🧬 biology

TACTIVS: Test-time actives induction for flexible target-specific virtual screening

TACTIVS는 사전 학습된 분자 파운데이션 모델을 활용하여 레이블이 없는 보정(label-free calibration)과 연결성 가중 그래프 전파(connectivity-weighted graph propagation)를 결합함으로써, 쿼리와 서포트 활성 물질이 서로 다른 화학 계열에 속하는 경우에도 모델 미세 조정 없이 경쟁력 있는 농축 성능을 달야내는 유연하고 표적 특이적인 가상 스크리닝을 수행하는 테스트 타임 능동 유도 프레임워크이다.

원저자: Douglas Houston, Lin Chen, Haoying Wang, Andreas Luttens, Pedro Ballester

게시일 2026-10-09

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Douglas Houston, Lin Chen, Haoying Wang, Andreas Luttens, Pedro Ballester

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

신약 개발의 초기 단계에서 과학자들은 '건더기 속에서 바늘 찾기'와 같은 문제에 직면합니다. 그들은 특정 질병 표적에 성공적으로 결합하여 해를 끼치는 것을 막을 수 있는 몇 안 되는 화합물을 찾기 위해 수백만 개의 화학 화합물이 담긴 방대한 라이브러리를 뒤져야 합니다. 전통적으로 연구자들은 이 탐색 범위를 좁히기 위해 두 가지 주요 전략에 의존해 왔습니다. 한 가지 접근법은 표적의 물리적 형태를 자물쇠처럼 보고, 그에 맞는 열쇠를 찾는 것입니다. 다른 하나는 이미 표적을 활성화하는 것으로 증명된 기존의 작동하는 열쇠들, 즉 분자들을 살펴보고 그와 유사한 다른 것들을 찾는 것입니다. 첫 번째 방법은 표적에 대한 상세한 3D 지도가 필요하지만, 두 번째 방법은 시작점이 될 최소한 하나의 작동하는 예시가 필요합니다. 문제는 과학자들이 매우 적은 예시, 예를 들어 단 하나의 확인된 활성 분자만을 가지고 있을 때, 수백만 개의 막다른 길에 시간을 낭비하지 않고 더 많은 것을 찾아내야 하는 상황에서 발생합니다.

에든버러 대학교, 카롤린스카 연구소, 임페리얼 칼리지 런던의 연구팀은 바로 이 특정 문제를 해결하기 위해 TACTIVS라고 불리는 새로운 방법을 개발했습니다. 새로운 활성 분자가 발견될 때마다 복잡한 컴퓨터 모델을 새로 학습시키는 대신(이는 보통 방대한 데이터를 필요로 합니다), TACTIVS는 컴퓨터가 화학 물질 라이브러리 전체를 바라보는 방식을 즉각적으로 재구성함으로써 작동합니다. 이 시스템은 분자 형태에 대한 고정된 사전 학습된 이해를 바탕으로, 알려진 몇 개의 활성 분자를 사용하여 검색 범위를 즉시 재형성합니다. 시스템은 알려진 활성 분자들이 신호등 역할을 하는 지도를 만듦으로써 이를 수행합니다. 그런 다음 시스템은 단순히 신호등과 똑같이 생긴 분자를 찾는 것이 아니라, 화학적 유사성의 사슬을 통해 신호등과 연결된 분자들을 추적합니다. 이를 통해 시스템은 시작 예시와는 상당히 다르게 보일지라도 여전히 동일한 기능적 가족에 속하는 유망한 후보들을 찾아낼 수 있습니다.

연구진은 가상 스크리닝 성능을 벤치마킹하는 데 사용되는 몇 가지 대규모 표준 데이터 세트를 대상으로 이 접근법을 테스트했습니다. 약 150개의 서로 다른 생물학적 표적을 포함하는 한 테스트에서, 이 새로운 방법은 단 하나의 알려진 활성 분자만 주어졌을 때 기존 기술보다 훨씬 더 효과적으로 활성 분자를 식별할 수 있었습니다. 연구진이 알려진 활성 예시의 수를 10개로 늘렸을 때, 이 방법의 정확한 화합물 발견 능력은 눈에 띄게 향상되었으며, 기존의 형태 매칭 도구와 다른 고급 학습 기반 시스템들을 모두 능가했습니다. 결정적으로, 이 방법은 시작 예시와 화학적으로 구별되는 경우에도 활성 분자를 찾아낼 수 있음을 입증했습니다. 알려진 활성 분자와 표적 화합물이 완전히 다른 화학적 가족에 속하는 엄격한 테스트에서도, 시스템은 여

연구진은 데이터가 부족한 상황에서 단 하나의 실험 결과가 가진 가치를 어떻게 극대화할 수 있는지 보여주었습니다. 연구 결과는 많은 약물 발견 캠페인, 특히 데이터가 희소한 경우에서 가장 효과적인 전략은 각 표적마다 새로운 모델을 구축하는 것이 아니라, 공유되고 견고한 화학적 이해를 사용하고 검색 전략을 즉석에서 적응시키는 것임을 시사합니다. 연구진은 알려진 활성 분자가 참조 세트에 추가될수록 검색의 품질이 꾸준히 향상된다는 것을 발견했으며, 이는 이 방법이 축적되는 증거로부터 학습한다는 것을 확인시켜 줍니다. 시스템이 고정된 상태를 유지하면서 검색 전략이 새로운 표적에 적응할 수 있음을 입증함으로써, 이 접근법은 신약 발견의 초기 데이터 부족 단계에서 새로운 의약품을 식별하기 위한 실용적이고 효율적인 경로를 제공합니다.

