A Unified 3D Generative Model for Synthesizable Structure-Based Drug Design
이 논문은 신약 개발에서의 합성 접근성 문제를 극복하고 새롭고 표적 특이적인 저분자 화합물 및 펩타이드를 신속하게 설계할 수 있게 하는 통합 3D 생성 모델인 LDDM을 소개하며, 이는 다섯 가지 단백질 표적에 대해 높은 결합 친화도와 구조적 정확도를 달성함을 실험적으로 검증하였다.
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
새로운 약물을 찾는 것은 수십억 개의 자물쇠가 가득한 방에서 단 하나의 특정한 열쇠를 찾는 것과 비슷하게 느껴집니다. 수십 년 동안 과학자들은 질병을 일으키는 단백질에 딱 맞는 것을 찾기 위해 기존의 방대한 화학 화합물 라이브러리를 테스트하며 이 문제를 해결하려 노력해 왔습니다. 이 방법은 효과가 있었지만, 너무나 많은 가능성 때문에 속도가 느리고 한계가 있었습니다. 더 새로운 접근 방식은 컴퓨터를 사용하여 이러한 '열쇠'를 처음부터 설계하여, 이전에 존재하지 않았던 분자를 만들어내는 것입니다. 그러나 이 방식의 과제는 컴퓨터가 설계한 결과물이 화면상으로는 훌륭해 보일지라도, 실제 실험실에서 화학자들이 실제로 합성하기에는 불가능하거나 매우 어렵다는 점이었습니다.
연구팀은 이제 이 간극을 메우는 LDDM이라는 새로운 시스템을 도입했습니다. 이 시스템은 단순히 복잡한 모양을 꿈꾸는 것에 그치지 않고, 구축을 위한 실질적인 단계들을 염두에 두고 분자를 설계합니다. 이는 새로운 약물을 상상할 뿐만 아니라, 그것이 표준적인 화학적 구성 요소들을 통해 합성 가능한지를 보장할 수 있는 통합된 도구 역할을 합니다. 단백질에 분자가 어떻게 들어맞는지 예측하는 능력과 실제로 제조 가능한지에 대한 엄격한 초점을 결함함으로써, 연구진은 디지털 설계에서 물리적 실체로 놀라운 속도와 정확도로 이동하는 파이프라인을 구축했습니다.
이 작업의 핵심은 3차원 단백질 및 약물 구조의 방대한 컬렉션으로 학습된 머신러닝 모델입니다. 열쇠가 자물쇠에 어떻게 들어맞는지 수백만 장의 사진을 공부한 학생을 상상해 보십시오. 이 모델은 그러한 상호작용의 물리적 규칙을 학습했습니다. 단순히 분자를 생성하고 그것이 작동하기를 바라는 이전의 시스템들과 달리, LDDM은 설계 과정을 작고 관리 가능한 조각들로 나눕니다. 이 시스템은 알려진 약물을 가져와서 그 일부를 숨긴 뒤, 컴퓨터에게 남은 공간에 완벽하게 들어맞는 새로운 조각을 발명하도록 요청할 수 있습니다. 또한 단백질의 빈 포켓(pocket)에서 시작하여 원자 하나하나부터 밑바닥부터 분자를 쌓아 올릴 수도 있습니다. 결정적으로, 이 시스템은 설계 과정을 안내하는 "프로그래밍 가능한" 기능을 포함하고 있습니다. 이는 각 단계마다 분자가 화학적으로 안정적인지, 표적 단백질에 단단히 결합하는지, 그리고 화학자들이 쉽게 사용할 수 있는 사전 승인된 재료 목록으로부터 조립될 수 있는지를 확인합니다.
