📄 화학

MolGPT-assisted exploration of VEGFR2-related chemical space through virtual screening, experimental bridging, and molecular dynamics simulation

본 연구는 MolGPT 기반의 생성적 설계, 머신러닝, 그리고 계산 시뮬레이션을 통합하여 VEGFR2 억제제를 우선순위화하는 포괄적인 워크플로우를 제시하며, 이는 접근 가능한 대리 화합물을 테스트하여 실험적으로 검증되었으나 결과적으로 예측된 활성이나 결합 기전을 확인하는 데 실패하였다.

원저자: Taiying Li, Shuning Diao, Yuxiang He, Shengzhen Hou, Jinping Zhang

게시일 2026-10-07

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Taiying Li, Shuning Diao, Yuxiang He, Shengzhen Hou, Jinping Zhang

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

암은 통제되지 않는 성장의 질병이지만, 종양은 보급선 없이는 커질 수 없습니다. 종양이 몇 밀리미터 크기에 도달하면, 반드시 스스로 혈관 네트워크를 구축하는 스위치를 켜야 하는데, 이 과정을 혈관 신생(angiogenesis)이라고 합니다. 이 새로운 네트워크는 암이 생존하고 퍼지는 데 필요한 산소와 영양분을 전달합니다. 혈관이 자라도록 알리는 주요 신호 중 하나는 VEGFR2라고 불리는 단백질입니다. 이 수용체가 이 과정의 중심에 있기 때문에, 과학자들은 종양을 굶겨 죽이기 위해 이 단백질을 차단하는 약물을 오랫동안 시도해 왔습니다. 하지만 현재 사용 가능한 약물들은 종종 다른 표적까지 타격하여 부작용을 일으키는 '대형 망치'처럼 작용하거나, 암이 결국 그 차단 경로를 우회하는 방법을 찾아내곤 합니다. 이에 따라 부수적인 피해 없이 이 성장 신호를 차단할 수 있는 더 정밀한 분자를 찾는 연구가 계속되고 있습니다.

최근 한 연구에서 산둥 중의약대학교의 연구진은 기존의 화학 물질 선반을 뒤지는 대신, 컴퓨터에게 무에서 유를 창조하도록 요청함으로써 새로운 분자를 찾으려고 시도했습니다. 그들은 화학의 언어를 학습한 MolGPT라는 유형의 인공지능을 사용했습니다. 언어 모델이 앞의 단어를 바탕으로 다음 단어를 예측하여 새로운 문장을 쓰는 것처럼, 이 모델은 화학 구조의 다음 부분을 예측하여 이전에 존재하지 않았던 완전히 새로운 분자를 만들어냅니다. 목표는 이러한 독특하고 이론적인 구조를 수천 개 생성한 다음, 이를 필터링하여 VEGFR2를 차단할 가능성이 가장 높은 것을 찾아내는 것이었습니다.

연구팀은 5,000개의 새로운 분자 구조를 생성하는 것으로 시작했습니다. 중복되거나 유효하지 않은 모양을 제거하기 위해 목록을 정리한 후, 4,992개의 고유한 후보가 남았습니다. 이 새로운 모양들 중 어떤 것이 효과가 있을지 결정하기 위해, 그들은 일련의 컴퓨터 테스트를 수행했습니다. 먼저, 예측 모델을 통해 각 분자가 표적에 대해 활성을 가질 가능성을 추정했습니다. 이 과정을 통해 후보군은 522개로 좁혀졌습니다. 다음으로, 그들은 분자가 VEGFR2 단백질의 특정 포켓에 어떻게 들어맞는지 시뮬레이션하는 분자 도킹(molecular docking) 기법을 사용했는데, 이는 마치 열쇠가 자물쇠에 맞는지 확인하는 것과 같습니다. 이 단계에서 가장 잘 맞는 것으로 보이는 9개의 분자가 선택되었습니다. 마지막으로, 연구진은 이 9개의 분자가 인체에서 처리되기에 안전한지, 그리고 실험실에서 쉽게 제조될 수 있는지와 같은 약물 유사 특성을 점검했습니다. 이 과정을 거쳐 최종적으로 4개의 최상위 후보가 남았습니다.

