Scaffold-tuner: a property-directed compound editing tool for scaffold-preserving structural optimization

신약 개발이라는 고도의 긴장감이 흐르는 세계에서, 과학자들은 종종 라디오 채널을 바꾸지 않으면서 특정 주파수에 맞추려는 것과 같은 퍼즐에 직면하곤 합니다. 그들은 유망한 분자, 즉 질병과 싸울 잠재력을 보여주는 화학 구조를 가지고 있지만, 이는 미세 조정이 필요합니다. 약물이 인체 내에서 더 잘 작동하게 만들기 위해, 연구자들은 분자가 형성할 수 있는 수소 결합의 수, 포함된 고리 모양 구조의 수, 또는 분자의 일부분이 뒤틀리고 회전할 수 있는 정도와 같은 특정 물리적 특성을 조정해야 합니다. 이러한 조정은 매우 중요한데, 왜냐하면 이것이 약물이 체내에 흡수될 수 있을지, 아니면 단순히 그대로 통과해 버릴지를 결정하기 때문입니다. 하지만 이러한 변화를 만드는 것은 매우 어렵기로 유명합니다. 만약 과학자가 흡수율을 개선하기 위해 분자의 한 부분을 수정하려고 시도하면, 종종 다른 부분을 실수로 망가뜨려 약물이 표적에 결합하는 능력을 파괴하곤 합니다. 과제는 복잡한 화학 구조의 핵심 정체성을 해치지 않으면서 정밀하고 통제된 편집을 수행하는 데 있습니다.

이 문제를 해결하기 위해 시가 대학의 한 연구자는 '스캐폴드 튜너(Scaffold-tuner)'라고 불리는 새로운 디지털 도구를 개발했습니다. 분자를 튼튼한 기초와 독특한 지붕을 가진 집이라고 생각해 보십시오. 기초는 어떤 종류의 건물을 정의하는 핵심 구조이며, 지붕과 벽은 수정될 수 있습니다. 화학에서 이 변하지 않는 핵심을 '스캐폴드(scaffold, 골격)'라고 부릅니다. 목표는 그 스캐폴드를 온전히 유지하면서 집의 특성을 바꾸기 위해 '벽'을 교체하는 것입니다. 이를 수행하기 위한 기존 방식들은 흔-히 어둠 속에서 다트를 던지는 것과 같았습니다. 그들은 작동하는 것을 하나라도 발견하기를 바라며 수천 개의 무작위 변형을 생성하거나, 때로는 벽과 함께 기초까지 바꿔버려 완전히 다른 건물을 만들어 버리는 복잡한 인공지능에 의존했습니다. 이러한 접근 방식은 비효율적이었으며, 종종 원래의 약물과는 너무 달라서 쓸모가 없는 결과물을 만들어냈습니다.

새로운 도구인 스캐폴드 튜너는 이와 다른, 더 의도적인 접근 방식을 취합니다. 추측을 하거나 블랙박스 알고리즘을 사용하는 대신, 특정 역할을 수행하는 것으로 알려진 작고 사전 검증된 분자 조각들인 큐레이션된 화학적 파편(fragment) 라이브러리를 사용합니다. 만약 연구자가 수소 결합 공여체를 추가해야 한다면, 이 도구는 그 작업을 위해 특별히 설계된 파편을 선택합니다. 만약 회전 가능한 결합을 제거해야 한다면, 구조를 고정시키는 파편을 선택합니다. 이러한 표적화된 파편들을 원래 분자의 핵심 스캐폴드와 결합함으로써, 이 도구는 원하는 물리적 변화를 달성하면서도 원래 구조의 심장을 보장하는 새로운 후보 화합물들을 생성합니다. 이는 순수한 양보다는 제어와 예측 가능성을 우선시하는 편집 방식입니다.

이 방법이 실제로 효과가 있는지 테스트하기 위해, 연구자는 ChEMBL이라는 공개 데이터베이스에서 가져온 1,000개의 약물 유사 화합물을 사용하여 엄격한 시험을 거쳤습니다. 이 화합물들은 실험의 출발점, 즉 '부모' 역할을 했습니다. 도구에는 수소 결합 공여체의 추가 또는 제거, 방향족 고리의 추가 또는 제거, 또는 회전 가능한 결합 수의 변경과 같은 8가지 유형의 서로 다른 편집 작업이 요청되었습니다. 비교를 위해, 동일한 시작 화합물들이 세 가지 다른 방법, 즉 단순한 무작위 편집 도구, 화학적으로 타당하지만 가이드가 없는 변화를 만드는 CReM 방식, 그리고 REINVENT4라고 알려진 정교한 인공지능 시스템에 입력되었습니다. 목표는 어떤 방법이 원래의 구조를 유지하면서 특정 목표 변화를 성공적으로 수행하는 새로운 분자를 만들어낼 수 있는지 확인하는 것이었습니다.

