Integrated Machine Learning, Virtual Screening and Molecular Dynamics to Discover Febuxostat as a Novel S1PR1 Modulator

기술 요약: Febuxostat을 새로운 S1PR1 조절제로 발견하기 위한 통합 머신러닝, 가상 스크리닝 및 분자 역학 연구

문제 제로 (Problem Statement)
Sphingosine-1-phosphate 수용체 1(S1PR1)은 림프구 이동을 조절하는 핵심적인 인자이며, 자가면역 질환, 특히 다발성 경화증(MS)의 검증된 치료 표적이다. 약리학적 S1PR1 조절은 자가 반응성 림프구를 림프절에 격리시켜 이들이 중추 신경계로 이동하는 것을 방 ngăn한다. 그러나 이러한 표적에 대한 전통적인 신약 개발은 시간이 많이 소요되고 자원 집약적이며, 높은 실패율을 특징으로 한다. 본 연구는 정적인 구조 모델과 동적인 생물학적 시스템 사이의 간극을 메우기 위해 인공지능과 고전적 계산 화학 기법을 통합하여, 새로운 S1PR1 조절제의 식별을 가속화할 필요성을 다룬다.

방법론 (Methodology)
저자들은 다단계의 통합 계산 워크플로우를 개발하였다:

1. 데이터 큐레이션 및 머신러닝(ML) 학습:

   • ChEMBL(ChEMBL ID: CHEMBL4333)로부터 pChEMBL 값(임계값 ≥ 6인 활성 화합물)을 기준으로 활성 화합물 3,399개와 비활성 화합물 623개를 포함한 총 4,022개의 화합물 데이터셋을 큐레이션하였다.
   • 물리화학적 기술자(예: LogP, TPSA)와 Morgan 순환 핑거프린트(ECFP4)를 사용하여 분자 특성을 엔지니어링하였다.
   • 데이터셋은 SMOTE(Synthetic Minority Over-sampling Technique)를 사용하여 균형을 맞춘 후, 훈련 세트(80%)와 테스트 세트(20%)로 분할하였다.
   • 네 가지 지도 학습 분류기인 Random Forest(RF), Support Vector Machine(SVM), Logistic Regression(LR), Extreme Gradient Boosting(XGBoost)을 학습시키고 평가하였다.

2. 가상 스크리닝 및 도킹 (Virtual Screening and Docking):

   • 최적화된 Random Forest 모델을 적용하여 DrugBank 데이터베이스의 12,310개 화합물을 스크리닝하였다.
   • 예측된 활성 확률이 0.5보다 큰 화합물들을 구조 기반 가상 스크리닝 대상으로 선정하였다.
   • 분자 도킹은 아고니스트인 Ozanimod과 복합체를 형성하고 있는 인간 S1PR1의 활성 컨포메이션(PDB ID: 7EW0)을 대상으로 AutoDock Vina를 사용하여 수행되었다. 그리드 박스는 공결정 리간드에 의해 정의된 오르토스테릭 결합 포켓을 중심으로 설정되었다.

3. ADMET 프로파일링 및 필터링:

   • 상위 도킹 히트(hits)들은 SwissADME, pkCSM, ADMETlab 3.0을 사용하여 엄격한 약동학 및 독성 프로파일링을 거쳤다.
   • 필터링 기준에는 Lipinski의 Rule of Five, Veber의 규칙, 높은 위장관 흡수율, 혈액-뇌 장벽(BBB) 투과성 부재, CYP450 억제 결여, 그리고 돌연변이 유발성, 간독성 또는 hERG 채널 차단 부재가 포함되었다.

4. 분자 역량(MD) 시뮬레이션:

   • 구조적 안정성과 결합 지속성을 평가하기 위해 가장 유망한 후보 물질인 Febuxostat을 MD 시뮬레이션 대상으로 선정하였다.
   • 시뮬레이션은 CHARMM27 포스 필드와 TIP3P 물 모델을 사용하여 GROMACS(v2021.4)에서 수행되었다.
   • 계산상의 제약으로 인해, 50 ns의 의도된 실행 중 추출된 15 ns의 프로덕션 런(production run)을 분석하여 RMSD, RMSF, 회전 반경(Rg), 용매 접근 가능 표면적(SASA) 및 수소 결합을 평가하였다.