기술 요약: TACTIVS

문제 정의
가상 스크리닝(Virtual Screening, VS)은 초기 단계 신약 개발의 초석이지만, 실험 데이터가 제한적인 상황, 특히 알려진 활성 분자가 매우 적은 "퓨샷(few-shot)" 환경에서 최대의 가치를 추출하는 것은 여전히 큰 과제입니다. 전통적인 리간드 기반 가상 스크리닝(LBVS)은 사전에 정의된 유사도 지표나 정렬 규칙에 의존하며, 이는 후보 라이브러리의 광범위한 구조적 조직을 반영하지 못하는 경우가 많습니다. 반대로, 최근의 구조 기반 퓨샷 방법들은 추가적인 타겟 특이적 훈련이나 모델 적응(예: 파라미터 미세 조정)을 빈번하게 요구하며, 이는 데이터가 부족할 때 계산 비용이 많이 들고 과적합(overfitting)에 취면하기 쉽습니다. 핵심적인 미해결 과제는 인코더를 재학습하거나 타겟 특이적 리드아웃(readout)을 피팅하지 않으면서도, 전체 스크리닝 라이브러리의 관계적 구조를 활용하여 테스트 시점에 유연하고 타겟 특이적인 순위를 어떻게 달성할 것인가 하는 점입니다.

방법론
저자들은 리간드 기반의 전이적 추론(transductive inference) 프레임워크인 TACTIVS(Test-time ACTIves induction for flexible target-specific VS)를 소개합니다. 후보 물질들을 독립적인 유사도 비교 대상으로 취급하거나 파라미터 업데이트를 요구하는 기존 방식과 달리, TACTIVS는 전체 후보 라이브러리의 이웃 그래프(neighborhood graph)를 통해 알려진 활성 물질로부터 증거를 전파함으로써 타겟 특이적인 순위를 구축합니다.

워크플로우는 세 가지 주요 단계로 구성됩니다:

동결된 표현 및 임베딩 캐시(Frozen Representation and Embedding Cache):
TACTIVS는 사전 학습된 등변성 사전 학습 트랜스포머(Equivariant Pretrained Transformer, EPT) 모델을 활용합니다. 인코더는 과정 전반에 걸쳐 동결된 상태를 유지합니다. 스크리닝 라이브러리와 참조 활성 물질의 분자 컨포머(conformers)는 512차원 벡터로 인코딩됩니다. 반복적인 인코딩을 방지하기 위해 이 벡터들은 캐싱됩니다. 결정적으로, 본 프레임워크는 특정 타겟 라이브러리가 아닌 독립적이고 대규모인 분자 코퍼스(PDBscreen 훈련 파티션)에서 유도된 **공유 공분산 추정치(shared covariance estimation)**를 사용합니다. 이는 타겟 라이브러리가 작을 때 발생할 수 있는 통계적 불안정성을 방지합니다.
레이블 프리 교정(Label-Free Calibration/Whitening):
사전 학습된 표현의 비등방성(anisotropy) 문제를 해결하기 위해, TACTIVS는 화이트닝(whitening) 변환을 적용합니다. 현재 타겟 라이브러리의 분자 균형 평균을 사용하여 임베딩을 중심화하고, 공유된 수축 정규화(shrinkage-regularized) 공분산 행렬을 기반으로 대칭 역제곱근 화이트너를 적용합니다. 이 과정은 임베딩을 변환하여, 사전 학습 분포에서의 높은 분산 방향이 유사도 측정법을 지배하지 않도록 함으로써 단순 유사도 기반 검색에 정보를 더 쉽게 접근할 수 있도록 만듭니다.
그래프 전파를 통한 전이적 추론(Transductive Inference via Graph Propagation):
추론은 두 가지 증거원을 결합합니다:

직접적 활성-참조 유사도(Direct Active-Reference Similarity): 후보 물질들은 알려진 활성 참조 물질의 컨포머들과의 직접적인 유사도를 기준으로 점수가 매겨집니다.
그래프 전파된 관계적 증거(Graph-Propagated Relational Evidence): 교정된 임베딩을 사용하여 전체 라이브러리(활성 물질 및 후보 물질 포함)에 대한 가중 이웃 그래프를 구축합니다. 알려진 활성 물질들은 그래프에 활성 증거를 심는 '시드(seed)' 역할을 합니다. 이 증거는 재시작이 있는 랜덤 워크(random walk with restart) 메커니즘을 통해 그래프를 통해 전파됩니다. 이를 통해 활성 물질의 직접적인 이웃이 아닌 후보 물질이라 할지라도, 중간 분자들을 거쳐 연결되어 있다면 지원을 받을 수 있어 다단계 분자 경로를 포착할 수 있습니다.