이 시스템의 작동을 증명하기 위해 연구진은 암과 관련된 효소부터 바이러스가 사용하는 단백질에 이르기까지 다섯 가지 서로 다른 생물학적 표적을 대상으로 테스트를 진행했습니다. 한 실험에서는 세포 성장에 연관된 특정 단백질을 분해하는 데 도움을 주는 분자를 재설계했습니다. 컴퓨터는 약물의 바깥쪽 가장자리에 대한 새로운 화학 구조를 제안했습니다. 연구팀이 이 새로운 설계 중 네 가지를 합성했을 때, 네 가지 모두 높은 정밀도로 표적 단백질에 결합하는 데 성공했습니다. 또 다른 테스트에서는 염증성 질환에서 활성화되는 카텝신 S(cathepsin S)라는 단백질을 차단하기 위해 설계된 펩타이드 억제제를 개선했습니다. 모델이 제안한 비천연 아미노산을 분자의 한 부분과 교체함으로써, 원래보다 3.5배 더 강력한 버전을 만들어냈습니다.
연구진은 또한 완전히 새로운 약물을 처음부터 만드는 도전 과제도 다루었습니다. 에너지 대사에 관여하며 여러 질병과 연관된 PGK1이라는 단백질을 대상으로, 시스템은 수천 개의 고유한 후보 물질을 생성했습니다. 쉽게 구매하거나 만들 수 있는 것들을 걸러낸 후, 연구팀은 여섯 가지를 테스트했습니다. 그중 네 가지는 단백질에 결로 결합했으며, 가장 우수한 것은 14.7 마이크로몰러의 결합 강도를 보였습니다. 이 새로운 분자들이 정확히 어떻게 작동하는지 확인하기 위해 연구팀은 핵자기 공명 분광법(NMR) 및 표면 플라즈몬 공명(SPR)과 같은 고급 이미징 기술을 사용했습니다. 이러한 방법들을 통해 약물과 단백질의 물리적 상호작용을 관찰할 수 있었으며, 컴퓨터의 결합 포즈(binding pose) 예측이 정확했음을 확인했습니다.
유사한 성공 사례는 암 및 SARS-CoV-2 바이러스와 관련된 단백질에서도 나타났습니다. 유전자 발현을 조절하는 BRD4라는 단백질에 대해, 시스템은 추정 결합 친화도가 40에서 60 마이크로몰러 사이인 새로운 분자를 설계했습니다. 이 결합을 검증하기 위해 연구팀은 핵자기 공명 분광법을 사용하여 단백질의 화학적 이동(chemical shifts)을 관찰함으로써 예측된 결합 부위와 일치함을 확인했습니다. 바이러스 단백질인 Mac1의 경우, 팀은 자연적인 세포 신호를 밀어낼 수 있는 분자를 설계하여 46.2 마이크로몰러의 억제 농도를 달성했습니다. 이 바이러스 단백질의 경우, X선 결정학(X-ray crystallography)을 통해 단백질 내부의 새로운 약물 구조를 확인하였으며, 이는 컴퓨터 모델과 높은 정확도로 일치했습니다. 모든 사례에서 분자들은 실험실에서 성공적으로 합성되었습니다.
이 연구는 생성형 인공지능이 이론적인 연습을 넘어 실질적이고 테스트 가능한 의약품을 생산할 수 있음을 보여줍니다. 컴퓨터가 합성 가능한 범위 내에서만 설계하도록 제한함으로써, 연구진은 "만들 수 없는" 분자를 만들어내는 흔한 함정을 피했습니다. 결과는 이 접근 방식이 새로운 약물의 출발점을 찾는 시간을 크게 단축할 수 있음을 시사합니다. 이 연구에서 확인된 분자들이 그 자체로 바로 약물이 될 준비가 된 것은 아니지만, 이들은 예측대로 표적에 결합하는 확인된 출발점 역할을 합니다. 이 작업은 컴퓨터와 화학자가 긴밀한 루프 안에서 작동하며 그 어느 때보다 효율적으로 새로운 치료법을 설계, 구축 및 테스트하는 미래의 신약 개발을 위한 실질적인 프레임워크를 제공합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.