Automated dataset integrating structural and bioactivity data for structure-based drug discovery

당신이 로봇에게 특정 자물쇠에 딱 맞는 새로운 열쇠를 설계하는 법을 가르치려 한다고 상상해 보십시오. 의학의 세계에서 '자물쇠'는 우리 몸속에서 질병을 일으키는 단백질이며, '열쇠'는 아주 작은 약물 분자입니다. 수십 년 동안 과학자들은 모양만 보고도 열쇠가 자물쇠에 얼마나 잘 맞는지 정확히 예측할 수 있는 초지능형 로봇(머신러닝을 사용하는)을 만들기 위해 노력해 왔습니다. 하지만 큰 문제가 있습니다. 로봇은 데이터에 굶주려 있는데, 그 데이터가 여기저기 흩어져 있다는 점입니다. 어떤 과학자는 자물쇠의 모양을 가지고 있고, 어떤 이는 열쇠가 얼마나 잘 돌아가는지에 대한 측정값을 가지고 있지만, 이들이 한곳에 모여 있는 경우는 드뭅니다. 이는 마치 요리사에게 완벽한 요리를 만드는 법을 가르치려는데, 레시피는 다른 책에 있고, 재료 사진은 또 다른 책에 있으며, 맛 테스트 결과는 세 번째 책에 있는 것과 같습니다. 자물쇠의 모양과 열쇠의 결합 강도를 연결하는 거대하고 조직화된 도서관 없이는, 로봇이 효과적으로 학습할 수 없습니다.

여기서 DockTData의 이야기가 시작됩니다. 브라질 국립 과학 컴퓨팅 연구소의 연구팀은 바로 그 누락된 도서관을 구축하기로 결정했습니다. 그들은 단순히 몇 개의 레시피를 모은 것이 아니라, 인터넷을 뒤져 단백질 자물쇠와 약물 열쇠에 관한 사용 가능한 모든 정보를 찾아내어, 이를 하나로 꿰매고 조직화하는 자동화된 공장을 건설했습니다. 이것은 일종의 거대한 디지털 '매칭 서비스'라고 생각하면 됩니다. 이 시스템은 단백질의 3D 청사진을 담고 있는 단백질 데이터 뱅크(PDB)를 가져와서, BindingDB 및 ChEMBL과 같은 데이터베이스에 있는 실제 실험 결과와 연결합니다. 그 결과, 24,719개의 고유한 단백질-리간드 복합체라는 보물 창고가 탄생했습니다. 이것은 단순한 숫자 목록이 아닙니다. 모든 약물 분자가 그 3D 구조 및 측정된 결합 강도(얼마나 꽉 잡는가)와 직접 연결되어 있으며, 컴퓨터가 한꺼번에 읽을 수 있도록 표준화된 컬렉션입니다. 이 데이터를 공개적이고 자유롭게 제공함으로써, 저자들은 차세대 신약 발견 로봇이 더 빠르고 똑똑하게 학습하는 데 필요한 연료를 제공하여, 현재 치료법이 없는 질병에 대한 새로운 약물을 개발할 수 있기를 희망합니다.

논문의 핵심 미션: 궁극의 신약 설계 라이브러리 구축

이 논문은 "구조 기반 신약 발견(structure-based drug discovery)"을 가속화하기 위해 설계된 새롭고 공개적으로 이용 가능한 데이터셋인 DockTData를 소개합니다. 쉽게 말해, 이는 표적 단백질의 3D 모양을 보고 어떤 분자가 그 안에 가장 잘 들어맞을지 파악하는 과정입니다. 저자들은 초효율적인 사서 역할을 하는 자동화된 파이프라인을 구축하여 이 데이터셋을 만들었습니다. 이 사서는 단백질의 3D 구조를 보유한 단백질 데이터 뱅크(PDB), 그리고 약물이 단백질에 얼마나 잘 결합하는지를 측정하는 BindingDB 및 ChEMBL이라는 세 가지 거대한 원천을 돌며 모든 것을 수집합니다.