결과에 따르면 스캐폴드 튜너는 특히 연구자가 적은 수의 옵션만을 고려할 수 있는 상황에서 정밀도 면에서 탁월한 성과를 보였습니다. 각 방법이 생성한 첫 번째 후보만을 고려하는 시나리오에서, 스캐폴드 튜너는 42.3%의 사례에서 원하는 변화를 만드는 데 성공했습니다. 이는 각각 13.9%, 15.6%, 17.1%의 성공률을 보인 다른 방법들에 비해 현저히 높은 수치였습니다. 이 결과는 과학자가 프로젝트를 진행하기 위해 빠르고 신뢰할 수 있는 제안이 필요한 경우, 스캐폴드 튜너가 즉각적으로 유용한 답을 제공할 가능성이 훨씬 높다는 것을 시사합니다. 인공지능 도구는 최대 100개의 후보를 생성하도록 허용했을 때 결국 따라잡아 더 다양한 성공적인 변화를 만들어냈지만, 이는 분자에 훨씬 더 크고 급격한 변화를 가함으로써 이루어졌습니다. 이러한 AI 생성 분자들은 원래의 분자와 매우 다르게 보였으며, 이는 과학자들이 변화가 약물의 행동에 어떻게 영향을 미치는지 이해하는 것을 더 어렵게 만들었습니다.

대조적으로, 스캐폴드 튜너가 생성한 분자들은 부모 화합물과 매우 유사하게 유지되었습니다. 평균적으로 성공적인 후보들은 원래의 핵심 스캐폴드 구조의 약 75%를 유지했으며, 시작 분자와의 전반적인 유사성도 높았습니다. 이는 약물 개발에서 매우 중요한 장점인데, 과학자들은 어떤 변화가 활성의 변화를 일으켰는지 정확히 알아야 하기 때문입니다. 구조가 너무 달라지면, 새로운 특성이 의도한 수정 때문인지 아니면 완전히 새로운 원자 배열 때문인지 구별하는 것이 불가능해집

연구는 스캐폴드 튜너가 특히 방향족 고리를 추가하는 데 효과적이었으며, 이는 다른 방법들이 거의 실패하거나 고전했던 작업이었습니다. 또한, 회전 가능한 결합을 늘리거나 줄이는 작업에서도 완벽하지는 않지만 일관되고 신뢰할 수 있는 수준의 성공률을 보였습니다.

그러나 이 도구에 한계가 없는 것은 아닙니다. 연구는 편집의 성공 여부가 요청된 변화의 특정 유형에 크게 의존한다는 점을 언급했습니다. 예를 들어, 이 도구는 고리를 추가하는 데는 뛰어났지만, 고리를 제거하는 데는 어려움을 겪어 해당 작업에서 0%의 성공률을 기록했습니다. 마찬가지로, 회전 가능한 결합의 수를 늘리는 것도 어려웠으며, 성공률은 15.2%에 불-과했습니다. 이는 이 도구가 만능 해결사가 아니라 특정 유형의 구조적 조정을 위해 가장 잘 작동하는 전문화된 도구임을 나타냅니다. 연구자들은 또한 하나의 특성을 성공적으로 바꿀 수는 있지만, 동시에 다른 특성을 의도치 않게 변경하지 않고 수행하는 것이 종종 어렵다는 것을 관찰했습니다. 예를 들어, 회전 가능한 결합의 수를 변경하는 것은 분자의 다른 부분에 대한 의도치 않은 변화를 동반하는 경우가 많았는데, 이는 어떤 편집 도구라도 완전히 극복하기 어려운 과제로 남아 있습니다.

이러한 제약에도 불구하고, 연구는 스캐폴드 튜너가 추상적인 화학적 목표를 구체적인 분자 구조로 번역하는 가치 있는 새로운 프레임워크를 제공한다고 결론짓습니다. 이 도구는 약물이 어떻게 행동해야 하는지를 예측하는 이론적 모델과, 그 약물을 실제로 구축하는 실질적인 현실 사이의 간극을 메워줍니다. 분자의 핵심 정체성을 보존하면서 특정하고 해석 가능한 변화를 만드는 방법을 제공함으로써, 연구자들이 구조와 기능 사이의 관계를 더 명확하게 탐구할 수 있게 해줍니다. 이 도구는 더 넓고 탐색적인 방법의 필요성을 대체하는 것이 아니라, 정밀도와 속도가 최우선인 특정 영역을 채워줍니다. 리드 화합물을 정제하려는 과학자들에게, 이 도구는 수천 개의 무작위 변형을 걸러내는 대신 몇 가지 매우 관련성 높은 옵션을 빠르게 얻을 수 있는 방법을 제공합니다. 이 도구의 소스 코드는 다른 이들이 사용하고 개선할 수 있도록 공개되어 있으며, 이는 이러한 특성 지향적 접근 방식이 약물 발견의 표준 도구 세트의 일부가 되어, 분자 편집이라는 복잡한 기술을 더 예측 가능하고 효율적인 과학으로 바꾸는 데 기여할 수 있음을 시사합니다.