📄 화학

Multi-Dimensional Structural Fingerprinting for Quantitative Polymorph Comparison: A Comprehensive Topological Analysis of Sulfathiazole, Galunisertib and Aripiprazole Polymorphs

본 논문은 유기 결정 다형체를 다섯 가지 구조적 범주에 걸쳐 정량적으로 비교하는 견고하고 단위 격자 독립적인 다차원 위상 지문 프레임워크를 소개하며, 기존의 불변 기술자(invariant descriptors)와 비교하여 COMPACK 클러스터 매칭과 우수한 상관관계를 보이며 설파티아졸, 갈루니서팁 및 아리피프라졸 형태를 분류하고 순위를 매기는 데 있어 그 효과를 입증한다.

원저자: Nikolaos Galanakis, David Hughes, Mark Tuckerman

게시일 2026-10-23

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Nikolaos Galanakis, David Hughes, Mark Tuckerman

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

고체 물질의 세계에서, 단일 화학 물질은 한 가지 이상의 방식으로 존재할 수 있습니다. 벽돌 세트가 쌓이는 방식에 따라 벽, 탑 또는 다자가 될 수 있는 것처럼, 동일한 분자들도 결정화될 때 서로 다른 3차원 패턴으로 배열될 수 있습니다. 이러한 서로 다른 배열을 다형체(polymorphs)라고 부릅니다. 화학적 레시피는 동일하지만, 물리적 구조가 변하며 그에 따라 물질의 거동도 변합니다. 의약품의 경우 이러한 차이가 매우 중요합니다. 어떤 배열은 몸 안에서 빠르게 용해되어 질병을 치료할 수 있는 반면, 다른 배열은 불활성 상태로 남아 있거나, 최악의 경우 불안정해져 효능을 잃을 수도 있습니다. 제약 회사들은 약물이 취할 수 있는 모든 가능한 형태를 식별하고 제어해야 하지만, 이러한 미묘한 변형들을 구별해내는 것은 매우 어려운 일입니다. 전통적인 방법들은 종종 결정에서 튕겨 나오는 X선 패턴을 비교하는 것에 의존하는데, 이는 마치 그림자를 통해 사람을 식별하려는 것과 같습니다. 그림자는 단서를 제공하지만, 얼굴의 세부 사항까지는 놓치기 때문입니다.

연구팀은 이러한 결정 구조의 내부를 들여다보는 새로운 방법을 개발하여, 단순한 그림자를 넘어 분자 사이의 실제 관계를 측정하는 단계로 나아갔습니다. 두 결정이 똑같이 보이는지 묻는 대신, 그들의 방식은 이들이 어떻게 다른지, 그리고 정확히 어떤 방식으로 다른지를 묻습니다. 연구진은 결정을 다섯 가지의 뚜렷한 조직화 층—분자들이 어떻게 함께 뭉치는지, 어떻게 접촉하고 결합하는지, 어떻게 뒤틀리고 휘는지, 부분들이 어떻게 방향을 잡는지, 그리고 3차원 공간에서 어떻게 배치되는지—으로 나누어 분석함으로써, 각 형태에 대한 상세한 "지문"을 만들었습니다. 이 접근 방식은 항생제인 설파티아졸(sulfathiazole), 암 치료제인 갈루니서팁(galunisertib), 항정신병 약물인 아리피프라졸(aripiprazole)이라는 세 가지 약물 분자에 테스트되었습니다. 연구진은 결정의 어떤 측면들은 서로 다른 형태들 사이에서도 완고하게 일관성을 유지하는 반면, 다른 측면들은 극적으로 변하며, 그 변화의 특정 패턴은 전적으로 분자 자체에 달려 있다는 것을 발견했습니다.