여기서 프로젝트는 실질적인 벽에 부딪혔습니다. 선정된 4개의 최상위 분자들은 너무 새롭고 복잡해서 구매가 불가능했으며, 실험실에서 처음부터 직접 만드는 데는 오랜 시간이 걸릴 것이었습니다. 연구를 계속 진행하기 위해 팀은 영리한 우회 방법을 사용했습니다. 완벽한 새 분자를 만들 때까지 기다리는 대신, 그들은 4개의 최상위 후보와 구조적으로 다소 유사해 보이는 상용 화합물을 검색했습니다. 그들은 천연물 라이브러리에서 이러한 '대리(surrogate)' 화합물 6개를 찾아냈습니다. 이 대리 화합물들은 컴퓨터가 설계한 정확한 분자는 아니었지만, 테스트를 수행하기에 충분한 구조적 특징을 공유하고 있었습니다. 연구진은 이 6개의 실제 화합물을 실험실에서 테스트하여 실제로 VEGFR2 단형을 차단할 수 있는지 확인했습니다.

이 실험적 테스트의 결과는 대체로 부정적이었으나, 이 분야의 과제를 명확히 보여주었습니다. 6개의 대리 화합물 중 5개는 표적을 차단하는 데 유의미한 능력을 보이지 않았습니다. 한 화합물인 레보폴산(levomefolic acid)은 이상하고 일관성 없는 반응을 보였습니다. 농도가 20 마이크로몰러(micromolar)일 때는 단백질을 약 56% 차단했지만, 농도를 두 배인 40 마이크로몰러로 높였을 때 차단 효과는 12%로 떨어졌습니다. 이러한 불규칙한 행동 때문에 연구진은 신뢰할 수 있는 강도 측정을 계산할 수 없었습니다. 원래의 컴퓨터 생성 분자와 이 대리 화합물 사이의 연결 고리가 약했기 때문에, 연구팀은 새로운 설계가 작동했다고 주장할 수 없었습니다.

무엇이 일어나고 있는지 이해하기 위해, 연구진은 레보폴산 분자가 단백질 근처에서 어떻게 행동하는지 관찰하고자 컴퓨터 시뮬레이션을 활용했습니다. 그들은 분자가 단단히 붙어 있는지 아니면 멀어지는지를 보기 위해 시간 경과에 따른 상호작용을 시뮬레이션했습니다. 시뮬레이션 결과, 이 분자가 단백질과 상호작용하기는 했지만, 대조군으로 사용된 알려진 약물보다 안정성이 떨어지는 것으로 나타났습니다. 컴퓨터 모델은 이 분자가 몇 가지 유익한 연결을 형성하기도 하지만, 주변의 물과 환경으로부터 상당한 저항을 받고 있으며, 이로 인해 예상보다 효율적인 결합체가 되지 못한다고 시사했습니다. 연구는 컴퓨터 워크플로우가 새로운 아이디어를 생성하고 이를 몇 가지 가능성으로 좁히는 데는 성공했지만, 컴퓨터의 상상과 실험실의 현실 사이의 가교는 아직 증명되지 않은 상태로 남아 있다는 결론을 내렸습니다.

궁극적으로, 이 연구는 새로운 치료법의 발견이라기보다는 새로운 워크플로우의 시연으로서 의미를 갖습니다. 연구팀은 인공지능이 방대한 양의 새로운 화학 구조를 생성할 수 있고, 다단계 필터링 과정을 통해 이를 관리 가능한 수준으로 좁힐 수 있음을 성공적으로 보여주었습니다. 그러나 이 실험은 중요한 격차를 드러냈습니다. 컴퓨터가 설계한 분자들은 실제 세계에서 구할 수 있는 것들과 매우 다르기 때문에 적절한 대체물을 찾는 것이 어렵고, 설령 대체물을 찾더라도 컴퓨터가 예측한 대로 작동하지 않을 수 있다는 점입니다. 이 연구는 AI가 가능한 화학적 영역을 탐색하는 강력한 도구이긴 하지만, 디지털 설계에서 작동하는 의약품으로 가는 길은 여전히 컴퓨터가 만든 정확한 분자를 직접 합성하고 테스트하는 과정을 필요로 한다는 점을 시사합니다. 새로운 아이디어에서 새로운 약으로 가는 여정은 인공지능의 약속이 여전히 실험적 검증이라는 고된 작업에 뿌리를 두어야 하는 복잡한 도전 과제로 남아 있습니다.

