| 내용 |
의약품 개발을 위한 새로운 분자 설계는 지금까지는 주로 수동으로 이루어졌다. 그래서 시간이 많이 걸리고 오류 발생도 잦았다. 이를 개선하기 위한 방법으로 MIT 연구자들은 약물 설계 과정을 자동화할 수 있으며, 이를 통해 보다 나은 결과를 얻을 수 있었다고 보고했다. 이번 연구는 2018년 7월에 개최되는 국제 기계 학습 회의(International Conference on Machine learning)에서 발표될 예정이다. 약물 개발은 리드(lead) 최적화에 달려 있다. 이 과정에서 화학자들은 특정한 질병에 대처할 수 있는 잠재력을 가진 타깃(리드) 분자를 선택하고, 보다 좋은 효능과 다른 요인들에 대한 화학 특성을 조정하고자 노력한다. 화학자들은 종종 전문 지식을 이용해 분자의 기능성 작용기를 첨삭함으로 약물을 최적화 한다. 비록 최적의 화학 특성을 예측하는 시스템을 사용한다고 해도, 화학자들은 각 단계에 대한 수동으로 수정을 해야 한다. 각 단계마다 이를 위해 수 시간이 걸릴 수도 있지만, 여전히 약물 후보군을 만들어 내지 못할 수도 있다. 이번에 MIT 과학자들이 개발한 것은 분자 그래픽을 이용해 리드 분자를 최적화 하는 방법이다. 기존 방법은 SMILE이라는 단순히 분자의 1차원 정보만을 담고 있는 것을 이용하는 것이다. SMILE은 분자의 결합이나 원자들을 컴퓨터 프로그램이 인식할 수 있도록 간단한 표시로 만들어져 있다. 이를 이용한 약물의 최적화는 SMILE 문법에는 맞지만, 실제로는 아무런 의미도 없을 때가 많다. 따라서 이를 보완한 분자 그래픽 방법을 이용하면, 보다 효율적으로 리드 분자의 물리적인 특징들을 최적화 할 수 있다고 연구진은 주장했다. 연구팀은 ZINC 데이터베이스를 이용해서 250,000개의 분자 그래픽 모델을 만들었으며, 공개적으로 사용할 수 있는 3차원 분자 구조를 수집했다. 연구팀은 이를 이용해 최적의 리드 분자를 찾아냈으며, 잠재력이 증가된 새로운 분자들을 디자인하고 싶었다고 밝혔다. 첫번째 테스트에서 연구진의 모델은 시료 분포에서 100% 화학적으로 유효한 분자들을 만들어냈다. 반면 SMILES 모델은 시료 분포에서 43%의 유효 분자만을 만들어 냈다. 두번째 테스트에서는 먼저 전체 분자 데이터 베이스를 검색해서 원하는 특성(용해도와 합성 가능성)을 가진 최적의 리드 분자를 찾아 냈는데, 기존 시스템보다 30% 높은 잠재력을 가진 리드 분자를 찾아냈다고 연구진은 밝혔다. 그 다음은 리드 화합물과 구조적으로 비슷하지만, 보다 높은 잠재력을 가진 800개의 분자를 변형했다고 연구진은 말했다. 이를 통해, 연구진은 리드 구조와 닮았지만, 잠재력에 있어서는 80% 향상된 모델 화합물들을 만들어 낼 수 있었다고 밝혔다. 연구진은 다음 목표로 약물의 용해도 이외의 다른 특성에 대한 모델을 시험하는 것이라고 밝혔다. 이를 위해서는 더 많은 자료가 요구되는데, 제약 회사들은 생물학적 타깃과 싸울 수 있는 특성에 더욱 관심이 있지만, 이에 대한 자료가 부족한 편이라고 연구진은 말했다. 앞으로의 도전 과제는 제한된 트래이닝(training) 자료를 바탕으로 작동이 되는 모델을 개발하는 것이라고 연구진은 밝혔다. |
