알파폴드3 내부 정보로 신약 후보 예측 정밀화

광주과학기술원(GIST) AI학과 이현주 교수 연구팀이 실험으로 단백질과 약물의 결합 구조를 확인하지 않고도 신약 후보물질의 결합 친화도를 예측하는 인공지능 모델 ‘알파 DTA(AlphaDTA)’를 개발했다. 결합 친화도는 약물이 표적 단백질에 얼마나 강하고 안정적으로 붙는지를 나타내며, 값이 높을수록 효과적인 신약 후보로 평가된다.

알파 DTA는 구글 딥마인드의 단백질 구조 예측 모델 알파폴드3에 단백질 서열과 약물 정보를 입력해 얻은 복합체의 3차원 구조와 예측 과정에서 생성된 내부 표현 정보를 함께 분석한다. 내부 표현 가운데 단일·쌍 표현은 다중 해상도 인코더가 처리하고, 단백질과 약물 복합체의 3차원 구조는 기하 인코더가 분석하도록 설계됐다.

기존 결합 친화도 예측 기술은 단백질과 약물의 서열 정보를 이용하는 방식과 결합 구조를 활용하는 방식으로 발전해 왔다. 서열 기반 방식은 예측 정확도에 한계가 있었고, 구조 기반 방식은 실험으로 확보된 구조 데이터가 충분하지 않다는 제약을 안고 있었다. 연구팀은 알파폴드3가 구조를 만드는 과정에서 화학적·구조적 특징을 숫자로 표현한 내부 정보에 주목해 두 종류의 인코더를 결합했다.

학습에 포함되지 않은 새로운 단백질·약물 조합을 대상으로 검증한 결과, 알파 DTA는 기존 서열 기반 모델보다 높은 예측 성능을 나타냈다. 실험 구조 데이터 없이도 기존 구조 기반 모델과 대등한 수준의 성능을 보였다. 연구팀은 구조 정보가 부족한 표적에서도 후보물질 선별 효율을 높여 개발 기간과 비용을 줄이고, 기존 약물을 다른 질병 치료에 적용하는 약물 재창출 연구에도 활용할 수 있을 것으로 봤다. 연구 결과는 국제학술지 ‘Journal of Cheminformatics’에 7월 21일 온라인 게재됐다.