주요 결과 (Key Results)

• 머신러닝 성능: Random Forest 모델은 정확도 0.90, AUC 0.92를 기록하며 우수한 예측 성능을 보였다. 활성 클래스에 대해 0.97의 재현율(recall)을 달성하였는데, 이는 잠재적 조절제를 식별하는 데 있어 높은 민감도를 나타낸다.
• 가상 스크리닝 및 도킹: 초기 DrugBank 스크리닝으로부터 446개의 리간드가 성공적으로 도킹되었다. 일부 화합물(예: Adomeglivant)은 더 높은 결합 친화도(−11.314 kcal/mol)를 보였으나, 불량한 ADMET 프로파일로 인해 제외되었다. 네 개의 후보 물질이 Febuxostat(−7.505 kcal/mol) 및 데옥시리보푸라노실 유도체(−8.142 kcal/mol)를 포함하여 모든 필터링 기준을 충족하였다.
• ADMET 프로파일: 선정된 4개의 화합물 모두 양호한 약물 유사성, 높은 위장관 흡수율 및 BBB 투과성 부재를 나타냈다. 결정적으로, 이들은 돌연변이 유발성이 없고, 간독성이 없으며, hERG 채널 억제제도 아닌 것으로 예측되었다.
• 분자 역학 및 상호작용 분석:
  • MD 시뮬레이션은 Febuxostat-S1PR1 복합체의 구조적 안정성을 확인하였으며, RMSD 값은 12 ns 이후 0.3 nm에서 0.4 nm 사이에서 안정화되었다.
  • 회전 반경(Rg)과 SASA는 시뮬레이션 전반에 걸쳐 조밀하고 잘 접힌 구형 구조가 유지되었음을 나타냈다.
  • 단백질-리간드 상호작용 프로파일러(PLIP) 분석 결과, Febuxostat은 참조 리간드인 Ozanimod의 소수성 앵커링을 모방하며 오르토스테릭 포켓을 점유함을 확인하였다. 구체적으로, Febuxostat은 주요 잔기인 PHE 210 및 LEU 195와 지속적인 소수성 상호작용 및 $\pi$-stacking을 유지하였다.
  • 참조 리간드가 LYS 34와의 수소 결합에 의존하는 반면, Febuxostat은 강력한 소수성 네트워크에 의해 뒷받침되는 SER 129와의 일시적이지만 유의미한 수소 결합을 형성하였다.

의의 및 주장 (Significance and Claims)
본 논문은 AI 기반 워크플로우를 고전적 분자 모델링과 통합하는 것이 신약 개발을 가속화하는 데 효과적임을 입증한다고 주장한다. 본 연구의 주요 기여는 기존에 승인된 약물 중에서 이전에 인식되지 않았던 표적 상호작용을 찾아내는 약물 재창출(drug repurposing)의 잠재력을 강조하며, 통풍 치료제로 승인된 젠틴 산화효소 억제제인 Febuxostat을 새로운 구조적 특성을 가진 S1PR1 조절제로 식별한 것이다.

저자들은 다음과 같이 주장한다:

1. 통합된 워크플로우가 방대한 화학적 공간을 높은 신뢰도의 후보 물질로 성공적으로 좁혔다.
2. Febuxostat은 S1PR1 오르토스테릭 포켓 내에서 안정적인 결합 모드를 보이며, Ozanimod와 같은 기존 임상 조절제의 상호작용 네트워크를 효과적으로 모방한다.
3. 이 화합물의 양호한 ADMET 프로파일과 BBB 투과 불가능성은 중추 신경계 부작용 없이 MS 및 관련 질환에 대한 말초 면역 조절제로서 유망한 후보임을 시사한다.

본 연구는 이러한 결과가 유망하지만, 기능적 활성과 치료적 효능을 확인하기 위해 실험적 검증(in vitro 및 in vivo)이 필요한 계산적 발견임을 결론짓는다. 저자들은 이 접근 방식이 승인된 약물들 사이에서 이전에 알려지지 않은 표적 상호작용을 밝혀내는 약물 재창출의 잠재력을 강조한다고 명시하였다.