🧬 생물학

Integrated Machine Learning and Structure-Based Computational Prioritization of KIF11 Inhibitor Candidates for CNS-Oriented Drug Discovery

본 연구는 중추신경계 지향적 종양 신약 개발을 위해 높은 예측 효능과 혈뇌장벽 투과성을 가진 다섯 가지 구조적으로 다양한 KIF11 억제제 후보 물질을 성공적으로 우선순위화한 통합 머신러닝 및 구조 기반 계산 워크플로를 제시한다.

원저자: Sourajyoti Goswami, Puspita Roy, Shouvik Kumar Nandy

게시일 2026-09-29

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sourajyoti Goswami, Puspita Roy, Shouvik Kumar Nandy

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

암은 세포가 멈추지 않고 분열하는 통제 불능의 성장의 질환입니다. 이러한 폭주 과정을 저지하기 위해, 과학자들은 종종 세포가 둘로 나누어지는 것을 가능하게 하는 기계적 장치를 방해할 방법을 찾습니다. 이 기계의 중요한 부품 중 하나는 KIF11이라 불리는 단백질로, 이는 세포 분열에 필요한 내부 골격을 조직하는 분자 모터 역할을 합니다. 이 단백질이 차단되면 세포는 제대로 분열할 수 없게 되고 결국 사멸합니다. 이는 KIF11을 새로운 항암제의 유망한 표적으로 만듭니다. 하지만 교모세포종과 같이 뇌에서 발생하는 암을 치료하는 것은 독특한 과제를 안겨줍니다. 뇌는 대부분의 물질을 차단하는 생물학적 장벽에 의해 보호되고 있으며, 이는 약물이 종양에 도달하기 위해 이 벽을 통과할 수 있도록 특수하게 설계되어야 함을 의미합니다. 암을 멈출 만큼 강력하면서도 뇌에 들어갈 수 있을 만큼 작은 분자를 찾는 것은 연구자들에게 어려운 균형 잡기입니다.

최근 한 연구에서 인도 출신의 과학자 팀은 이 문제를 해결할 수 있는 잠재적 약물을 찾기 위한 새로운 컴퓨터 기반 전략을 개발했습니다. 실험실에서 수천 개의 화학 물질을 하나씩 직접 테스트하는 대신(이는 느리고 비용이 많이 듭니다), 그들은 다양한 분자가 KIF11 단백질과 어떻게 상호작용할지 시뮬레이션하기 위해 고급 컴퓨터 프로그램을 사용했습니다. 연구진은 다양한 화학 물질이 KIF11에 어떤 영향을 미치는지에 대한 기존 데이터를 대량으로 수집한 후, 정보가 정확하고 일관되도록 데이터를 정제했습니다. 그런 다음 컴퓨터 시스템이 분자의 형태와 화학적 특성에서 패턴을 인식하도록 학습시켰으며, 이를 통해 시스템이 효과적인 억제제가 될 수 있는 새로운 미검증 화학 물질을 예측할 수 있게 했습니다. 예측의 신뢰성을 확보하기 위해, 그들은 컴퓨터가 한 그룹의 화학 물질로부터 학습하고 이전에 본 적이 없는 완전히 다른 그룹을 대상으로 테스트하는 엄격한 방법을 사용했는데, 이는 시스템이 단순히 정답을 암기하는 것을 방지하기 위함이었습니다.

컴퓨터 모델은 몇몇 유망한 후보들을 성공적으로 식별해 냈지만, 연구진은 여기서 멈추지 않았습니다. 그들은 이 분자들이 실제로 기능을 수행하기 위해 결합해야 하는 KIF11 단백질의 특정 포켓(pocket)에 들어맞을 수 있는지 알고 싶었습니다. 연구진은 '분자 도킹(molecular docking)'이라 불리는 기술을 사용하여, 상위 후보들과 단백질 구조 사이의 물리적 상호작용을 시뮬레이션했습니다. 이 과정은 열쇠가 자물쇠에 맞는지 확인하는 것과 같지만, 전적으로 컴퓨터 내에서 이루어집니다. 시뮬레이션 결과, 선택된 분자들이 단백질의 올바른 위치에 자리 잡을 수 있음을 보여주었습니다. 연구팀은 또한 이 분자들이 혈액-뇌 장벽을 통과하여 뇌에 도달할 수 있는지, 그리고 인체에 안전할지를 확인하기 위해 점검을 실시했습니다. 그들은 상위 후보들이 뇌로 들어갈 확률이 매우 높다는 것을 발견했는데, 이는 뇌종양 치료를 위한 필수 요구 사항입니다.

