약물 특이성 향상을 위한 분자 최적화 방법론 제시
SpecOpt: Contact-Diff Reasoning for Agentic Molecule Optimization Toward Binding Specificity
arXiv기존 약물의 구조적 특성을 유지하면서 특정 목표 단백질에 대한 결합력을 비표적(off-target) 대비 높이는 '특이성 최적화(SpecOpt)' 방법을 개발했습니다.
- 개발된 에이전트 프레임워크를 통해 915개 화합물 중 84.8%에서 목표와 비표적 간의 결합력 차이를 성공적으로 개선하여 평균값을 크게 끌어올렸습니다.
- 신약 개발 과정에서 약물의 안전성과 효능을 동시에 확보하는 것이 중요하며, 본 연구는 기존 물질의 선택성을 높이는 새로운 설계 패러다임을 제시합니다.
- 특이성 개선에 결정적인 최적화 신호는 단순 접촉 여부가 아닌, 잔기(residue) 고유 정보를 활용한 '차별 상호작용' 정보임이 입증되었습니다.
본 연구는 소분자 약물의 주요 부작용 원인 중 하나인 비표적 단백질 결합 문제를 해결하기 위해 '특이성 최적화(SpecOpt)'라는 분자 설계 과제를 도입했습니다. SpecOpt는 기존 화합물의 구조적 정체성을 유지하면서, 의도된 목표물에 대한 결합 선호도를 알려진 비표적 대비 높이는 것을 목표로 합니다. 체계적인 평가를 위해 ChEMBL 기반의 가 구축되었으며, 이를 통해 목표 단백질과 비표적 단백질 간의 상호작용 데이터를 확보했습니다.
연구팀은 프레임워크를 개발하여 각 화합물을 목표물 및 비표적에 도킹시키고, 잔기(residue) 인식 원자-단백질 접촉을 통해 결과 포즈를 비교합니다. 이 차별적인 상호작용 정보는 (LLM)에 제공되어 표적화된 구조 변형을 제안받습니다. 최종 후보 물질은 분자 유사성, ADMET 특성, 그리고 목표물-비표적 도킹 선택성 기준을 모두 충족해야 합니다.
이 프레임워크를 915개 화합물에 적용한 결과, 에이전트는 84.8%의 화합물에서 목표-비표적 결합 간극(binding gap)을 개선했습니다. 평균 결합 간극은 -0.72 kcal/mol에서 +0.47 kcal/mol로 이동했으며, 시작 화합물 대비 평균 Tanimoto 유사성은 0.72를 유지했습니다. 특히, 잔기 고유 정보를 활용한 접촉 정보가 최적화에 결정적인 신호임을 확인했습니다.
용어 풀이
- 벤치마크
- 모델 성능을 같은 조건에서 비교하려고 만든 시험 문제 모음.
- 에이전트
- 목표를 받으면 스스로 계획을 세우고 도구를 써서 여러 단계의 작업을 해내는 AI.
- 대규모 언어 모델
- 방대한 글을 학습해 문장을 이해하고 만들어 내는 AI 모델. ChatGPT, Claude, Gemini가 여기에 속해요.