📄 medicine

A curated benchmark database for high-throughput mechanistic pharmacokinetic prediction

본 논문은 공개 벤치마크의 부족을 해결하기 위해 여러 종과 투여 경로에 걸친 180개의 혈장 농도-시간 프로파일을 담은 큐레이션된 기계 판독 가능 데이터베이스를 소개하며, 이를 통해 고처리량 기전적 약동학 예측 방법의 투명하고 재현 가능한 평가와 개선을 가능하게 한다.

원저자: Jeremy O. Jones, Rafał A. Bachorz, Michael S. Lawless, David W. Miller, Robert Fraczkiewicz, Viera Lukacova

게시일 2026-08-19

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jeremy O. Jones, Rafał A. Bachorz, Michael S. Lawless, David W. Miller, Robert Fraczkiewicz, Viera Lukacova

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

신약 개발의 초기 단계에서 과학자들은 어려운 균형 잡기에 직면합니다. 그들은 질병과 효과적으로 싸울 수 있는 분자를 설계하는 동시에, 그 분자들이 인체를 통과하여 목표 지점에 도달할 수 있도록 보장해야 합니다. 이 여정은 약동학(pharmacokinetics)이라고 알려져 있습니다. 이는 약물이 어떻게 흡수되고, 조직을 통해 어떻게 이동하며, 체내에서 어떻게 분해되고, 최종적으로 어떻게 제거되는지를 포함합니다. 수십 년 동안 이 과정은 비용이 많이 드는 실험실 테스트와 복잡한 동물 연구를 필요로 했기 때문에 종종 개발 후반부로 미뤄지곤 했습니다. 결과적으로, 연구자들은 약물이 질병에 얼마나 잘 작용할지에 기반하여 약물을 설계했다가, 나중에 체내에서 흡수되지 않거나 너무 빨리 제거된다는 사실을 발견하곤 했습니다. 발견 속도를 높이기 위해 과학자들은 단 한 방울의 액체도 테스트하기 전에 이러한 여정을 예측할 수 있는 컴퓨터 모델로 눈을 돌렸습니다. 그러나 이러한 디지털 예측이 신뢰를 얻으려면 실제 세계의 데이터와 대조하여 검증되어야 합니다. 지금까지는 서로 다른 컴퓨터 프로그램들을 공정하게 비교할 수 있는 고품질의 정리된 데이터 세트가 부족했기 때문에, 어떤 도구가 진정으로 신뢰할 수 있는지 알기가 어려웠습니다.

Simulations Plus, Inc.의 연구팀은 이러한 격차를 해결하기 위해 이러한 예측 도구들을 테스트하기 위해 설계된 새롭고 세심하게 큐레이션된 데이터베이스를 구축함으로써 이 문제를 해결했습니다. 그들은 인간, 원숭이, 개, 쥐, 생쥐 등 다섯 가지 종에 대해 테스트된 76가지의 서로 다른 약물 화합물을 포함하는 180가지의 특정 시나리오에 대한 정보를 수집했습니다. 각 시나리오에 대해, 그들은 단순히 하나의 요약된 수치만을 기록하는 것이 아니라, 매 측정 순간마다 혈중 약물 농도를 기록함으로써 약물이 시간에 따라 어떻게 행동했는지에 대한 전체 이야기를 수집했습니다. 이 접근 방식은 약물의 여정의 전체 형태를 포착하여, 약물이 얼마나 빨리 흡수되는지 또는 체내에 얼마나 오래 머무는지에 대한 세부 정보를 밝혀냅니다. 연구팀은 화합물의 화학 구조와 측정 단위를 표준화하여 모든 데이터 포인트가 일관성을 유지하고 컴퓨터 분석이 가능하도록 했습니다. 또한 정맥 주사, 경구 투여 정제, 또는 액상 용액과 같이 약물이 어떻게 투여되었는지에 대한 정보와 각 경우에 사용된 구체적인 용량을 포함했습니다.