식별된 분자들 중 하나가 가장 유망한 것으로 꼽혔습니다. CHEMBL392148이라는 코드로 알려진 이 화합물은 KIF11 단백질을 멈추는 데 매우 효과적일 것으로 예측되었으며, 뇌로 통과할 가능성도 매우 뛰어났습니다. 연구진은 또한 이 분자와 다른 분자들의 화학적 구조를 면밀히 살펴보고, 독성이 있거나 불안정한 것으로 알려진 부분이 포함되지 않았는지 확인했습니다. 한 후보가 특정 화학적 특징과 관련하여 작은 경고 신호를 보이기도 했으나, 최우선 순위의 선택지는 컴퓨터 모델을 기준으로 깨끗하고 안전한 것으로 나타났습니다. 연구팀은 또한 잠재적인 안전 문제를 강조했는데, 상위 5개의 후보 모두가 심장의 전기 체계에 영향을 줄 수 있다는 신호를 보였으며, 이는 인간에게 사용하기 전 실제 실험실에서 테스트가 필요한 위험 요소입니다.

연구진은 이러한 결과가 완성된 제품이 아니라 시작점임을 강조합니다. 그들이 식별한 분자들은 여전히 컴퓨터상의 예측일 뿐입니다. 다음 단계는 이 화학 물질들을 실험실에서 합성하고 실제 단백질 및 세포에 테스트하여 컴퓨터가 예측한 대로 작동하는지 확인하는 것입니다. 이 연구는 명확하고 합리적인 경로를 제시하며, 추가 조사가 가치가 있는 구체적인 화학 구조 목록을 제공합니다. 머신러닝과 상세한 구조 분석을 결리함으로써, 연구팀은 새로운 뇌암 치료제 탐색 과정을 소수의 고품질 후보군으로 좁혀, 가장 가능성 높은 해결책에 집중함으로써 시간과 자원을 절약했습니다.

기술 요약: CNS 지향적 약물 발견을 위한 KIF11 억제제 후보 물질의 통합 머신러닝 및 구조 기반 계산 우선순위 결정

문제 정의
교모세포종(GBM)은 그 공격적인 성격, 치료 저항성, 제한된 치료 효능으로 인해 종양학 분야에서 여전히 큰 과제로 남아 있다. Kinesin Family Member 11 (KIF11/Eg5)은 양극 방추사 조립을 방해함으로써 항미토틱(antimitotic) 치료를 위한 검증된 표적이지만, CNS 지향적 약물 발견을 위해 혈액-뇌 장벽(BBB)을 통과할 수 있는 새로운 억제제를 식별하기 위해서는 엄격한 계산 전략이 필요하다. 본 연구는 머신러닝(ML)과 구조 기반 방법을 통합하여 예측된 CNS 투과성을 가진 KIF11 억제제를 우선순위화함으로써 실험적 테스트를 위한 화학적 공간을 줄이는 문제를 다룬다.