DockTData의 마법은 점들을 연결하는 방식에 있습니다. 이전에는 과학자가 단백질에 약물이 붙어 있는 사진을 가지고 있어도 그 결합이 정확히 얼마나 강한지는 알지 못했거나, 혹은 사진 없이 다른 데이터베이스에서 결합 강도 측정값만 찾았을 수도 있었습니다. DockTData는 24,719개의 단백질-리간드 복합체(자물쇠와 열쇠)를 Kd, Ki, IC50, EC50와 같은 생물 활성 측정값(이 값들은 모두 "이 약물이 얼마나 끈끈하게 달라붙는가?"를 나타내는 방식입니다)과 직접 연결함으로써 이 문제를 해결합니다. 저자들은 이 모든 값을 나노몰라(nM) 단위로 표준화하여 서로 '사과와 사과'를 비교하듯 동일한 기준으로 비교할 수 있게 했습니다.

어떻게 수행했는가: 자동 매칭 머신

연구진은 단순히 복사해서 붙여넣은 것이 아니라, 매칭이 완벽하도록 정교한 시스템을 구축했습니다. 그들은 데이터를 깨끗하고 신뢰할 수 있게 만들기 위해 몇 가지 영리한 기술을 사용했습니다.

• 단백질 매칭: 연구진은 단백질 서열을 비교하기 위해 MMseqs2라는 도구를 사용했습니다. 그들은 약물 테스트의 단백질이 3D 구조의 단백질과 최소 85% 동일해야 매칭으로 간주한다는 규칙을 세웠습니다. 이는 "만약 자물쇠가 사진 속 자물쇠와 85% 비슷해 보인다면, 그것을 같은 자물쇠로 간주하겠다"라고 말하는 것과 같습니다. 이 임계값은 유용한 변이(예: 동일한 단백질의 약간 다른 버전)는 포함하면서도 완전히 다른 단백질은 제외하기 위해 선택되었습니다.
• 약물 매칭: 약물 분자의 경우, InChIKey라는 것을 사용했습니다. 이것은 모든 화학 구조에 부여되는 고유한 27자리의 바코드라고 생각하면 됩니다. 표준 도구인 RDKit을 사용하여 모든 항목에 대해 이 바코드를 다시 계산함으로써, 동일한 약물이 다른 이름이나 혼란을 주는 미세한 차이로 인해 중복 등록되지 않도록 보장했습니다.
• "하나의 열쇠, 하나의 자물쇠" 규칙: 그들은 쌍을 맞추는 데 매우 엄격했습니다. 만약 하나의 단백질 구조에 두 개의 서로 다른 약물이 동시에 붙어 있다면, 해당 구조는 제외했습니다. 오직 하나의 약물 분자가 하나의 단백질 구조와 짝을 이루는 복합체만을 유지했습니다. 이는 컴퓨터 모델을 훈련할 때 혼란을 방지하기 위함입니다.

상자 안에는 무엇이 들어있는가?

결과물인 데이터셋은 사용하기 쉬운 표 형태로 정리된 방대한 정보의 집합체입니다. 여러분이 얻게 되는 것은 다음과 같습니다:

• 24,719개의 고유한 단백질-리간드 복합체.
• 11,742개의 서로 다른 약물 분자(리간드).
• PDB로부터 추출한 17,732개의 고유한 단백질 구조.
• 2,163개의 서로 다른 단백질 표적("자물쇠").
• 소분자(small molecules)(전형적인 약물 유형, 24,378개 항목), 펩타이드(271개 항목), 그리고 올리고당(70개 항목)의 혼합 구성.

저자들은 자신들의 소분자 컬렉션이 인기 있는 PDBbind 버전 2020 일반 세트(16,744개 항목)의 소분자 부분보다 46% 더 크다고 언급했습니다. 이는 DockTData가 과학자들이 자신의 아이디어를 테스트할 수 있는 훨씬 더 큰 놀이터를 제공함을 의미합니다.

