GIST, 구조 실험 없이 약물 결합력 예측

광주과학기술원(GIST) 이현주 AI학과 교수팀이 단백질과 약물의 결합 구조를 실험으로 확인하지 않고도 신약 후보물질의 표적 단백질 결합 친화도를 예측하는 인공지능 모델 ‘알파 DTA’를 개발했다. 결합 친화도는 약물이 목표 단백질에 얼마나 강하고 안정적으로 달라붙는지를 보여주는 지표로, 값이 높을수록 효과적인 신약 후보로 평가된다.

알파 DTA는 구글 딥마인드의 단백질 구조 예측 모델 ‘알파폴드3’가 만든 단백질·약물 복합체의 3차원 구조와 구조 예측 과정에서 생성된 내부 표현 정보를 함께 분석한다. 내부 표현은 두 물질 각각의 화학·구조적 특징을 담은 단일 정보와 관계·상호작용을 나타내는 쌍 정보로 구성된다. 연구팀은 이를 처리하는 다중 해상도 인코더에 3차원 구조를 분석하는 기하 인코더를 결합했다.

기존 결합 친화도 예측 기술은 서열 기반과 구조 기반 방식으로 나뉜다. 서열 기반 방식은 활용할 수 있는 데이터가 많지만 실제 결합 형태를 반영하지 못해 정확도가 낮아질 수 있다. 실험으로 규명한 복합체의 3차원 구조를 사용하는 구조 기반 방식은 정확도가 높은 대신 확보된 구조 데이터가 매우 적다는 제약이 있다. 연구팀은 알파폴드3의 구조 예측 결과뿐 아니라 그 과정에서 형성되는 내부 정보까지 활용해 두 방식의 한계를 보완했다.

성능 평가에서 알파 DTA는 서열 기반 방식보다 높은 예측력을 보였고, 실험 구조 데이터 없이도 기존 구조 기반 방식과 대등한 수준을 나타냈다. 구조 데이터가 부족한 신약 후보물질에서도 높은 성능을 유지했다. 이 기술은 다양한 표적 단백질에 결합할 유망 후보를 효율적으로 가려내 신약 개발에 드는 기간과 비용을 줄이고, 기존 약물의 새로운 용도를 찾는 약물 재창출 연구에도 활용될 가능성이 있다.