방법론
본 연구는 체계적인 다단계 계산 워크플로우를 채택하였다:

데이터 큐레이션 및 분할:
- ChEMBL(대상 CHEMBL4581)로부터 1,817개의 KIF11 활성 기록을 검색하였다.
- 엄격한 큐레이션 기준을 적용하였다: 정확한 IC50 측정값 유지, "전형적 범위를 벗어남" 경고 제거, 돌연변이 특이적 분석 제외, 그리고 타겟 수준의 생화학적 엔드포인트를 보장하기 위해 세포 기반 분석 제거.
- 최종 큐레이션된 데이터셋은 831개의 고유 화합물(pIC50 범위: 4.046–9.854)로 구성되었다.
- 데이터셋은 모델 개발 전에 훈련 세트(654개 화합물)와 잠금된 외부 테스트 세트(177개 화합물)로 분할되었다. 결정적으로, 이 분할은 스캐폴드 불일치(Bemis–Murcko scaffolds) 방식을 사용하여, 화학적 시리즈 누출(chemical-series leakage)을 방지하기 위해 훈련 세트와 테스트 세트 간에 공유되는 스캐폴드가 없도록 하였다.
QSAR 모델링 및 검증:
- 기술자(Descriptors): 11개의 물리화학적 기술자와 2048비트 ECFP4(Extended Connectivity Fingerprint 4) 분자 핑거프린트를 생성하였다.
- 알고리즘: 하이브리드, 기술자 전용, 핑거프린트 전용 표현법을 사용하여 Random Forest (RF), Extra Trees (ET), Histogram-based Gradient Boosting (HGB)을 평가하였다.
- 검증 전략:
  - 스캐폴드 인지 교차 검증: 동일한 스캐폴드를 공유하는 화합물이 동일한 폴드 내에 머물도록 보장하였다.
  - 중첩 스캐폴드 교차 검증: 모델 선택과 성능 추정을 분리하여 보수적인 내부 추정치를 제공하였다.
  - Y-무작위화(Y-randomization): 우연한 상관관계를 배제하기 위해 10회 반복 수행하였다.
  - 적용 영역(Applicability Domain, AD): 화학적 공간 커버리지를 평가하기 위해 Morgan ECFP4 Tanimoto 유사도(임계값: 0.5701)를 사용하여 정의하였다.
  - 잠금된 외부 검증: 최종 확정된 모델을 추가 최적화 없이 177개의 독립적인 화합물에 적용하였다.
가상 스크리닝 및 구조 기반 분석:
- QSAR 모델은 외부 세트에 대한 pIC50 값을 예측하였다.
- 다양성 기반 선택(탐욕 알고리즘, max Tanimoto similarity < 0.70)을 통해 20개의 고잠재력 후보 물질을 식별하였다.
- 분자 도킹: 인간 KIF11 (PDB ID: 2WOG)을 대상으로 AutoDock Vina 1.2.7을 사용하여 수행되었다. 프로토콜은 공결정화된 리간드인 STLC를 재도킹함으로써 검증되었다. 리간드 대칭성 및 샘플링 제한으로 인해 정확한 결정 구조 포즈(RMSD < 2 Å)를 재현하지는 못했으나, 도킹은 실험적으로 정의된 결합 포켓 내에 리간드를 성공적으로 위치시켰다.
- 상호작로 프로파일링: 도킹된 포즈로부터 5 Å 이내의 잔기들을 분석하여 공통적인 상호작용 패턴을 식별하였다.
ADMET 및 약물 유사성 프로파일링:
- 5개의 상위 후보 물질에 대해 BBB 투과성, 생체 이용률, P-glycoprotein 활성, CYP450 상호작용 및 독성 엔드포인트(hERG, AMES, DILI 등)에 초점을 맞춘 ADMET-AI를 이용한 종합적인 ADMET 예측을 수행하였다.
- 구조적 경고(PAINS, BRENK, NIH) 및 약물 유사성 지표(QED, Lipinski 규칙)를 적용하였다.
- 대표적인 복합체(KIF11–CHEMBL195232)에 대해 1 ns 용매 완화(solvent-relaxation) MD 시뮬레이션을 수행하여 구조적 안정성을 평가하였으며, 이는 보충 정보에 별도로 보고되었다.

