A Multi-Fingerprint QSAR Framework for Multiclass Prediction of Antimicrobial Activity of β-Lactam Derivatives Using Machine Learning and Deep Learning

보이지 않는 아주 작은 침입자들이 우리의 가장 강력한 무기도 뚫을 수 없는 갑옷을 입는 법을 배우고 있는 세상을 상상해 보십시오. 이것이 바로 항생제에 의존하는 박테리아가 생존하기 위해 진화하고 있는 글로벌 보건 위기인 항생제 내성의 현실입니다. 이에 맞서 싸우기 위해 과학자들은 QSAR(정량적 구조-활성 관계)이라는 영리한 기술을 사용합니다. 이것은 마치 탐정이 용의자의 지문과 옷차림을 보고 용의자의 다음 움직임을 추측하려는 것과 같습니다. 이 경우 '용의자'는 박테리아이며, '옷차림'은 약물 분자의 화학적 형태입니다. 분자의 형태가 박테리아를 죽이는 능력과 어떻게 연관되는지를 연구함으로써, 과학자들은 실험실에서 직접 혼합해 보기 전에 어떤 새로운 화학적 레시피가 효과가 있을지 예측할 수 있습니다. 이는 시간, 비용, 자원을 절약하여 연구자들이 가장 유망한 후보들에만 집중할 수 있게 해줍니다.

이제, 이 탐정 업무를 다음 단계로 끌어올리기로 결정한 한 연구팀을 만나보십시오. 그들은 β-락탐(β-lactam)이라 알려진 특정 화학적 기본 구조와 그 사촌 격인 아제티디논(azetidinones) 및 티아졸리디논(thiazolidinones)에 주목했습니다. 이것들은 많은 유명한 항생제의 근간이 되는 골격이지만, 박테리아는 이를 무력화하는 데 점점 능숙해지고 있습니다. 연구진은 과학 보고서로부터 220개가 넘는 다양한 버전의 분자들을 모은 방대한 컬렉션을 수집했습니다. 그들의 목표는 무엇이었을까요? 바로 분자의 화학적 '지문'을 보고 그것이 강력한 살상력을 가졌는지(활성), 약한 전사인지(비활성), 혹은 그 중간 단계인지(중간)를 즉각적으로 판별할 수 있는 초지능형 컴퓨터 프로그램을 만드는 것이었습니다.

단순히 "작동하는가, 작동하지 않는가?"(단순한 예/아니오 질문)라고 묻는 대신, 그들은 컴퓨터 모델이 더 미묘한 질문에 답할 수 있도록 훈련시켰습니다: "얼마나 잘 작동하는가?" 그들은 분자의 크기, 기름지거나 물과 친한 정도(친수성/친유성), 그리고 '지문'이라 불리는 수천 개의 미세한 구조적 세부 사항을 포함한 방대한 양의 데이터를 컴퓨터에 입력했습니다. 그들은 패턴을 찾아내기 위해 인간의 뇌를 모방한 딥 러닝(deep learning)과 여러 컴퓨터 모델이 함께 투표하는 앙상블 방법(ensemble methods)을 포함한 고급 인공지능을 사용했습니다.

결과는 인상적이었습니다. 컴퓨터 모델은 이 분자들을 세 가지 범주로 분류하는 데 매우 뛰어난 능력을 보여주었습니다. 연구진이 데이터를 살펴보았을 때, '활성' 분자들은 대체로 더 크고, 더 기름지며, 박테리아를 공격하는 데 더 유리하게 만드는 특정 구조적 특징을 가지고 있었습니다. '비활성' 분자들은 종종 너무 작거나 이러한 핵심 특징이 부족했습니다. 모델은 거의 완벽한 명확성으로 그룹 간을 구별해 낼 정도로 정확했는데, 이는 마치 서로 다른 색깔의 구슬을 각각의 병에 분류하는 것과 같았습니다. 하지만 '중간' 그룹은 다소 까다로웠습니다. 이 분자들은 승자와 패자의 특징을 모두 공유하고 있어 분류하기가 더 어려웠는데, 이는 이 분야에서 흔히 발생하는 과제입니다.

궁극적으로, 이 연구는 단순히 모델을 구축한 것이 아니라 하나의 지도를 만들었습니다. 다양한 유형의 화학적 묘사를 결합하고 강력한 머신러닝을 사용함으로써, 우리가 어떤 새로운 약물 후보를 추구할 가치가 있는지 신뢰성 있게 예측할 수 있음을 보여주었습니다. 연구진은 분자량과 친유성(분자가 기름을 얼마나 좋아하는지) 같은 요인들이 성공의 가장 큰 단서라는 것을 발견했습니다. 모델이 완벽하지는 않지만(특히 경계선에 있는 '중간' 사례들에 대해서는), 모델은 과학자들이 노력을 우선순위에 두는 데 매우 신뢰할 수 있는 도구를 제공합니다. 이는 미래에 약물 설계자들이 새로운 아이디어를 빠르게 스크리닝하여, 저항성 박테리아를 물리칠 차세대 항생제 발견을 가속화할 수 있는 프레임워크를 사용할 수 있음을 의미합니다.