Multilayered validation of graph attention autoencoder–derived drug repurposing candidates for COVID-19

기술 요약: COVID-19를 위한 그래프 어텐션 오토인코더 유도 약물 재창출 후보 물질의 다층적 검증

문제 정의
SARS-CoV-2의 급격한 출현은 약물 재창출을 통한 치료제 개발 가속화의 절실한 필요성을 부각시켰다. 그래프 기반 방법론을 포함한 계산적 접근 방식이 새로운 약물-질병 연관성을 식별하는 데 유망함을 제공하지만, 본 논문은 단일 분석 방법이 COVID-19의 복잡하고 다면적인 병리 기전을 포착하는 데 종종 실패한다고 주장한다. 이러한 기전은 바이러스 복제, 숙주 면역 반응, 세포 대사 과정을 포괄한다. 결과적으로, 고립된 계산 모델로부터의 예측은 직교 검증(orthogonal validation) 없이는 임상적 전환에 불충분할 수 있다. 본 연구는 계산적으로 예측되었을 뿐만 아니라 실제 세계의 증거와 생물학적 타당성에 의해 뒷받침되는 재창출 후보 물질을 우선순위화하는 과제를 다룬다.

방법론
저자들은 약물 후보를 식별하고 검증하기 위해 세 가지 뚜렷한 단계를 통합하는 종합적이고 다층적인 분석 프레임워크를 개발하였다:

1. 그래프 어텐션 오토인코더(GATE)를 통한 계산적 식별:

   • 지식 그래프 구축: 질병, 약물, 유전자(타겟) 노드로 구성된 Open Targets(버전 24.06) 데이터를 사용하여 이종 지식 그래프를 구축하였다. 그래프에는 분자 상호작용, 타겟-질병 연관성, 약물-타겟 작용 기전, 약물 적응증의 네 가지 엣지 유형이 포함되었다.
   • 모델 아키텍처: Spektral 라이브러리를 사용하여 그래프 어텐션 오토인코더(GATE)를 구현하였다. 인코더는 8개의 어텐션 헤드를 가진 단일 그래프 어텐션 네트워크(GAT) 레이어를 사용하여 노드 임베딩을 학습하였다. 디코더는 완전 연결 계층(fully connected layers)을 통해 입력 노드 특징을 재구성하였다. 모델은 평균 제곱 오차를 최소화하도록 특징 재구성 오토인코더로서 훈련되었다.
   • 후보 선정: 잠재 공간(latent space)에서 "COVID-19" 노드와의 코사인 유사도에 따라 약물 노드의 순위를 매겼다. 상위 순위의 약물을 선택하였으며, 서로 다른 염 형태를 단일 개체로 취급하였다.

2. 실제 세계 증거 검증 (불균형 분석):

   • 데이터 소스: 2020년 1월부터 2022년 3월까지의 FDA 이상사례 보고 시스템(FAERS) 데이터(약 360만 건의 보고서)를 활용하였다.
   • 분석: 후보 약물과 COVID-19 관련 이상사례(AE) 용어(MedDRA High Level Term인 "Coronavirus infections"로 그룹화됨) 사이의 연관성을 평가하기 위해 불균형 분석(Disproportionality Analysis, DPA)을 수행하였다.
   • 지표: 보고 오즈비(Reporting Odds Ratio, ROR)와 95% 신뢰 구간(CI)을 계산하였다. ROR < 1 이고 상위 95% CI 한계가 1 미만인 경우, 해당 약물이 보호 효과가 있거나 COVID-19 관련 AE와 적은 연관성을 가짐을 시사하는 유의미한 역연관성을 나타낸다.

3. 표현형 수준의 생물학적 타당성 (경로 프로파일링):

   • 데이터 소스: 약물 유도 경로 시그니처를 비교하기 위해 LINCS 2020 데이터베이스를 사용하였다.
   • 분석: 상위 후보들의 경로 프로파일을 알려진 COVID-19 치료 후보 및 기타 화합물과 상관관계 분석을 수행하였으며, 이를 위해 피셔의 정확 검정(Fisher's exact test)을 사용하였다.
   • 기전 가설: 약물 처리 후 하향 조절된 경로에 대해 유전자 세트 풍부도 분석(GSEA)을 실시하여 항바이러스 또는 항염증 효과에 관한 기전적 가설을 생성하였다.