이 새로운 방법의 핵심은 관점의 전환에 있습니다. 두 결정 구조를 완벽하게 정렬시키려고 강요하기보다는(분자들이 서로 다른 모양으로 뒤틀렸을 때 흔히 실패하는 방식), 연구진은 결정을 반복되는 패턴의 집합체로 취급했습니다. 그들은 결정의 작은 스냅샷만이 아니라 결정 전체를 조사했으며, 결정이 공간에서 어떻게 방향을 잡고 있는지나 데이터베이스에 어떻게 라벨링 되어 있는지에 의존하지 않는 방식으로 분자 사이의 거리와 각도를 측정했습니다. 이는 누가 측정하든, 어디에 저장되어 있든 상관없이 비교가 공정하고 일관되게 이루어지도록 보장합니다. 연구진은 이후 하나의 거리 분포를 다른 분포로 바꾸는 데 필요한 "작업량"을 계산하는 수학적 도구를 사용하여 이러한 측정값들을 비교함으로써 정밀한 유사성 점수를 산출했습니다.

다섯 가지 알려진 형태를 가진 설파티아졸에 적용했을 때, 이 방법은 분자들의 공간적 배치—이웃한 관계와 간격—가 모든 형태에서 가장 일관된 특징임을 밝혀냈습니다. 그러나 분자 자체가 뒤틀리는 방식과 수소 결합의 특정 패턴은 형태들을 두 개의 뚜렷한 그룹으로 구분할 수 있을 만큼 충분히 다양했습니다. 이는 기존의 확립된 방법들이 찾아낸 결과와 일치했지만, 새로운 접근 방식은 왜 그들이 서로 다른지에 대해 구성 요소별로 나누어 설명해 주었습니다. 열 가지 다른 형태를 가진 암 치료제 갈루니서팁의 경우, 이야기는 달랐습니다. 여기서 분자의 내부 모양과 공간적 배치는 가장 안정적인 특징이었으며, 분자들이 함께 뭉치는 방식과 결합 방식이 가장 많이 변했습니다. 이러한 높은 다양성 때문에 기존의 방법들은 형태들을 구별하기 어려웠지만, 새로운 지문 인식 기술은 복잡성을 성공적으로 헤쳐 나가며 다른 도구들이 놓친 미묘한 차이들을 식별해 냈습니다.

가장 까다로운 시험은 유연한 분자인 아리피프라졸이었습니다. 이 분자는 여러 방식으로 뒤틀리고 회전할 수 있습니다. 이 경우, 분자들의 공간적 배치는 가장 일관성이 없는 특징이었으며 형태마다 크게 달랐습니다. 이 방법은 동일한 패킹(packing)을 공유하지만 분자 모양이 다른 경우와, 동일한 모양을 공유하지만 패킹 방식이 다른 경우를 성공적으로 구분해 냈습니다. "패킹 다형체(packing polymorphs)"와 "컨포메이션 다형체(conformational polymorphs)"를 분리할 수 있는 이러한 능력은 과학자들이 약물이 한 형태에서 다른 형태로 변할 때 정확히 무엇이 변하는지를 이해할 수 있게 해준다는 점에서 중요한 진전입니다. 연구진은 자신들의 방법이 견고하다는 것, 즉 원자 위치가 실험적 노이즈에 의해 약간 이동하더라도 동일한 결과를 준다는 것과 수천 개의 구조를 몇 초 만에 스크리닝할 수 있을 만큼 빠르다는 것을 확인했습니다.

결정 구조가 서로 어떻게 연관되어 있는지에 대한 명확하고 다차원적인 지도를 제공함으로써, 이 연구는 제약 산업에 강력한 새로운 도구를 선사합니다. 이 방법이 약물의 안정성이나 용해도를 이해해야 하는 필요성을 대체하는 것은 아니지만, 알려진 것들과 구조적으로 구별되는 새로운 형태들을 빠르게 식별할 수 있는 신뢰할 수 있는 방법을 제공합니다. 이 연구는 여러 렌즈를 통해 동시에 결정을 바라봄으로써, 과학자들이 모호한 유사성을 넘어 물질을 정의하는 정밀한 구조적 관계를 볼 수 있다는 것을 보여줍니다. 이러한 명확성은 의약품이 안전하고 효과적이며 일관되게 제조되도록 보장하는 데 필수적이며, 결정 형태라는 복잡한 퍼즐을 풀 수 있는 문제로 바꾸어 놓습니다.

