AI가 단백질-리간드 결합을 읽어내다: PBCNet2.0

신약 개발에서 가장 어려운 문제 중 하나는 "이 분자가 표적 단백질에 얼마나 잘 달라붙는가"를 빠르고 정확하게 예측하는 일입니다. 지금까지는 두 갈래 길이 있었습니다. 자유 에너지 섭동법(FEP)처럼 물리 시뮬레이션 기반의 방법은 정확하지만 계산 비용이 막대하고, 딥러닝 기반의 빠른 스코어링 함수는 처리량은 높지만 정확도가 떨어지는 트레이드오프가 있었죠. 최근 Nature Chemical Biology에 발표된 PBCNet2.0 연구는 이 딜레마를 정면으로 겨냥합니다.

기하학을 이해하는 신경망

PBCNet2.0은 단백질-리간드의 상대적 결합 친화도를 예측하기 위한 카르테시안 텐서 기반의 샴 신경망(Siamese neural network)으로, 860만 개의 단백질-리간드 복합체 쌍으로 학습되었으며, 계산 비용이 큰 물리 기반 시뮬레이션과 유사한 수준의 제로샷 정확도를 달성합니다. 기존 버전인 PBCNet 대비 학습 데이터를 대폭 확장하고, 3차원 구조 관계를 등변환(equivariant) 방식으로 자연스럽게 인코딩하는 아키텍처로 전환한 것이 핵심 개선점입니다.

 

성능 측면에서도 인상적인 수치를 보여줍니다. 후향적 우선순위 선정 실험에서 PBCNet2.0은 최적화 효율을 7.18배 향상시키고 자원 사용량을 41% 절감했습니다. 신약 후보 물질을 스크리닝하고 최적화하는 실제 연구 파이프라인에서, 이는 단순한 정확도 향상을 넘어 연구 사이클 자체를 단축시킬 수 있다는 의미입니다.

해석 가능성과 예상치 못한 능력

이 모델이 특히 주목받는 이유는 단순히 숫자를 잘 맞히는 것을 넘어, "왜" 그런 예측을 하는지 설명할 수 있다는 점입니다. 기전 분석에 따르면 이 모델은 분자간 상호작용을 포착하고 공간적 기하 제약을 인코딩하여, 불소의 직교 다극성 상호작용과 같은 미묘한 효과에도 민감하게 반응합니다. 이는 블랙박스로 여겨지던 딥러닝 모델이 실제 화학적 직관과 맞아떨어지는 방식으로 작동하고 있음을 보여주는 대목입니다.

 

더 흥미로운 것은 예상치 못한 '창발적 능력(emergent capability)'입니다. 돌연변이 데이터로 학습되지 않았음에도 불구하고, PBCNet2.0은 결합 포켓 잔기 변이로 인한 친화도 변화를 예측하는 창발적 능력을 보이며, 이는 내성 분석을 지원할 수 있습니다.

 

즉, 특정 변이가 약물 저항성을 유발할지 여부를 미리 가늠해볼 수 있다는 뜻으로, 항암제나 항생제 내성 연구에 실질적인 도움이 될 수 있습니다.

 

관련글 : [IT박사] 브레이브 레오 AI - 특징, 사용방법, 개인정보보호 등

[IT박사] 브레이브 레오 AI - 특징, 사용방법, 개인정보보호 등

 

실전 검증: ENPP1과 ALDH1B1

연구팀은 이론에 그치지 않고 실제 표적 단백질에 이 모델을 적용해 검증했습니다. ENPP1과 ALDH1B1 두 표적에 대해 전향적으로 검증한 결과, PBCNet2.0은 미묘한 분자 상호작용과 형태적 차이에서 비롯된 친화도 변화를 성공적으로 식별했고, 83%의 적중률로 핵심 결합 잔기를 짚어냈습니다. 실험실에서의 실제 분자 프로브 개발과 리드 최적화 시나리오에서 이 접근법의 실용성을 입증한 셈입니다.

왜 중요한가

기존의 AI 신약 설계 도구들은 '빠르지만 대략적'이거나 '정확하지만 느린' 양극단에 머물러 있었습니다. PBCNet2.0은 이 둘 사이의 간극을 실질적으로 좁히면서, 동시에 연구자가 결과를 신뢰하고 해석할 수 있는 근거까지 제공합니다. 특히 인체 유전체 내 아직 충분히 연구되지 않은 수많은 단백질에 대한 분자 프로브 개발을 가속화할 수 있다는 점에서, 이 연구는 단일 도구를 넘어 신약 발굴 워크플로우 전반의 패러다임 전환 가능성을 시사합니다.