이 새로운 데이터베이스를 사용하여 연구진은 약물의 여정을 예측하도록 설계된 고속 컴퓨터 시스템을 테스트했습니다. 그들은 모든 180가지 사례에 대해 시뮬레이션을 실행하였으며, 약물의 화학 구조와 종 및 용량과 같은 연구 세부 정보를 시스템에 입력했습니다. 그 후 시스템은 약물 농도가 시간에 따라 어떻게 보일지를 보여주는 예측 곡선을 생성했습니다. 연구진은 이러한 예측 곡선을 실제 연구에서 기록된 실제 곡선과 직접 비교했습니다. 그들은 컴퓨터 모델이 상당히 양호하게 작동하며, 예측치의 약 3분의 1이 실제 측정값과 2배 차이(factor of two) 이내에 들어온다는 것을 발견했습니다. 신약 개발 분야에서 2배 차이 이내는 흔히 강력한 결과로 간 만큼, 모델은 더 넓은 범위를 보았을 때 훨씬 더 우수한 성능을 보였습니다. 즉, 거의 모든 예측이 관찰된 값의 10배 차이 이내에 있었습니다. 이러한 정확도는 컴퓨터 모델이 다양한 동물과 투여 방법 전반에 걸쳐 약물의 일반적인 행동을 포착할 수 있음을 시사합니다.

또한 이 연구는 컴퓨터 모델이 어려움을 겪는 부분을 드러냈습니다. 예측은 모델이 주요 경로로 고려하는 간이나 신장에 의해 제거되는 약물에 대해 가장 정확했습니다. 그러나 현재의 소프트웨어가 완전히 시뮬레이션하지 못하는 특정 방식으로 약물이 간으로 흡수되는 유형의 약물에 대해서는 정확도가 떨어졌습니다. 이는 개발자들이 어디에 개선의 초점을 맞춰야 하는지를 정확히 알려주는 매우 중요한 발견입니다. 나아가, 연구진은 모델이 자신들의 내부 예측뿐만 아니라 다른 출처의 데이터를 사용하여 작동할 수 있는지 테스트했습니다. 그들은 모델이 다른 컴퓨터 프로그램으로부터 입력된 데이터를 사용하여 성공적으로 실행될 수 있음을 발견했으며, 이는 데이터베이스가 다양한 도구를 테스트할 수 있을 만큼 유연하다는 것을 보여줍니다. 이러한 유연성은 서로 다른 연구 그룹이 동일한 벤치마크를 사용하여 자신들의 구체적인 방법론을 비교할 수 있게 함으로써, 개선을 위한 공유된 표준을 조성하는 데 필수적입니다.

이 데이터베이스에는 대형 고리형 펩타이드(cyclic peptides) 및 매크로사이클(macrocycles)과 같이 전통적인 약물 설계 규칙을 깨뜨리는 다양한 복잡한 분자들도 포함되어 있습니다. 이들은 예측하기 더 어려운 새로운 유형의 의약품이며, 연구진은 업데이트된 모델이 이전 버전보다 이러한 복합적인 구조를 더 잘 처리한다는 것을 발견했습니다. 이러한 도전적인 사례들을 포함함으로써, 데이터베이스는 테스트되는 도구들이 과거의 약물이 아닌 미래의 의학을 위한 충분한 견고함을 갖추도록 보장합니다. 연구진은 데이터베이스가 완벽하지 않다는 점을 인정하며, 단회 투여에 국한되어 있고 지속적 주입(infusion)이나 피하 투여와 같은 모든 가능한 투여 방법을 아직 다루지는 못한다고 밝혔습니다. 또한 서로 다른 연구의 데이터를 결합해야 했기에 자연스러운 변동성이 발생할 수 있음을 언급했습니다. 그러나 그들은 데이터베이스를 공개적으로 제공하고 지속적으로 업데이트할 계획이며, 다른 과학자들이 오류를 보고하거나 새로운 데이터를 추가할 수 있도록 초대하고 있습니다.

이 작업은 신약 개발이 평가되는 방식의 변화를 의미합니다. 단순히 단일 숫자를 기준으로 컴퓨터 프로그램의 순위를 매기는 리더보드 방식에서 벗어나, 이 접근 방식은 모델이 왜 성공하거나 실패하는지에 대한 더 깊은 통찰을 독려합니다. 약물의 여정 전체 곡선을 비교함으로써, 과학자들은 모델이 흡수, 분포, 또는 제거 단계 중 어느 단계에서 실패하는지를 확인할 수 있으며, 이는 소프트웨어를 수정하기 위한 명확한 로드맵을 제공합니다. 이 데이터베이스는 과학계가 고립된 실험을 넘어 투명하고 재현 가능한 표준을 향해 나아갈 수 있도록 하는 공유 자원 역할을 합니다. 분야가 의약품 설계를 위해 인공지능을 사용하는 방향으로 나아감에 따라, 이러한 예측을 테스트할 수 있는 신뢰할 수 있는 방법을 갖추는 것은 필수적입니다. 이 정교하게 큐레이션된 실제 데이터의 모음은 그 토대를 제공하며, 차세대 의약품을 안내하는 디지털 도구들이 최대한 정확하고 신뢰할 수 있도록 돕습니다.