최종 순위 점수는 표준화된 직접 유사도와 전파된 그래프 점수의 선형 결합입니다. 이 프레임워크는 인코더 미세 조정이나 타겟 특이적 리드아웃 피팅을 필요로 하지 않으며, 오직 참조 분자의 선택과 라이브러리 컨텍스트를 통해서만 적응합니다.

주요 기여

훈련 없는 테스트 타임 적응: TACTIVS는 테스트 시점에 알려진 활성 물질을 후보 매니폴드 내에 맥락화함으로써 타겟 특이성을 달성하며, 이를 통해 파라미터 업데이트나 추가적인 훈련 데이터의 필요성을 제거합니다.
전이적 그래프 전파: 스크리닝 컬렉션 자체가 추론 과정의 일부가 되는 라이브러리 수준의 추론 방식을 도입하여, 단순한 쌍별 유사도에 의존하는 대신 분자 네트워크를 통해 증거가 흐를 수 있도록 합니다.
강건한 공분산 교정: 화이트닝을 위한 외부 공유 공분산 추정치의 사용은 타겟 라이브러리가 작거나 화학적으로 중복되더라도 안정적인 교정을 보장하여, 퓨샷 데이터로부터 공분산을 추정할 때 발생하는 불안정성을 피합니다.
화학 계열 일반화: 이 방법은 참조 세트와는 다른 화학 계열에 속하는 활성 분자를 검색하도록 설계되었으며, 단순히 구조적 유사체를 찾는 수준을 넘어섭니다.

결과
저자들은 두 가지 주요 벤치마크 패밀리인 VSDS-vd(TrueDecoy 및 RandomDecoy 서브셋)와 LIT-PCBA에서 TACTIVS를 평가했습니다.

VSDS-vd 성능: TACTIVS는 구조 기반 도킹(예: Glide, AutoDock), 하이브리드 방법, 그리고 다른 리간드 기반 접근법을 포함한 최첨단 베이스라인들을 유의미하게 능가했습니다. 단 하나의 활성 참조 물질만으로도, TACTIVS는 TrueDecoy에서 19.09의 EF@0.5%를 달성하여 기존의 최고 기록인 6.91을 크게 상회했습니다. 성능은 참조 활성 물질의 수( $K$ )가 증가함에 따라 일관되게 향상되어, $K=10$ 일 때 EF@1% 34.13에 도달했습니다.
LIT-PCBA 성능: 제로샷 모델(ConGLUDe) 및 퓨샷 적응 모델(Drug-few)과의 비교에서, TACTIVS는 우수한 조기 농축(early enrichment) 성능을 보여주었습니다. $K=8$ 일 때, TACTIVS는 0.182의 BEDROC를 달성하여 8-shot Drug-few 모델과 제로샷 ConGLUDe 모델을 모두 앞질렀습니다.
계열 불일치 평가(Series-Disjoint Evaluation): 참조 활성 물질과 쿼리 활성 물질이 서로 다른 화학 계열(ECFP4 Tanimoto 유사도 < 0.5)에 속하는 엄격한 평가 프로토콜 하에서도, TACTIVS는 상당한 조기 농축 성능을 유지했습니다. 이는 이 방법이 단순히 가까운 유사체를 회복하는 것이 아니라, 라이브러리 내의 새로운 화학 구조(chemotype)로 일반화될 수 있음을 확인시켜 줍니다.
절제 연구(Ablation Studies): 공분산 화이트닝 변환을 제거했을 때 성능이 크게 저하되었습니다(예: RandomDecoy에서 EF@1%가 20.32 포인트 하락). 이는 교정 단계의 중요성을 강조합니다. 마찬가지로, 그래프 전파 구성 요소를 제거했을 때도 성능이 감소하여 관계적 증거의 가치를 입증했습니다.

의의 및 주장
본 논문은 TACTIVS가 사전 학습된 분자 표현을 유연하고 타겟 특이적인 스크리닝을 위한 적응 가능한 기질로 만든다고 주장합니다. 저자들은 타겟 특이성이 반드시 파라미터 업데이트를 필요로 하는 것은 아니며, 일반적인 추론 절차가 알려진 활성 물질을 후보 매니폴드 내에 맥락화할 때 자연스럽게 나타날 수 있다고 주장합니다.

이 연구는 가상 스크리닝에 대한 관점의 전환을 제안합니다: 즉, 데 노보(de novo) 스크리닝(활성 물질이 알려지지 않은 경우)과 증분적(incremental) 스크리닝(실험적 히트가 확보된 경우)을 구분하는 것입니다. TACTIVS는 후자를 해결하며, 공유된 표현과 추론 규칙이 전이적 추론을 통해 테스트 시점에 특수화됨으로써, 파라미터 적응에 의존하는 퓨샷 학습 패러다임에 대한 데이터 효율적인 대안을 제공하고, 희소한 실험 데이터를 즉각적으로 활용하여 후속 순위에 반영할 수 있는 실용적인 경로를 제시합니다.

유사한 논문