PharmCast: rapid generation of three-dimensional pharmacophore fingerprints from two-dimensional structure without conformer generation
PharmCast는 컨포머 생성 과정 없이 2D SMIS 문자열로부터 3D 약리단 지문(pharmacophore fingerprints)을 신속하고 정확하게 예측하는 피드포워드 신경망으로, 전통적인 방식의 아주 적은 계산 비용만으로 효율적인 가상 스크리닝과 스캐폴드 호핑을 가능하게 합니다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
신약 개발의 세계에서 과학자들은 약물을 고정된 물체가 아니라, 인식되기를 기다리는 일련의 특징들의 집합으로 생각하곤 합니다. 열쇠가 반드시 특정 자물쇠와 똑같이 생길 필요는 없으며, 단지 메커니즘에 들어맞을 수 있는 적절한 돌기와 홈을 갖추기만 하면 된다고 상상해 보십시오. '파마코포어(pharmacophore)'라고 알려진 이 개념은 분자가 생물학적 표적에 결합하는 능력이 수소 결합 공여체, 수용체, 또는 방향족 고리와 같은 작은 화학적 특징들이 특정한 3차원적 패턴으로 배열된 방식에 달려 있음을 시사합니다. 수십 년 동안 연구자들은 이 개념을 사용하여 새로운 약물을 찾아왔으며, 근본적인 화학적 골격이 완전히 다르더라도 이러한 공간적 패턴을 공유하는 화합물을 탐색해 왔습니다. '스캐폴드 호핑(scaffold hopping)'이라 불리는 이 능력은 이미 명백한 화학적 경로가 탐색된 상황에서 새로운 치료제를 찾을 때 매우 중요합니다.
하지만 이 3차원 지도를 사용하는 것은 항상 느리고 비용이 많이 드는 과정이었습니다. 분자는 유연하여 다양한 모양으로 뒤틀릴 수 있기 때문에, 컴퓨터는 모든 분자에 대해 그 분자가 제시할 수 있는 수백 가지의 가능한 3D 버전, 즉 컨포머(conformer)를 생성해야 합니다. 이 형태를 생성하는 단계가 화합물을 분석하는 데 소요되는 시간의 거의 전부를 차지하며, 이는 현대의 거대한 화학 라이브러리를 스크리닝하는 것을 불가능하게 만듭니다. 그 결과, 이 강력한 신약 발굴 방법은 정교하게 선별된 작은 목록들에만 국한되어 왔으며, 사용 가능한 방대한 화학의 바다를 다루지는 못했습니다.
이제 한 연구팀이 이 병목 현상을 완전히 우회할 수 있는 방법을 개발했습니다. 그들은 분자의 평면적인 2차원 도면으로부터 3차원적 잠재력으로 직접 번역하는 역할을 하는 '팜캐스트(PharmCast)'라는 시스템을 만들었습니다. 분자가 취할 수 있는 모든 가능한 뒤틀림과 회전을 계산하는 데 몇 시간을 소비하는 대신, 이 새로운 방법은 인공지능의 일종을 사용하여 최종 결과를 즉각적으로 예측합니다. 이 시스템은 표준적인 약물 유사 화합물, 활성 생물학적 분자, 그리고 유연한 단백질 루프를 포함한 약 600만 개의 분자를 학습하여, 분자의 기본적인 구조와 그것이 보여줄 수 있는 3D 특징 사이의 연결 고리를 인식하도록 훈련되었습니다.
결과는 이 지름길이 속도를 위해 정확성을 희생하지 않는다는 것을 보여줍니다. 전통적인 느린 방식과 비교했을 때, 이 새로운 시스템은 대다수의 화합물에 대해 거의 동일한 결과를 생성했습니다. 일반적인 약물 유사 분자의 경우, 전통적인 방식은 단 하나의 지문(fingerprint)을 생성하는 데 거의 3초가 걸리며, 그 시간의 대부분은 단순히 3D 형태를 만드는 데 소비됩니다. 반면, 이 새로운 시스템은 동일한 작업을 1밀리초 미만 안에 완료합니다. 이는 수천 배의 속도 향상을 의미하며, 거대한 라이브러리를 실행하는 데 몇 달이 걸리던 과정을 단 몇 분 만에 끝낼 수 있게 합니다.
연구진은 이 도구가 다양한 유형의 화학 구조 전반에서 작동하는지 확인하기 위해 세 가지 뚜렷한 분자 그룹을 테스트했습니다. 그들은 표준 스크리닝 화합물, 실험실에서 테스트된 활성 생물학적 분물, 그리고 모델링하기 까다롭기로 유명한 유연한 단백질 루프를 평가했습니다. 모든 경우에서 예측값은 느린 전통적 계산 방식과 높은 충실도로 일치했습니다. 표준적인 약물 유사 화합물의 경우 오차가 너무 작아 거의 눈에 띄지 않았으며, 유연한 단백질 루프의 경우 시스템이 훈련 데이터에 포함되었기 때문에 아마도 더 나은 성능을 보였습니다. 시스템이 약간 더 큰 변동성을 보인 유일한 영역은 훈련 세트에 잘 나타나지 않은 크고 복잡한 생물학적 분자들이었는데, 저자들은 이것이 방법 자체의 결함이라기보다 학습에 사용 가능한 특정 화학 구조의 한계 때문이라고 언급했습니다.
가장 중요한 발견 중 중 하나는 이 시스템이 종이 위에서는 전혀 닮지 않은 분자들 사이의 유사성을 성공적으로 식별한다는 점입니다. 완전히 다른 화학 구조를 가진 두 종류의 HIV 약물을 대상으로 한 테스트 케이스에서, 시스템은 전통적인 2차원 방식이 놓쳤던, 두 약물이 표적에 대해 동일한 3차원적 특징을 제시한다는 사실을 정확히 식 पहचान했습니다. 이는 이 도구가 단순히 화학적 모양을 암기하는 것이 아니라 분자의 공간적 본질을 진정으로 포착하고 있음을 입증합니다. 연구진은 이 시스템을 사용하여 400만 개 이상의 화합물 라이브러리를 참조 분자에 대해 스캔함으로써 이 능력을 입증했으며, 이 작업은 30분도 채 걸리지 않았습니다. 상위 히트(hits)에는 구조는 매우 다르지만 동일한 결합 잠재력을 가진 화합물들이 포함되어 있었으며, 이는 시스템이 새로운 화학적 출발점을 찾는 데 효과적으로 가이드할 수 있음을 증명합니다.
저자들은 이 도구가 매우 빠르지만, 더 느리고 상세한 계산을 대체하는 것이 아니라 함께 작동하도록 설계되었다는 점을 강조합니다. 실제 상황에서, 이 빠른 시스템은 수백만 개의 후보를 순위 매기고 가장 유망한 몇 가지로 목록을 좁히는 데 사용될 것입니다. 그 상위 후보들은 정확한 기하학적 구조를 확인하고 예측이 유효한지 보장하기 위해 전통적인 느린 방식으로 다시 분석될 것입니다. 이러한 2단계 접근 방식은 과학자들이 계산 비용 때문에 꼼짝 못 하는 상황에 빠지지 않으면서도 화학적 공간의 전체 폭을 탐색할 수 있게 해주며, 동시에 신약 개발에 필요한 엄격한 기준을 유지할 수 있게 해줍니다. 시간이라는 장벽을 제거함으로써, 이 연구는 3차원적 사고를 사용 가능한 전체 화학의 영역에 적용할 수 있는 문을 열어주며, 현재 선택지가 거의 없는 질병들에 대한 새로운 치료제 발견을 가속화할 잠재력을 가지고 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.