이지만, 노동 집약적이고 자원 소모가 많아 초기 신약 개발 단계의 대규모 가상 스크리닝에서 병목 현상을 일으킨다. 기존의 계산 모델들은 흔히 세 가지 한계를 가진다: (1) 주로 분류 기반(안정 vs 불안정)으로 되어 있어, 리드 최적화(lead optimization)에 필요한 정밀도가 부족하다; (2) 공공 데이터셋의 고유한 실험적 노이즈와 이질성으로 인해 어려움을 겪으며, 이로 인해 많은 연구자들이 정량적 회귀 분석을 기피한다; (3) 대개 "블랙박스" 형태로 작동하여, 알려진 대사 소프트 스팟(metabolic soft-spots)과 일치하는 화학적 통찰력을 제공하지 못한다. 결과적으로, 연속적인 값인 HLM 반감기($T_{1/2}$)를 직접적이고 정량적으로 예측하는 것은 여전히 미개척 분야로 남아 있다.

방법론
저자들은 HLM 반감기를 직접 예측하도록 설계된 정량적 머신러닝 프레임워크인 PredHLM을 개발하였다.

• 데이터 큐레이션: 본 연구는 한국화학연구원(KCB)의 내부 데이터와 ChEMBL (v36) 및 PubChem에서 선별한 공공 데이터를 결합하여 11,790개의 고유 화합물 데이터셋을 통합하였다.
  • 실험적 종점(endpoint)에는 측정된 반감기와 30분 후 잔존율(% remaining)이 포함되었다.
  • 잔존율 값은 1차 속도론 방정식(first-order kinetic equation)을 사용하여 반감기로 변환되었다.
  • 엄격한 품질 관리가 적용되었다: 비-HLM 시스템(예: 간세포, S9 분획)은 제외되었고, 검열된 데이터(censored data)는 특정 경계값을 사용하여 처리되었으며, 중복 화합물은 평균값을 사용하였다.
  • 데이터의 왜도(skewness)를 줄이기 위해 $\log_{10}$ 변환을 수행하였고, 사분위수 범위(IQR) 방법을 사용하여 이상치를 제거하였다.
• 특징 추출(Featurization): 네 가지 분자 표현 방식이 평가되었다: ECFP4 핑거프린트(2,048-bit), RDKit 2D 기술자(descriptors), Mordred 기술자, 그리고 MACCS 키(keys).
• 모델 아키텍처: 다층 퍼셉트론(MLP), k-최근접 이웃(k-NN), 커널 리지 회귀(KRR), 서포트 벡터 머신(SVM), 트리 기반 방법(Random Forest, LightGBM, XGBoost, CatBoost)을 포함한 9가지 예측 알고리즘을 벤치마킹하였다. 추가로, 통신 메시지 전달 신경망(Communicative Message Passing Neural Network, CMPNN)과 그 변형들(어텐션 메커니즘 및 특징 결합 포함)을 테스트하였다.
• 훈련 및 평가:
  • 데이터셋은 9:1 비율로 훈련 세트와 독립 테스트 세트로 분할되었다.
  • 하이퍼파라미터는 Optuna를 사용한 5-겹 교차 검증(5-fold cross-validation)을 통해 최적화되었다.
  • 훈련 세트와 테스트 세트 간에 스캐폴드 중복이 없도록 보장하기 위해, 구조적으로 새로운 화학종으로의 일반화 능력을 평가하고자 스캐폴드 기반 분할(Bemis–Murcko framework)을 채택하였다.
  • 적용 영역(Applicability Domain, AD): 예측 신뢰도는 훈련 세트에 대한 타니모토 유사도(Tanimoto similarity)를 기반으로 한 거리 가중 기여도 합(Sum of Distance-weighted Contribution, SDC) 점수를 사용하여 평가되었다.
• 해석 가능성: 특징 기여도를 정량화하고 모델의 의사결정 과정을 규명하기 위해 Shapley Additive Explanations(SHAP)가 사용되었다.