기술 요약: 정량적 다형체 비교를 위한 다차원 구조 지문법(Multi-Dimensional Structural Fingerprinting)

문제 정의
유기 분자 결정에서의 다형성(Polymorphism)은 제약 및 재료 과학 분야에서 중요한 과제이다. 동일한 분자라도 서로 다른 결정 형태에 따라 물리적, 화학적, 생체 이용률 특성이 판이하게 달라질 수 있기 때문이다. 결정형을 비교하기 위한 기존 방식인 분말 X선 회절(PXRD) 패턴 매칭, 단위 격자 매개변수 비교, 또는 주관적인 시각적 검사 등은 구조적 관계의 전체적인 복잡성을 포착하는 데 한계가 있는 경우가 많다. COMPACK(클러스터 중첩)이나 불변 기술자(invariant descriptors, 예: SOAP, PDD, AMD)와 같은 계산 방법들이 이 분야를 발전시켜 왔으나, 이들은 대개 단일한 집계 유사도 점수를 제공하거나 특정 측면(예: 기하학적 중첩 또는 국부적 원자 환경)에만 집중하며, 두 구조가 '왜' 다른지에 대한 원인을 분해하여 설명하지 못한다. 따라서 단위 격자 설정(unit cell setting)과 데카르트 좌표계(Cartesian frame)에 불변하면서도, 구조적 변이의 근원(예: 형태 변화, 대칭성 변화, 패킹 재배열)을 체계적으로 구별할 수 있는 견고하고 정량적인 방법이 필요하다.

방법론
저자들은 다섯 가지 독립적이면서도 상호 보완적인 범주를 통해 구조적 관계를 정량화하는 다차원 위상 지문법(topological fingerprinting) 접근 방식을 제시한다. 이 프레임워크는 파이썬(Python)으로 구현되었으며, 결정 정보 파일(CIF)을 처리하여 전체 주기적 결정에 대한 기술자를 생성함으로써 단위 격자 선택, 공간군 설정 및 데카르트 좌표계에 대한 불변성을 보장한다.

다섯 가지 구조적 범주는 다음과 같다:

결정 패킹(Crystal Packing): 패킹 효율, 밀도, Niggli 축소 격자 기하학, 대칭 조작(공간군 유형의 Jaccard 유사도), 그리고 분자 다중도( $Z$ 및 $Z'$ )를 통해 단위 격자 수준의 조직화를 분석한다.
분자 간 상호작용 네트워크(Intermolecular Interaction Networks): 접촉 길이 분포, 접촉 방향성(분자 고정 좌표계 기준), 그리고 수소 결합 기하학(거리 및 각도)을 사용하여 접촉 특성을 규명하며, 분포 비교를 위해 와서스테인 거리(Wasserstein distance)를 사용한다.
분자 형태(Molecular Conformation): 내부 기하학에 초점을 맞추어, 일치하는 비틀림 각도(그래프 동형성을 통한 결합별 비교), 회전 가능한 정점에서의 결합 각도, 부적절한 각도(improper angles), 그리고 분자 내 접촉 네트워크를 비교한다.
단편 배향(Fragment Orientation): 관성 텐서 분석(형상 이방성)과 포괄적인 $\pi$ - $\pi$ 적층 상호작용(모티프를 face-to-face, edge-to-face, 또는 tilted로 분류)을 사용하여 분자 단편의 상대적 공간 배치를 기술한다.
공간 기하학(Spatial Geometry): 단편 거리 분포, 방사 분포 함수(RDF), 배위수, 그리고 제1 껍질 이방성을 통해 제1 배위 껍질부터 중간 범위 질서까지의 다중 척도 질서를 포착한다.

유사도 지표는 주로 와서스테인 거리를 사용하여 유도되며, 이는 유계 유사도 점수( $s = \exp(-W/\sigma)$ )로 변환된다. 전체 유사도는 다섯 가지 범주 점수의 가중 합(기본값은 범주당 $w=0.20$ 의 동일 가중치)으로 산출되며, 이를 통해 두 다형체가 어떤 구조적 차원을 갖는지 보여주는 5성분 유사도 벡터를 생성한다.