기술 요약: MolGPT를 활용한 VEGFR2 관련 화학 공간 탐색

문제 정의
혈관 내피 성장 인자 수용체 2(VEGFR2)는 항혈관 신생 항암 치료의 핵심 표적이다. 그러나 기존의 억제제(예: 소라페닙, 수니티닙)는 종종 표적 외 독성, 획득 내성 및 제한된 골격 다양성 문제를 겪는다. 딥러닝 기반 생성 모델이 전통적인 화합물 라이브러리를 넘어 화학 공간을 탐색할 수 있는 경로를 제공함에도 불구하고, 중요한 병목 현상이 남아 있다: 바로 de novo로 생성된 분자 구조를 실험적으로 테스트 가능한 화합물로 변환하는 과정이다. 우선순위가 지정된 분자들은 상업적으로 이용 불가능하거나 빠르게 합성하기 어려운 경우가 많아, 계산 설계와 실험적 검증 사이에 간극을 만든다.

방법론
본 연구는 생성형 AI와 탐색적 실험 평가를 연결하기 위해 설계된 다단계 후보 물질 우선순위 지정 워크플로우를 제안한다. 이 워크플로우는 다음과 같은 단계로 구성된다:

분자 생성: MolGPT 모델(Transformer 디코더 기반)을 사용하여 5,000개의 de novo 소분자를 생성하였다. 이 모델은 VEGFR2에 특화되어 미세 조정(fine-tuning)되지 않았으며, 구조적 참신함과 화학적 다양성을 보장하기 위한 범용 생성기로서 사용되었다.
화학 공간 분석: 생성된 분자들을 UMAP(Uniform Manifold Approximation and Projection)과 ECFP4(Extended Connectivity Fingerprints)를 사용하여 참조 데이터셋(활성 화합물 2,841개, 비활성 화합물 2,723개, 총 5,564개)과 비교 분석하여 구조적 중첩 정도와 참신함을 평가하였다.
품질 평가: 분자 세트(MOSES) 벤치마크를 사용하여 생성된 라이브러리의 유효성(validity), 고유성(uniqueness), 참신성(novelty) 및 다양성(diversity)을 평가하였다.
가상 스크리닝:
- 활성 예측: 사전 학습된 그래프 합성 신경망(GCN)을 통해 4,992개의 고유 유효 구조에 활성 점수를 부여하였다. 점수가 0.5 초과인 분자들을 유지하였다.
- 분자 도킹: 선정된 후보 물질들을 AutoDock Vina를 사용하여 VEGFR2 ATP 결합 포켓(PDB ID: 4ASE)에 도킹하였다.
- ADMET 평가: Lipinski의 Rule of Five, 예측된 ADMET 특성(ADMETlab 3.0 사용) 및 약물 유사성(QED)을 기준으로 후보 물질을 필터링하였다.
유사성 매칭 (가교 전략): 우선순위가 지정된 de novo 분자들이 상업적으로 이용 불가능하다는 점을 인식하여, 구조적으로 유사한 대리 화합물을 찾기 위해 TargetMol 천연물 라이브러리를 검색하였다. 이 단계는 생성된 후보들과 국소적 구조 특징이나 파마코포어를 공유할 수 있는, 실험적으로 접근 가능한 분자들을 찾기 위함이다.
실험적 검증: 6개의 유사성 매칭된 대리 화합물을 대상으로 in vitro VEGFR2 키나아제 억제 분석을 수행하였다.
계산적 사후 분석: 가장 주목할 만한(비록 제한적이지만) 반응을 보인 대리 화합물에 대해, 결합 모드 및 복합체 안정성에 관한 구조적 가설을 생성하기 위해 분자 동역학(MD) 시뮬레이션(100 ns) 및 MM–PBSA 결합 에너지 분석을 수행하였다.