주요 결과

• 후보 식별: GATE 모델은 COVID-19와 높은 잠재 공간 유사성을 가진 17개의 약물 후보를 식별하였다. 이 중 13개는 이미 COVID-19 맥락에서 인식되고 있었으며, 이는 알려진 연관성을 회복하는 모델의 능력을 입증한다.
• 신규 후보: COVID-19와의 연관성이 거의 없었던 4개의 후보가 식별되었다: 실라스타틴(cilastatin), 메게스트롤(megestrol), 드로트레코진 알파(drotrecogin alfa), 에타크린산(ethacrynic acid). 이 약물들은 원래의 지식 그래프에 COVID-19와 직접 연결되어 있지 않았으며, 이는 잠재적 연관성을 포착하는 모델의 능력을 보여준다.
• FAERS 검증: 불균형 분석 결과 두 후보에 대해 유의미한 역보고 연관성이 나타났다:
  • 실라스타틴: ROR 0.19 (95% CI: 0.09–0.43).
  • 메게스트롤: ROR 0.63 (95% CI: 0.42–0.94).
  • 드로트레코진 알파와 에타크린산은 FAERS 데이터베이스 내 표본 크기 부족으로 인해 평가할 수 없었다.
• 경로 일치성:
  • 실라스타틴: 아르테수네이트(artesunate) 및 시로리무스(sirolimus)와 같은 확립된 COVID-19 임상 시험 약물과 강한 경로 프로파일 상관관계를 보였다.
  • 메게스트롤: COVID-19 임상 시험을 거친 티아네프틴(tianeptine) 및 페드라티닙(fedratinib)과 같은 화합물과 상관관계를 보였다.
• 실라스타틴에 대한 기전 가설: LINCS 데이터 분석 결과, 실라스타틴 처리는 스플라이싱(splicing), 리보솜 생합성 및 미토콘드리아 대사와 관련된 경로를 하향 조절하는 것으로 나타났다. 저자들은 실라스타틴이 디펩티딜 펩티다제 1(DPEP1)을 억제함으로써 (잠재적으로 PI3K/Akt/mTOR 경로를 통해) SARS-CoV-2가 사용하는 숙주 리보솜을 제한하고, 숙주 스플라이싱 기구와 비구조 단백질 16(NSP16) 사이의 상호작용을 방해하여 항바이러스 및 항염증 효과를 유발할 수 있다는 기전적 가설을 제시한다.

의의 및 주장
본 논문은 자신의 주요 기여가 계산적 예측, 실제 세계의 증거, 그리고 표현형 수준의 경로 프로파일링을 통합하는 다차원적 검증 전략을 개발한 것이라고 주장한다. 저자들은 이 접근 방식이 단일 분석 방법이 제공할 수 없는 실행 가능한 통찰력을 제공한다고 단언한다.

• 프레임워크 검증: 이종 데이터 소스(정적 지식 그래프, 자발적 AE 보고, 동적 유전자 발현 데이터)를 통합하는 것이 확립된 안전 프로파일을 가진 임상 승인 약물의 우선순위 지정에 도움이 됨을 입증한다.
• 후보의 참신함: 실라스타틴과 메게스트롤을 최소한의 사전 주목을 받은 후보로 식별한 것은, GATE 프레임워크가 전통적인 네트워크 분석이 놓칠 수 있는 복잡하고 잠재적인 약물-질병 관계를 밝혀낼 수 있음을 시사한다.
• 가설 생성: 본 연구는 향end preclinical 검증을 안내할 구체적인 기전적 작업 가설(예: 스플라이싱 및 리보솜 생합성에 영향을 미치는 DPEP1 억제)을 제공한다.
• 일반화 가능성: 저자들은 이 프레임워크를 팬데믹 및 미충족 의료 수요가 있는 질병에 대한 빠른 후보 식별을 위한 일반화 가능한 전략으로 제안하며, 승인된 약물을 우선순위화하는 것이 가속화된 임상 평가를 용이하게 할 수 있다고 언급한다.

저자들은 자신의 발견에 대해 겸허한 어조를 유지하며, 프레임워크가 강력한 계산적 및 관찰적 지원을 제공함에도 불구하고 실험적 확인이 필수적임을 명시적으로 밝히고 있다. 그들은 지식 그래프의 데이터 편향, FAERS의 보고 편향, 그리고 인간 조직에서의 SARS-CoV-2 감염 병리 현상을 완전히 반영하지 못할 수 있는 LINCS의 암 세포주 사용 등의 한계를 인정한다. 연구는 향후 작업이 체내(in vivo) 검증 및 임상 시험에 집중되어야 함을 강조하며 결론을 맺는다.