기술 요약: 고처리량 메커니즘적 약동학 예측을 위한 큐레이션된 벤치마크 데이터베이스

문제 정의
약물 후보 물질의 약동학(PK) 특성 평가는 매우 중요하지만, 분석 비용과 화학 구조로부터 PK를 예측하는 어려움으로 인해 역사적으로 초기 신약 개발 단계에서 제외되어 왔습니다. 초기 신약 개발 단계에서는 in vitro 대리 지표에 대한 의존도가 높아지고 있으나, 설계 단계에서 다운스트림 PK 데이터를 통합하는 것은 개발 속도를 높일 수 있습니다. PK 특성을 예측하기 위한 다양한 플랫폼이 존재하지만, 이들의 성능 평가는 공개적으로 사용 가능한 잘 큐레이션된 데이터셋의 부재로 인해 저해되어 왔습니다. 기존 데이터베이스는 일관되지 않은 화학적 표현, 큐레이션 오류, 그리고 파생된 엔드포인트(예: $C_{max}$ , AUC)에 대한 의존성 문제를 겪고 있습니다. 또한, 파생된 엔드포인트는 연구 설계, 샘플링 빈도 및 분석 방법에 민려하며, PK 파라미터 간의 상호 의존성이나 모델이 실패할 수 있는 특정 약물 처리 단계(흡수, 분포, 제거)를 포착하지 못합니다. 특히 하이브리드 머신러닝(ML) 및 생리학적 기반 약동학(PBPK) 접근 방식을 활용하는 고처리량 메커니즘적 PK(HTPK) 워크플로우를 벤치마킹하기 위한 기계 판독 가능하고 표준화된 리소스가 절실히 필요합니다.

방법론
저자들은 180개의 고유한 화합물-종-투여 경로-용량 케이스로 구성된 큐레이션된 기계 판독 가능 데이터베이스를 구축했습니다.

데이터 큐레이션: 1차 문헌으로부터 전체 혈장 농도-시간( $C_p$ -time) 곡선을 추출했습니다. 데이터셋은 5종의 종(사람, 게놈사구스 원숭이, 레서스 원숭이, 개, 쥐, 마우스)과 3가지 투여 경로(정맥 주사, 경구 즉시 방출 정제, 경구 즉시 방출 용액)를 포함합니다.
표준화: ADMET Predictor® v14를 사용하여 화학 구조를 표준화(SMILES 문자열, 중성화, 카운터 이온 제거)했습니다. 용량은 가능한 경우 절대 질량(mg)으로 변환하였으며, 그렇지 않은 경우 표준 동물 체중을 적용했습니다.
디지타이징: PlotDigitizer를 사용하여 도표로부터 곡선을 디지털화한 후 수동 큐레이션을 수행했습니다. 평균값과 불확실성 범위(평균 표준 오차 또는 95% 신뢰 구간)를 모두 캡처했습니다.
파라미터 추정: 관찰된 데이터로부터 PKanalix (MonolixSuite)를 통한 비구획 분석(NCA)을 사용하여 PK 엔드포인트를 도출했습니다.
시뮬레이션 프레임워크: 이 데이터베이스는 ADMET Predictor v14에 의해 파라미터화된 HTPK 워크플로우를 평가하는 데 사용되었습니다. 시뮬레이션은 종 및 경로에 대한 기본 설정을 사용하였으며, 간 마이크로좀 또는 간세포 고유 클리어런스 모델을 포함하였습니다.
대안적 입력값: 벤치마크는 외부 오픈 소스 도구(ADMETlab 3.0, ADMET-AI)의 입력값과 문헌 측정 데이터(예: 용해도, 클리어런스, 단백 결합률)와 예측값을 결합한 하이브리드 접근 방식을 사용하여 테스트되었습니다.
평가 지표: 성능은 전체 곡선 오차 지표(평균 상대 및 절대 $\log_2$ 오차)와 전통적인 엔드포인트 통계량(RMSE, $r^2$ , 평균 배수 오차, Spearman 순위 상관계수)을 사용하여 평가되었습니다. 관찰된 데이터의 상한 및 하한과의 거리를 측정하여 개체 간 변동성을 고려하는 새로운 "경계 인식(bound-aware)" 지표가 도입되었습니다.