주요 결과

생성 및 스크리닝: MolGPT는 4,992개의 고유 유효 구조를 생성하였다. MOSES 벤치마크 결과 높은 유효성(1.000)과 고유성(0.998), 그리고 0.824의 참신성 점수를 나타냈다. 화학 공간 분석 결과, 생성된 분자들은 참조 데이터셋과 낮은 구조적 유사성(평균 Tanimato 유사도 $T_{cmax} \approx 0.30$ )을 보였으며, 이는 새로운 화학 공간을 탐색했음을 확인시켜 준다.
우선순위 지정: GCN 스크리닝을 통해 522개의 후보가 남았다. 분자 도킹 및 ADMET 필터링을 거쳐 최종적으로 4개의 우선순위 후보(Cpd4, Cpd6, Cpd7, Cpd9)로 압축되었다.
대리 화합물 매칭: 4개의 우선순위 후보에 대해 6개의 상업적으로 이용 가능한 대리 화합물이 식별되었다. 생성된 분자와 대리 화합물 사이의 Tanimato 유사도는 일반적으로 낮았으나(0.25–0.35), 가장 높은 값은 0.57(Cpd4와 prazosin 사이)이었다.
실험적 결과:
- 6개의 대리 화합물 중 5개(prazosin, trimetozine, metacetamol, paroxypropione, tectoquinone)는 유의미한 억제 효과를 보이지 않았다( $IC_{50} > 40,000$ nM).
- 레보폴산(Levomefolic acid) (Cpd9와 매칭됨)은 비단조적(non-monotonic) 농도-반응 프로파일을 보였다. 평균 억제율은 20 µM에서 56.6%로 정점에 도달했다가 40 µM에서 12.8%로 떨어졌다. 결과적으로, 보고된 $IC_{50}$ 값인 9,038 nM은 신뢰할 수 있는 정량적 측정치라기보다 탐색적 추정치로 간주되었다.
레보폴산의 계산적 분석: MD 시뮬레이션 및 MM–PBSA 분석 결과, 레보폴산은 유리한 정전기적 기여와 함께 안정적인 복합체를 형성하였으나, 추정된 결합 에너지( $\Delta G_{bind} \approx -14.2$ kcal/mol)는 참조 억제제인 소라페닙( $\Delta G_{bind} \approx -35.6$ kcal/mol)보다 현저히 낮았다. 또한, 해당 복합체는 소라페닙에 비해 더 큰 구조적 변동(RMSD)을 보였다.

의의 및 주장
본 논문은 이 연구를 새로운 VEGFR2 억제제의 성공적인 발견이라기보다는, 방법론적 탐색으로서의 계산-실험 우선순위 지정 워크플로우를 제시하는 데 주안점을 두고 있다.

워크플로우 검증: 본 연구는 생성형 분자 설계와 유사성 매칭을 통한 실험적 검증을 연결하는 실질적인 전략을 입증하였다. 또한 생성형 AI를 사용하여 전통적인 라이브러리를 넘어 화학 공간을 확장할 수 있는 타당성을 보여주었다.
유사성 매칭의 한계: 연구 결과는 2D 유사성 매칭(ECFP4/Tanimato)이 실험적 검증을 위한 가교로서 갖는 한계를 명확히 보여준다. 생성된 후보와 대리 화합물 사이의 낮은 구조적 유사성, 그리고 대리 화합물에서 재현 가능한 억제 활성이 나타나지 않은 점은 2D 핑거프린트만으로는 활성 전이를 가정할 수 없음을 시사한다.
완곡한 결론: 저자들은 본 연구가 생성된 분자들(Cpd4, Ccp6, Cpd7, Cpd9)의 VEGFR2 억제 활성을 검증하지 않았으며, 유사성 매칭 전략이 활성을 성공적으로 전달했음을 확인하지도 않았다고 명시적으로 밝히고 있다. 레보폴산의 실험 데이터는 비단조적 거동으로 인해 불충분하였다.
향후 방향: 저자들은 향-후 연구가 생성된 후보 물질의 직접적인 합성 및 생물학적 테스트, 3D 형상 및 파마코포어 유사성을 이용한 매칭, 그리고 GCN 모델의 적용 가능 영역(applicability domain)에 대한 경험적 교정에 우선순위를 두어야 한다고 결론지었다.

요약하자면, 이 논문은 생성형 AI와 실험적 스크리닝을 통합하는 구조화된 프레임워크를 제공하지만, 이러한 워크플로우가 신뢰할 수 있는 새로운 치료 후보 물질을 산출하기 위해서는 상당한 방법론적 개선과 직접적인 실험적 검증이 필요하다는 결론을 내리고 있다.

유사한 논문