Leakage-aware retrospective validation of a GWAS-informed drug repurposing pipeline for IgA nephropathy
본 연구는 계산 기반 약물 재창출에서 시간적 무결성을 보장하기 위해 누출 인지형 회고적 검증 프로토콜을 도입하여 이를 IgA 신병증에 적용함으로써, 승인 후 데이터베이스 업데이트로 인한 위양성을 필터링하는 동시에 알려진 유효 약물들을 성공적으로 식별하고 LYN 키나아제 및 TGF-베타 억제제를 포함한 15가지의 새로운 후보 물질을 제안하였다.
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
현대 의학의 광활한 풍경 속에서 지속적인 과제는 기존 약물의 새로운 용도를 찾는 것입니다. '약물 재창출(drug repurposing)'이라 불리는 이 관행은 현재 효과적인 치료법이 거의 없거나 전혀 없는 질병을 치료하기 위한 지름길을 제공합니다. 처음부터 새로운 분자를 발명하는 대신—이는 10년의 시간과 수십억 달러의 비용이 들 수 있습니다—과학자들은 이미 다른 질환에 승인된 약물을 살펴보고, 이것이 다른 질병에도 효과가 있을지 자문합니다. 이러한 숨겨진 연결 고리를 찾기 위해 연구자들은 종종 계산 생물학(computational biology)에 의존합니다. 그들은 유전자, 단백로, 약물을 서로 연결하는 거대한 디지털 지도를 구축합니다. 이 지도상의 경로를 추적함으로써, 컴퓨터는 기존의 어떤 약물이 질병을 일으키는 특정 생물학적 기제와 상호작용할 수 있을지 예측할 수 있습니다. 그러나 이 과정에는 미묘한 함정이 존재합니다. 만약 디지털 지도가 약물이 이미 승인된 후에 업데이트된다면, 컴퓨터는 실제로는 사후에 추가된 라벨을 단순히 읽었을 뿐임에도 불구하고 마치 약물의 성공을 예측한 것처럼 보일 수 있습니다. 이는 방법론이 매우 뛰어나 보이지만 실제로는 정답지를 암기해 버린 것에 불과한, 가짜 확신을 만들어냅니다.
하니프 라만(Hanif Rahman)이라는 연구자는 이러한 문제를 해결하기 위해 계산 도구를 이가 nephropathy(IgA 신병증)에 적용했습니다. 이 병은 특히 동아시아에서 신부전의 주요 원인이 되는 질환입니다. 이 질환은 신체의 면역 체계가 비정상적인 항체를 생성하여 신장의 미세한 필터를 막고 손상시킬 때 발생합니다. 2021년 이후 이 질환에 대해 다섯 가지의 신약이 승인되었지만, 그중 어떤 것도 신부전으로 이어지는 흉터(반흔)를 되돌릴 수는 없으며, 많은 환자가 여전히 투석이 필요한 단계로 진행됩니다. 신장 질환 분야는 최근의 인공지능 신약 개발 열풍에서 대체로 소외되어 왔으며, 이로 인해 가용 가능한 유전 데이터와 잠재적 치료제 사이의 간극이 존재합니다. 라만은 새로운 후보 물질을 찾기 위해 컴퓨터 파이프라인을 구축하고자 했으나, 결정적인 차이점을 두었습니다. 그는 시스템이 사후에 업데이트된 데이터로 인해 발생하는 '데이터 누수(data leakage)'로부터 면역력을 갖도록 설계했습니다.
결과의 진위성을 보장하기 위해, 라만은 컴퓨터 모델에 엄격한 규칙을 적용했습니다. 그는 시스템이 '발견'했다고 주장하는 모든 약물이 반드시 2나의 승인 이전에 존재했던, 즉 2020년 3월의 데이터베이스 스냅샷에 포함된 정보에만 의존해야 한다고 규정했습니다. 만약 어떤 약물과 질병 사이의 연결 고리가 2020년 이후에 데이터베이스에 추가된 것이라면, 컴퓨터는 이를 성공으로 카운트할 수 없었습니다. 이 접근 방식은 마치 타임머신처럼 작동하여, 모델이 사후 확신에 의존하는 대신 당시 가용했던 지식만을 사용하여 약물을 찾아낼 수 있음을 증명하도록 강제했습니다. 모델이 이미 효능이 알려진 약물들을 대상으로 테스트했을 때, 아트라센탄(atrasentan)과 포스태마티닙(fostamatinib) 두 가지를 성공적으로 식별해 냈는데, 이는 해당 약물들과 질병 사이의 연결 고리가 컷오프 날짜 이전에 이미 잘 확립되어 있었기 때문입니다. 그러나 모델이 가장 높게 평가한 성공 사례인 스파센탄(sparsentan)은 즉시 탈락했습니다. 컴퓨터가 스파서텐을 찾아낸 이유는 이미 약물이 승인된 후 데이터베이스에 그 표적 정보가 업데이트되었기 때문이었습니다. 이 '백필(backfill)' 데이터를 제거함으로써, 이 파이프라인은 단순히 최근의 뉴스를 암기하는 것이 아니라 실제로 질병의 생물학적 구조를 분석하고 있음을 입증했습니다.