주요 기여

유사도의 분해: 단일 점수만을 반환하는 방식과 달리, 이 접근법은 구조적 유사도를 다섯 가지 물리적으로 구별되는 성분으로 분해하여, 연구자가 차이가 패킹, 형태, 또는 상호작용 네트워크 중 어디에서 기인하는지 식별할 수 있게 한다.
불변성: 모든 기술자는 단위 격자, 공간군 설정 및 데카르트 좌표계에 대해 불변하도록 구축되었으며, 수치적으로 $4 \times 10^{-9}$ 이내의 오차 내에서 검증되었다.
모듈형 아키텍처: 프레임워크는 각 범주를 위한 특화된 비교 클래스를 채택하여, 각 기술자의 독립적인 검증과 새로운 기술자 유형으로의 확장을 용이하게 한다.
분포 기반 지표: 와서스테인 거리를 활용함으로써, 단순한 평균이나 분산에 의존하는 대신 다양한 샘플 크기를 처리하고 기하학적 분포의 전체적인 형태를 포착한다.

결과
본 방법론은 세 가지 제약 분야의 다형체 패밀리에 대해 검증되었다:

설파티아졸(Sulfathiazole, 5개의 DFT 최적화 형태): 공간 기하학이 가장 일관된 범주(0.78–0.86)였던 반면, 형태와 상호작용 네트워크는 가장 큰 변동을 보였으며, 이를 통해 Form II, III, IV를 Form I 및 V로부터 효과적으로 구분하였다. 전체 유사도는 COMPACK 클러스터 매칭과 강한 상관관계(Spearman $\rho = -0.89$ with RMSD)를 보였다.
갈루니서팁(Galunisertib, 10개의 실험적 형태): 공간 기하학과 형태가 가장 일관된 범주였으며, 결정 패킹이 가장 많이 변했다. 본 방법은 COMPACK의 클러스터 기반 중첩이 이 다양한 데이터셋에서 일치하는 분자를 거의 찾지 못하는 반면, 본 지문법은 더 넓은 다차원적 그림을 포착함을 입증했다.
아리피프라졸(Aripiprazole, 9개의 실험적 형태): 이 유연한 분자는 보존된 공간 기하학이 낮았다(0.41–0.74). 분해 분석 결과, 패킹은 공유하지만 형태는 공유하지 않는 형태(I 및 X)와, 형태는 공유하지만 격자는 공유하지 않는 형태(III, IV, 및 V)를 성공적으로 구별하였다. 전체 유사도는 COMPACK에 의해 매칭된 분자 수와 양호한 상관관계( $\rho = 0.67$ )를 보였다.

불변 기술자(AMD, PDD, SOAP)와의 벤치마크 테스트에서, 본 지문법은 CSD 데포지션의 형태를 PDD 및 SOAP만큼 신뢰도 높게 식별하였다. 구별되는 다형체들에 대해, 본 지문법은 특히 아리피프라졸의 경우 불변 기술자들보다 COMPACK 클러스터 매칭을 더 밀접하게 따랐다. 본 방법은 계산 효율성이 뛰어나, 표준 워크스테이션에서 3초 이내에 전체 다형체 패밀리를 처리할 수 있다.

의의
본 논문은 이 프레임워크가 고체 형태 스크리닝 및 결정 구조 예측을 위한 빠르고 해석 가능하며 정량적인 도구를 제공한다고 주장한다. 구조적 변이를 독립적인 차원으로 분리함으로써, 이 방법은 기하학적 중첩 방법(COMPACK 등)이나 불변 기술자가 개별적으로 제공할 수 없는 통찰력을 제공한다. 저자들은 이 방법이 새로운 형태를 기존의 것과 구조적으로 구별되는 것으로 플래깅(flagging)하고, 결정 구조 예측을 검증하며, 다형체 패밀리의 구조적 관계를 분석하는 등의 고처리량(high-throughput) 응용 분야에 적합하다고 밝히고 있다. 이 연구는 에너지 기반 방법 및 기하학적 중첩에 대한 보완적 도구로서, 값비싼 에너지 계산 없이도 고체 화학 분야의 정량적 방법을 진전시키는 위치에 있다.

유사한 논문