주요 결과

• 모델 성능: RDKit 2D 기술자를 사용한 XGBoost 모델이 가장 우수한 예측 성능을 달성하였다.
  • 독립 테스트 세트에서 RMSE 0.507, $R^2$ 0.431을 기록하였다.
  • 교차 검증에서는 RMSE 0.515, $R^2$ 0.410을 달성하였다.
  • 그래프 기반 모델(CMPNN)도 경쟁력 있는 성능을 보였으나, 기술자 기반의 XGBoost 모델을 능가하지는 못하였다. 저자들은 효율성(Mordred 대비 약 800개 적은 기술자 수)과 해석 가능성을 고려하여 RDKit 2D 기술자를 유지하였다.
• 일반화: 엄격한 스캐폴드 기반 분할 조건에서도 모델은 견고한 성능(독립 테스트 RMSE 0.536)을 유지하였으며, 이는 모델이 유사체 암기(analog memorization)에 의존하는 것이 아니라 새로운 화학종에도 일반화될 수 있음을 나타낸다.
• 적용 영역: SDC 점수와 예측 오차 사이에 강한 상관관계가 있음이 확인되었다. 훈련 공간에 잘 나타나 있는 화합물(높은 SDC 점수)은 더 낮은 RMSE를 보였으며, 상위 8.9%의 화합물은 $R^2$ 0.683을 달성하였다.
• 외부 벤치마킹: 이진 분류 작업(반감기 > 30분일 경우 안정적이라고 판단)으로 변환했을 때, PredHLM은 외부 데이터셋 969개 화합물에 대해 참조 모델(Ryu et al. 및 Shah et al.)보다 정확도(0.675), MCC(0.361), ROC-AUC(0.736) 측면에서 더 우수한 성능을 보였다.
• 해석 가능성 (SHAP):
  • **지질친화성(MolLogP)**이 가장 영향력 있는 특징이었으며, 지질친화성이 높을수록 예측된 반감기에 부정적인 영향을 미쳤다(이는 CYP 매개 산화 증가와 일치한다).
  • 대사 소프트 스팟: 아릴 메틸기(aryl methyl groups), 알릴 산화 부위(allylic oxidation sites), 에스테르(esters)에 대한 기술자들은 음(-)의 기여도를 보였다(안정성을 감소시킴).
  • 안정화 특징: 할로겐 개수와 카르복실산 그룹은 양(+)의 기여도를 보였으며, 이는 대사 부위를 차단하는 전략 및 Phase II 보조 인자가 없는 상태에서 산(acid)이 Phase I 산화에 대한 저항성이 높다는 원리와 일치한다.

의의 및 주장
본 논문은 PredHLM이 대사 안정성 마진을 정의하기 위한 실용적인 프레임워크를 제공하며, 빠른 Go/No-go 결정과 리드 최적화 단계에서의 정밀한 화합물 우선순위 결정을 모두 지원한다고 주장한다. 분류 모델이 버리는 안정성 정보를 보존함으로써, 정량적(연속적인 반감기) 예측을 제공한다는 점이 강점이다. 또한, SHAP 분석의 통합은 모델의 예측을 지질친화성 및 대사 소프트 스팟에 관한 확립된 의약 화학 원칙과 일치시켜 해석 가능성을 보장한다.

저자들은 PredHLM을 실험법을 대체하는 도구가 아닌 의사결정 지원 도구로 명시적으로 위치시킨다. 또한 Phase I 데이터에 의존한다는 점(Phase II, 수송체 및 체내 효과 제외), 잔존율을 반감기로 변환할 때 발생하는 불확실성, 그리고 실험 데이터 자체의 내재적 변동성 등의 한계를 인정한다. 재현성과 추가 개발을 지원하기 위해 소스 코드, 데이터 및 훈련된 모델을 공개하였다.