광주과학기술원(GIST·총장 임기철)은 이현주 AI학과 교수팀이 실험으로 단백질-약물 결합 구조를 확인하지 않아도 신약 후보물질의 표적 단백질 결합 친화도를 예측할 수 있는 인공지능(AI) 모델 '알파 DTA'를 개발했다고 6일 밝혔다.
결합 친화도는 약물이 목표 단백질에 얼마나 강하게 안정적으로 달라붙는지를 나타내는 지표다. 이 값이 높을수록 효과적인 신약 후보로 평가한다.
지금까지 약물과 단백질의 결합 친화도를 예측하는 AI 기술은 크게 서열 기반과 구조 기반 두 가지 방식으로 발전해 왔다. 단백질과 약물의 서열 정보만 이용하는 서열 기반 방식은 활용 가능한 데이터가 많지만 실제 결합 형태를 반영하지 못해 정확도가 떨어질 수 있다.
반면 실험으로 규명된 단백질-약물 복합체의 3차원(3D) 구조를 활용하는 구조 기반 방식은 정확도가 높지만, 실험으로 확보된 구조 데이터 가 매우 부족하다는 한계가 있었다.
연구팀은 기존 세계 최고 수준의 AI 단백질 구조 예측 모델인 '알파폴드3'가 단백질과 약물의 결합 구조를 예측하는 과정에서 생성하는 내부 표현 정보에 주목했다. 내부 표현 정보는 AI가 단백질과 약물의 화학·구조적 특징을 학습할 수 있도록 숫자로 표현한 정보로 단백질과 약물 각각의 특징을 담은 단일 표현 정보와 두 물질의 관계와 상호작용을 담은 쌍 표현 정보로 구성된다.
연구팀은 단일·쌍 표현 정보를 분석하는 다중 해상도 인코더와 단백질-약물 복합체의 3D 구조 정보를 분석하는 기하 인코더를 결합한 AI 모델 '알파 DTA'를 개발했다. 알파 DTA는 구글 딥마인드의 AI 단백질 구조 예측 모델인 알파폴드3가 예측한 단백질-약물 복합체의 3D 구조와 구조를 예측하는 과정에서 생성되는 내부 표현 정보를 함께 활용해 결합 친화도를 예측한다.
알파 DTA는 서열 기반 방식보다 높은 예측 성능을 보였으며, 실험으로 확보한 구조 데이터가 없어도 기존 구조 기반 방식과 대등한 수준의 예측 성능을 나타냈다. 실험으로 확보한 구조 데이터가 부족한 신약 후보물질에 대해서도 높은 예측 성능을 유지한다. 신약 후보물질 선별의 효율을 높이고 신약 개발 기간과 비용을 줄이는 것은 물론, 약물 재창출 연구에도 폭넓게 활용될 것으로 기대한다.
이현주 교수는 “이번 연구는 실험으로 단백질-약물 결합 구조를 확인하지 않아도 신약 후보물질의 결합 친화도를 높은 정확도로 예측할 수 있다는 점에서 의미가 있다”며 “구조 데이터가 부족한 다양한 표적 단백질에 대해 유망한 후보물질을 효율적으로 선별하고, 신약 개발의 속도와 효율을 높이는 데 기여할 것으로 기대한다”고 말했다.
전남광주=김한식 기자 hskim@etnews.com