이러한 '시간 여행 오류'를 제거한 후, 시스템은 새로운 가능성들의 목록을 생성하기 시작했습니다. 연구진은 최적의 후보를 찾기 위해 네 가지 서로 다른 방법을 결합했습니다. 첫째, 그들은 질병의 유전적 뿌리를 조사하여 신부전 위험을 높이는 인간 DNA의 특정 위치 30곳을 식별했습니다. 그다음, 이 유전적 위치들을 상호작용하는 단백질 네트워크에 매핑하여 어떤 약물이 문제 지점에 가장 가까운지 확인했습니다. 이를 유전적 연관 점수와 교차 참조하였으며, 수천 개의 생물학적 엔티티 간의 관계를 학습하는 그래프 신경망(graph neural network)이라는 정교한 유형의 인공지능을 사용했습니다. 마지막으로, 이들은 이 약물들 중 어떤 것이 손상된 신장 조직에서 나타나는 특정한 유전자 활성 패턴을 역전시킬 수 있는지 확인했습니다.
그 결과, 이가 nephropathy에 대해 한 번도 테스트된 적이 없는 15가지의 유망한 약물 목록이 도출되었습니다. 이 과정에서 가장 설득력 있는 후보로 떠오른 것은 특발성 폐섬유증이라는 폐 질환 치료제로 이미 승인된 약물인 닌테다닙(nintedanib)이었습니다. 닌테다닙이 눈에 띈 이유는 이 질환과 관련된 두 가지 주요 표적을 타격하기 때문입니다. 즉, 면역 체계의 과잉 반응의 중심인 LYN 단백질을 차단하며, 동시에 신장 조직의 흉터를 유발하는 경로를 억제합니다. 컴퓨터 모델은 네 가지 방법 모두에서 닌테다닙에 높은 점수를 부여했으며, 별도의 화학 구조 검사에서도 이 약물이 표적 단백질의 활성 부위에 완벽하게 들어맞는다는 것을 보여주었습니다. 더욱이, 최근의 한 의학 사례 보고에 따르면 폐 질환으로 닌테다닙을 복용하던 환자가 이가 nephropathy와 일치하는 양상의 신장 염증을 보였다는 점은, 이 약물이 신장에 도달하여 적절한 생물학적 작용을 수행하고 있음을 시사합니다(비록 치료적 이점은 아직 입증되지 않았더라도 말입니다).
또 다른 강력한 후보는 현재 다른 질환에 대해 임상 시험 중인 TGF-beta 단백질을 표적으로 하는 F351입니다. 이 단백질은 신장 기능을 파괴하는 섬유화(흉터 형성)의 주요 동력입니다. 현재 이가 nephropathy에 승인된 약물 중 어느 것도 이러한 흉터 과정을 직접적으로 멈추지 못한다는 점에서, F351은 여전히 해결되지 않은 문제에 대한 독특한 잠재적 해결책이 됩니다. 또한 연구는 LYN 단백질을 차단하는 다른 약물 군을 강조하며, 면역 체계의 이 특정 부분을 표적으로 삼는 것이 현재의 치료법보다 더 효과적일 수 있음을 시사했습니다.
연구진은 이들이 제시하는 것이 의료적 완치제가 아닌 컴퓨터가 생성한 예측임을 강조하기 위해 주의를 기울였습니다. 이 연구는 환자나 살아있는 동물에게 약물을 테스트하는 과정을 포함하지 않았으며, 기존의 공개 데이터를 활용한 엄격한 분석이었습니다. 결과에 대한 신뢰는 서로 다른 유형의 데이터를 사용하는 네 가지 서로 다른 계산 방법이 모두 동일한 약물 그룹을 가리키고 있다는 사실에서 비롯됩니다. 또한 본 연구는 '누수 방지(leakage-aware)' 규칙이 없었다면, 시스템이 가장 명백한 최근의 성공 사례들을 잘못 찾아내어 실제 예측 능력을 가렸을 것임을 입증했습니다. 사후에 추가된 데이터를 걸러냄으로써, 파이프라인은 실질적인 현장 테스트를 위한 준비가 된 15개의 후보군을 드러냈습니다. 앞으로의 경로는 이 컴퓨터의 제안들을 실험실로 가져가, 그것들이 실제로 임상에서 신부전의 진행을 막을 수 있는지 확인하는 과정이 될 것입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.