AI 주도 항생제 개발의 혁신: 표적 선정부터 화합물 발견까지

본 연구는 AI를 활용한 항생제 개발 파이프라인을 구축하여 표적 선정부터 화합물 발견까지의 전 과정을 효율화했습니다. 다양한 AI 모델 비교 평가를 통해 DeepBlock과 TamGen을 최적 모델로 제시하고, 엄격한 후처리 과정을 거쳐 실제 합성 가능한 화합물 후보군을 도출했습니다. 이 연구는 AI 기반 신약 개발의 실질적인 적용 가능성과 한계점을 동시에 제시하며, 미래 항생제 개발 방향에 중요한 시사점을 제공합니다.

전 세계적인 건강 위협으로 떠오르는 항생제 내성 문제에 맞서, 새로운 치료 전략이 절실히 필요합니다. 최근 단백질 구조 예측과 머신러닝 기반 분자 생성 기술의 발전은 신약 개발 속도를 높일 획기적인 기회를 제공합니다. 하지만, 이러한 모델들을 실제 파이프라인에 통합하고 활용하는 데 대한 실질적인 가이드라인은 부족한 실정이었습니다.

막시밀리안 G. 슈, 조슈아 헤세, 스테판 A. 지버 등 연구진이 발표한 논문, "AI-guided Antibiotic Discovery Pipeline from Target Selection to Compound Identification"은 이러한 문제에 대한 해결책을 제시합니다. 연구진은 표적 확인부터 화합물 발견까지 이어지는 종단 간 AI 주도 항생제 개발 파이프라인을 구축했습니다.

핵심은 무엇일까요?

• 다중 병원균의 예측된 프로테옴에 대한 구조 기반 클러스터링: 연구진은 여러 병원균의 예측된 단백질체를 구조 기반으로 클러스터링하여, 보존적이고 필수적이며 인간과 상동성이 없는 표적을 효율적으로 찾아냈습니다. 이는 기존의 표적 발굴 방식보다 훨씬 효율적이고 정확한 접근 방식입니다.

• 6가지 최첨단 3D 구조 인식 생성 모델 비교 평가: 확산, 자기 회귀, 그래프 신경망, 언어 모델 등 6가지 주요 생성 모델의 성능을 꼼꼼히 비교 분석했습니다. 사용 편의성, 화학적 타당성, 생물학적 관련성 등 다양한 기준을 통해 최적의 모델을 찾고자 노력했습니다. 그 결과, DeepBlock과 TamGen이 다양한 기준에서 최고의 성능을 보였습니다. 이는 AI 모델 선택에 대한 실질적인 가이드라인을 제공합니다.

• 엄격한 후처리 및 상용 아날로그 검색: 10만 개가 넘는 생성된 화합물을 엄격한 후처리 필터와 상용 아날로그 검색을 통해 집중적이고 합성 가능한 후보군으로 압축했습니다. 이는 AI 모델의 효율성을 높이고, 실제 약물 개발로 이어질 가능성을 높이는 중요한 과정입니다.

결론적으로, 이 연구는 AI를 초기 단계 항생제 개발에 적용하는 방법에 대한 비교 벤치마크 및 청사진을 제공합니다. AI 모델의 장점과 한계를 명확히 제시하며, 실제 응용 가능성을 높이는 구체적인 전략을 제시함으로써 AI 기반 신약 개발의 새로운 지평을 열었습니다. 단순한 기술적 진보를 넘어, 실질적인 문제 해결에 AI를 적용한 성공적인 사례로 평가받을 수 있습니다. 하지만, 모델 복잡성, 사용 편의성, 출력 품질 사이의 절충 관계를 고려해야 함을 강조하며, 앞으로 지속적인 연구와 개선을 통해 더욱 효율적이고 안전한 AI 기반 항생제 개발 시스템을 구축해야 할 필요성을 시사합니다.