주요 기여

큐레이션된 데이터베이스: 여러 종, 용량 및 경로를 아우르는 180개 케이스(76개의 고유 화합물 포함)를 포함하며, PROTAC, 매크로사이클, 환형 펩타이드와 같은 "Rule of Five를 벗어난(bRo5)" 분자를 포함하는 공개 가능한 기계 판독 가능 데이터셋을 구축했습니다.
곡선 기반 벤치마킹: 고립된 파생 엔드포인트를 평가하는 것에서 전체 농도-시간 프로파일을 비교하는 것으로 전환했습니다. 이 접근 방식은 특정 모델의 한계(예: 흡수 vs 제거 단계)를 식별할 수 있게 하며, 균일한 워크플フロー를 사용하여 엔드포인트를 재계산할 수 있게 합니다.
방법론적 프레임워크: 예측된 입력값과 측정된 입력값을 모두 사용하는 HTPK 플랫폼을 평가하는 방법을 입증하였으며, 생물학적 변동성을 인정하는 "경계 인식" 지표의 유용성을 강조했습니다.
리소스 유지 관리: 데이터베이스는 버려진 학술 데이터셋 문제를 해결하기 위해 버전 관리가 가능하고 커뮤니티 업데이트가 가능하도록 설계되었습니다(GitHub 호스팅).

결과

데이터셋 구성: 데이터셋의 75%는 경구 PK 연구입니다. 임상 시험 약물에 비해 ECCS Class 4 화합물에 편중되어 있으나, 모든 클래스의 대표 화합물을 포함하고 있습니다. 사례의 절반 이상은 적어도 하나의 Lipinski Rule of Five를 위반하는 분자를 포함합니다.
HTPK 성능 (ADMET Predictor 입력값):
- 간 마이크로좀 또는 간세포 클리어런스 입력값을 사용할 때, 180개 케이스에 대한 평균 절대 $\log_2$ 오차는 각각 2.79와 2.69였습니다.
- 인간 프로파일이 가장 낮은 평균 오차를 보였고, 쥐가 그 뒤를 이었습니다.
- 성능은 ECCS 클래스에 따라 달랐습니다. Class 1B는 간 섭취(hepatic uptake)에 크게 의존하지만 축소된 HTPK 모델에는 명시적으로 포함되지 않은 메커니즘이므로, Class 1A, 2, 4보다 예측 성능이 낮았습니다.
- ADMET Predictor 버전 14는 Rule of Five 준수 사례보다 bRo5 화합물에서 더 큰 오차 감소를 보여주었습니다.
- 시뮬레이션된 프로파일의 약 33%가 2배 평균 차이 이내였으며, 75%는 10배 차이 이내였습니다.
- 시뮬레이션이 관찰된 변동성 범위 내에 있으면 오차를 0으로 할당하는 "경계 인식" 지표를 적용했을 때 성능이 개선되었습니다: 36%가 2배 이내, 82%가 10배 이내였습니다.
엔드포인트 정확도: 특정 PK 엔드포인트의 경우, 예측값의 30–40%가 관찰값의 2배 이내였으며, 거의 대부분이 10배 이내였습니다. 원숭이 예측은 훈련 세트가 작고 두 종류의 마카크(macaque) 종이 통합된 점 때문에 정확도가 낮았습니다.
대안적 입력값: ADMETlab 3.0 또는 ADMET-AI의 입력값으로 파라미터화했을 때, 완전히 ADMET Predictor로 파라미터화된 구성이 일반적으로 더 낮은 곡선 오차를 나타냈으나, 모델 범위와 입력 정의의 차이로 인해 직접적인 비교는 제한적이었습니다.

의의 및 주장
본 논문은 농도-시간 프로파일이 고립된 엔드포인트보다 재현 가능한 PK 벤치마킹을 위한 더 정보가 풍부한 근거를 제공한다고 주장합니다. 저자들은 이 공개적으로 유지되는 리소스가 투명하고 재현 가능한 비교를 지원하고 고처리량 PK 예측 방법의 지속적인 개선을 뒷받침하기 위해 만들어졌다고 주장합니다. "리더보드" 방식에서 벗어남으로써, 본 벤치마크는 흡수, 분포 또는 제거에서의 구체적인 한계를 밝혀 모델 개발을 가이드하는 것을 목표로 합니다. 이 연구는 초기 신약 개발 단계에서 견고하게 큐레이션된 데이터에 대해 평가된다면, 하이브리드 ML/메커니즘적 PBPK 접근 방식을 사용하는 산업계의 합의를 지원합니다. 저자들은 데이터베이스의 한계점(예: 급식/금식 상태 부재, 단일 용량, 제한된 경로)을 인정하며, 이 리소스가 기존의 PK 리소스를 조화시키기 위해 더 넓은 연구 커뮤니티에 의해 수정되고 확장될 수 있도록 설계되었음을 강조합니다.

유사한 논문