주요 결과

모델 성능:
- 하이브리드 모델(기술자와 ECFP4 결합)이 기술자 전용 모델보다 우수한 성능을 보였다. 하이브리드 Extra Trees 모델이 가장 우수한 베이스라인 성능( $R^2$ = 0.5985)을 달성하였다.
- 중첩 스캐폴드 교차 검증: 엄격한 내부 검증 결과 $R^2$ = 0.5471, RMSE = 0.9021, MAE = 0.7040을 얻었다.
- 잠금된 외부 검증: 독립적인 테스트 세트는 $R^2$ = 0.2671, RMSE = 0.8754, MAE = 0.7384를 나타냈다. 낮은 외부 $R^2$ 값은 화학적으로 구별되는 스캐폴드에 대한 예측의 어려움과 정의된 적용 영역 내에 외부 화합물의 48%만이 포함되었음을 반영한다.
- Y-무작위화: 무작위화된 모델은 음수의 $R^2$ 값(평균 -0.3593)을 생성하였으며, 이는 모델이 우연한 상관관계가 아닌 실제 구조-활성 관계를 포착하고 있음을 확인시켜 준다.
우선순위 선정 후보 물질:
QSAR 예측, 도킹 점수, AD 유사성, ADMET 프로파일을 결합한 통합 점수를 바탕으로 다섯 가지의 구조적으로 다양한 화합물을 우선순위화하였다:
1. CHEMBL392148: 가장 높은 예측 효능(pIC50 = 7.75; IC50 ≈ 17.77 nM), 가장 높은 BBB 확률(0.98), 구조적 경고 없음.
2. CHEMBL1086410: 가장 유리한 도킹 점수(-9.882 kcal/mol) 및 높은 BBB 확률(0.92).
3. CHEMBL383402: 가장 높은 AD 유사성(0.80)을 가졌으나, 하나의 BRENK 경고(지방족 긴 사슬)를 포함함.
4. CHEMBL400042: 가장 높은 QED(0.87) 및 균형 잡힌 물리화학적 프로파일.
5. CHEMBL1085666: 높은 생체 이용률 예측 및 유리한 약물 유사성.
도킹 상호작용:
모든 우선순위 화합물은 STLC 결합 포켓을 점유하였다. 반복적인 상호작용은 Arg119, Glu116, Tyr211, Leu214, Ala218, Arg221 잔기에서 관찰되었다.
ADMET 결과:
다섯 후보 물질 모두 높은 예측 BBB 투과 확률(0.91–0.98)과 경구 생체 이용률을 보였다. 그러나 다섯 후보 모두에서 일관된 hERG 독성 위험 신호(확률 0.71–0.96)가 관찰되었으며, 이는 실험적 검증이 필요한 잠재적 심장 안전성 위험을 나타낸다.

의의 및 주장
본 논문은 CNS 종양학을 위해 특별히 설계된 KIF11 억제제 발견을 위한 합리적인 계산적 출발점을 제공한다고 주장한다. 본 연구는 식별된 화합물들이 계산적으로 우선순위가 지정된 후보이지, 실험적으로 확인된 억제제는 아님을 강조한다.

주요 기여 사항은 다음과 같다:

화학적 시리즈 누출을 최소 최소화하고 엄격한 외부 검증 프레임워크를 제공하는 견고한 스캐폴드 인지 QSAR 워크플로우 개발.
리간드 기반(QSAR) 및 구조 기반(도킹) 접근법을 CNS 투과성을 위한 ADMET 프로파일링과 통합.
다중 계산 기준 및 BBB 투과성을 충족하는 다섯 가지 특정 화학 물질(CHEMBL392148 주도)의 식별.

저자들은 본 연구가 실험적인 억제 활성이나 안전성을 확립하는 것이 아님을 명시적으로 밝히고 있다. 예측된 hERG 독성 및 결정 구조 포즈를 재현하지 못한 도킹 프로토콜의 한계는 실험적 검증이 필요한 핵심 영역으로 강조된다. 본 연구는 생화학적 억제 분석, GBM 모델에서의 세포 평가 및 약동학 연구를 위한 가설 생성 프레임워크 역할을 한다.

유사한 논문