이것이 왜 중요한가: 숫자 그 이상의 의미

이 논문은 훈련 데이터의 품질과 크기가 신약 개발 분야 머신러닝의 가장 큰 병목 현상임을 강조합니다. 만약 로봇을 작고 지저한 데이터셋으로 훈련시킨다면, 로봇은 나쁜 습관을 배우게 될 것입니다. DockTData는 더 "깨끗하고", 크며, 투명한 데이터셋을 제공합니다. 저자들이 모든 데이터의 출처(계보, provenance)를 추적할 수 있도록 기록했기 때문에, 과학자들은 어떤 수치든 원래의 출처를 추적하여 오류를 확인하고 맥락을 이해할 수 있습니다.

데이터셋에는 다양한 측정 유형이 포함되어 있습니다: IC50 값이 58.8%, Ki가 20.3%, Kd가 11.3%, 그리고 EC50가 **9.7%**를 차지합니다. 이러한 다양성은 중요합니다. 왜냐하면 서로 다른 유형의 측정값은 약물이 작동하는 방식에 대해 조금씩 다른 이야기를 들려주기 때문입니다. 이 모든 것을 나노몰라(nM) 단위로 표준화하여 한곳에 모아둠으로써, 연구자들은 자신의 필요에 맞는 특정 유형의 데이터를 선택할 수 있습니다.

"금지 구역": 논문에서 제외된 것들

DockTData가 무엇이 아닌지를 명시하는 것도 중요합니다. 저자들은 실험적 증거 없이 컴퓨터로만 예측된 구조(예: Alphaform으로부터의 구조)는 포함하지 않는다고 명시했습니다. 그들은 X선, NMR 또는 저온 전자 현미경(cryo-EM)을 사용하여 실제로 실험실에서 해결된 구조만을 포함했습니다. 이는 데이터셋이 컴퓨터 시뮬레이션이 아닌 실험적 현실에 엄격히 근거하고 있음을 의미합니다.

또한, 논문은 모호한 쌍(pairings)을 배제했습니다. 단백질 구조에 여러 종류의 약물이 부착되어 있거나, 단백질 서열과 약물 측정값 사이의 연결이 너무 약한 경우(식별성 85% 임계값 미달) 해당 데이터는 폐기되었습니다. 저자들은 이러한 엄격함이 머신러닝 모델을 혼란스럽게 할 수 있는 "노이즈"를 피하기 위해 필수적이라고 주장합니다. 또한 많은 데이터를 보유하고 있지만, 이것이 신약 개발 문제를 해결했다고 주장하는 것이 아님을 밝힙니다. 대신, 그들은 다른 이들이 그 위에 쌓아 올릴 수 있는 더 나은 토대, 즉 "투명하고 재사용 가능하며 지속적으로 확장되는 자원"을 제공하는 것입니다.

최종 결론

DockTData는 과학계에 주는 선물입니다. 이것은 단백질의 3D 모양을 약물 상호작용의 실제 강도와 연결하는 거대하고 조직화된 무료 라이브러리입니다. 데이터를 수집하고 정제하는 과정을 자동화함으로써, 저자들은 이전의 많은 컬렉션보다 더 크고 다양한 자원을 만들어냈습니다. 그들은 연구자들이 더 똑똑한 AI 모델을 훈련시키고, 약물이 단백질에 어떻게 결합하는지에 대한 새로운 이론을 테스트하며, 궁극적으로 새로운 의약품의 발견을 가속화할 수 있도록 만들었습니다. 이 데이터셋은 Creative Commons Attribution 4.0 International 라이선스 하에 제공되므로, 출처를 밝히는 한 누구나 이를 사용하고, 공유하며, 이를 바탕으로 발전시킬 수 있습니다. 이는 혼란스러운 신약 개발 데이터의 세계를 기계가 학습할 수 있는 구조화된 언어로 바꾸는 명확한 진전입니다.