Generative exploration of fragment-based chemical space via large language models enables the discovery of potent leads for targets lacking bioactive ligands
이 논문은 SARS-CoV-2 PLpro 및 KRAS G12D와 같이 표적 특이적 템플릿 없이도 생성 가능한, 생체 활성 리간드가 부족한 표적에 대해 강력하고 실험적으로 검증된 억제제를 생성하기 위해 대규모 언어 모델의 추론과 단편 기반 화학 탐색을 통합한 새로운 리드 발견 프레임워크인 AutoLeadDesign을 소개한다.
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
당신이 한 번도 먹어본 적 없는 완전히 새로운 요리 레시피를 발명하려는 숙련된 셰프라고 상상해 보세요. 당신은 요리책도 가지고 있지 않고, 재료를 본 적도 없습니다. 당신의 목표는 매우 구체적이고 배고픈 고객(‘표적 단백질’)에게 완벽하게 부합하는 식사를 만드는 것입니다.
오랫동안 과학자들은 이를 해결하기 위해 두 가지 주요 전략을 사용해 왔지만, 두 방법 모두 중대한 결함이 있었습니다. 첫 번째 전략은 마치 로봇 셰프가 무작위로 재료를 던져 넣고 하나씩 맛을 보는 것과 같았습니다. 주방 전체를 탐색하는 데는 뛰어났지만, 요리의 규칙을 이해하지 못해 결국 이상하고 먹을 수 없는 오물을 만들어내곤 했습니다. 두 번째 전략은 이미 알고 있는 레시피를 복사하기만 하는 셰프와 같았습니다. 참고할 자료가 있다면 훌륭한 요리를 만들 수 있었지만, 고객이 완전히 새로운 것을 원할 경우 셰프는 기존의 요리책 밖의 것을 상상하지 못한 채 정체기에 빠졌습니다.
여기에 두 세계의 장점을 결합한 새로운 ‘슈퍼 셰프’, AutoLeadDesign이 등장했습니다. 이 시스템은 수백만 권의 화학 서적을 읽은 똑똑한 AI 두뇌(대규모 언어 모델, LLM)를 사용하지만, AI가 무모하게 추측하도록 내버려 두지 않습니다. 대신, AI에게 **파편(fragments)**이라 불리는 특별한 ‘레고 블록’ 세트를 제공합니다.
여기에 마법이 일어나는 과정이 있습니다:
1. 피드백 루프: 주방과 블록
AI가 분자를 레고 구조물처럼 만들고 있다고 상상해 보세요.
- 단계 A: AI가 분자를 만들고 그것이 고객에게 얼마나 잘 맞는지 테스트합니다.
- 단계 B: 만약 분자가 잘 맞는다면, 시스템은 그것을 다시 원래의 레고 블록(파편)으로 분해합니다. 그리고 질문합니다. "어떤 블록이 이 조화를 만드는 데 결정적인 역할을 했는가?"
- 단계 C: 시스템은 가장 우수한 블록들의 'Top 10' 리스트를 작성하여 AI에게 다시 전달합니다.
- 단계 D: AI는 이 상위 등급의 블록들을 사용하여 새롭고, 심지어 더 나은 분자를 만듭니다.
이것은 AI가 자신의 성공으로부터 배우며, 끊임없이 자신의 '블록 상자'를 업그레이드하는 피드백 루프를 생성합니다.
2. 이것이 기존 방식보다 뛰어난 이유
이 논문은 다른 AI 방식들이 종종 '국소 최적화(local optimization)' 함정에 빠진다는 것을 보여줍니다. 이는 마치 등산객이 높은 봉우리를 찾는 상황과 같습니다. 표준적인 AI는 작은 언덕을 오르다가 "내가 볼 수 있는 곳 중 여기가 제일 높다"라고 생각하며 멈춰버립니다. 그들은 바로 옆 능선 너 너머에 거대한 산이 있다는 사실을 깨닫지 못합니다. 작은 언덕을 떠나기를 두려워하기 때문입니다.
논문은 '레고 블록'의 가이드 없이는 AI가 기존의 레시피를 조금씩 수정하는 수준에 머물러 작은 언덕에 머물게 된다고 주장합니다. 그러나 AutoLeadDesign은 파편을 사용하여 AI가 '미답의' 거대한 산들을 탐험하도록 안내합니다. 테스트 결과, AutoLeadDesign은 사전 지식이 전혀 없는 상태에서도 다른 방법들보다 훨씬 높은 '친화력(affinity, 약물이 표적에 더 잘 달라붙는 정도를 뜻하는 전문 용어)'을 가진 분자들을 찾아냈습니다.
3. 실제 맛 테스트 (실험 검증)
연구진은 단순히 컴퓨터 시뮬레이션에 그치지 않고, 실제로 실험실에서 분자를 직접 만들어 효과가 있는지 확인했습니다. 그들은 두 가지 매우 어려운 '고객'을 대상으로 삼았습니다:
- SARS-CoV-2 PLpro: 바이러스가 복제되는 것을 돕는 부분입니다. 연구팀은 PLP011이라는 분자를 설계했습니다. 세포 실험에서 이 분자는 방패 역할을 했습니다. 100 µM 농도에서 이 분자는 감염된 세포의 생존율을 거의 **93%**까지 회복시켜, 바이러스가 스스로를 복제하는 것을 효과적으로 차단했습니다.
- KRAS G12D: 약물이 달라붙을 만한 뚜렷한 지점이 없는 매끄러운 표면을 가지고 있어 흔히 '약물 투여가 불가능한(undruggable)' 것으로 불리는 악명 높은 암 유발 인자입니다. 연구팀은 이 미끄러운 표적을 움켜쥐는 데 성공한 KP032라는 분자를 설계했습니다. 이를 설명하자면, IC50 값이 50.24 nM에 달하는데, 이는 매우 까다로운 표적에 대해 믿기 힘들 정도로 강력한 결합력을 보여주는 수치입니다.
4. 마법 뒤에 숨겨한 '이유'
이 논문은 AI가 단순히 추측하는 것이 아니라, 실제 의약 화학 전략을 사용하고 있음을 시사합니다. AI가 두 파편을 결합할 때, 종종 '링커(linker, 연결 다리)'를 사용하여 이들을 연결하거나, 기존 조각 위에 새로운 조각을 '성장'시키듯 붙였습니다. 이는 인간 전문가들이 사용하는 바로 그 기술들입니다. AI는 파편을 통해 게임의 규칙을 따르도록 강제됨으로써 프로처럼 생각하는 법을 배웠습니다.
결론
이 논문은 대규모 언어 모델(LLM)의 방대한 지식과 화학적 파편이라는 구조화된 물리적 실체를 결합함으로써, 현재 치료제가 없는 표적들을 위한 강력한 신약을 발견할 수 있음을 시사합니다. 연구진은 다른 과학자들이 더 나은 레시피를 만들 수 있도록 자신들의 '레고 블록' 라이브러리를 공개했습니다.
컴퓨터 시뮬레이션은 큰 가능성을 보여주었지만, 진짜 증거는 실험실에서 배양된 분자들이 실제로 바이러스를 멈추고 암 단백질을 차단했을 때 나타났습니다. 이는 긴 여정의 한 단계일 뿐이지만, 매우 유망한 진전입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.