알파폴드3 활용한 AI모델 개발 '신약 물질 정확도 높인다'

[파이낸셜뉴스] 세계 최고 수준의 인공지능(AI) 단백질 구조 예측 모델인 '알파폴드3(AlphaFold3)'의 내부 표현 정보를 활용해 신약 후보물질예측을 높이는 AI 모델이 개발됐다. 이는 신약 개발 기간과 비용을 줄이고 기존 약물을 새로운 질병 치료에 활용하는 약물 재창출에도 활용될 것이라는 기대다.

광주과학기술원(GIST)은 AI학과 이현주 교수 연구팀이 실험으로 단백질-약물 결합 구조를 확인하지 않아도 신약 후보물질의 표적 단백질 '결합 친화도(binding affinity)'를 예측할 수 있는 AI 모델 '알파 DTA(AlphaDTA)'를 개발했다고 6일 밝혔다.

'알파 DTA'는 구글 딥마인드의 AI 단백질 구조 예측 모델인 알파폴드3가 예측한 단백질-약물 복합체(complex)의 3차원 구조와 구조를 예측하는 과정에서 생성되는 내부 표현 정보(embedding)를 함께 활용해 결합 친화도를 예측한다. 결합 친화도는 약물이 목표 단백질에 얼마나 강하게, 안정적으로 달라붙는지를 나타내는 지표로, 이 값이 높을수록 효과적인 신약 후보로 평가된다.

앞서 약물과 단백질의 결합 친화도를 예측하는 AI 기술은 크게 '서열 기반'과 '구조 기반' 두 가지 방식으로 발전해 왔다. 그러나 이들은 정확도가 떨어지거나 확보된 구조 데이터가 매우 부족한 한계가 있었다.

연구팀은 이러한 한계를 해결하기 위해 알파폴드3가 단백질과 약물의 결합 구조를 예측하는 과정에서 생성하는 '내부 표현 정보'에 주목했다. 내부 표현 정보는 AI가 단백질과 약물의 화학적·구조적 특징을 학습할 수 있도록 숫자로 표현한 정보로 단일·쌍 표현 정보를 분석하는 '다중 해상도 인코더(Multi-granularity Encoder)'와 단백질-약물 복합체의 3차원 구조 정보를 분석하는 '기하 인코더(Geometric Encoder)'로 구성된다. 이들을 결합한 AI 모델이 '알파 DTA'다.

'알파 DTA'는 단백질 서열과 약물 정보를 입력받아 알파폴드3가 생성한 3차원 구조와 내부 표현 정보를 함께 분석해 결합 친화도를 예측한다.

학습에 사용되지 않은 새로운 단백질·약물 조합으로 예측 성능을 검증한 결과, '알파 DTA'는 기존 서열 기반 방식보다 높은 예측 성능을 보였으며, 실험으로 확보한 구조 데이터가 없어도 기존 구조 기반 방식과 대등한 수준의 예측 성능을 보였다.
이번 기술은 실험으로 확보된 구조 데이터가 부족한 신약 후보물질에 대해서도 높은 예측 성능을 유지할 수 있어 신약 후보물질 선별의 효율을 높이고, 신약 개발 기간과 비용을 줄이는 것은 물론, 약물 재창출(Drug Repurposing) 연구에도 폭넓게 활용될 것으로 기대된다는 평가다.

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.

연구 결과는 화학정보학 분야 국제학술지 'Journal of Cheminformatics'에 7월 21일 온라인으로 게재됐다.

[email protected] 연지안 기자