노벨상 받은 구글 ‘알파폴드3’ 능가…표적단백질만으로 최적 약물후보 설계

KAIST, 분자와 단백질 상호작용까지 반영
AI 자동 설계 ‘BInD’ 모델 개발..빠른 신약개발

연구팀이 개발한 표적단백질 구조만으로 최적의 약물 후보를 설계해 주는 AI 모델 모식도. KAIST 제공

국내 연구진이 표적 단백질 정보만으로 최적의 약물 후보를 자동 설계하는 인공지능(AI) 모델을 개발했다. 앞으로 보다 빠르고 정밀한 신약 개발을 가능케 하는 AI모델로 활용될 전망이다.

KAIST는 김우연 화학과 교수 연구팀이 약물 후보 분자의 사전 정보 없이 표적 단백질의 구조만으로 최적의 약물 후보 분자와 상호작용까지 설계하는 AI 모델 ‘BInD’를 개발했다고 10일 밝혔다.

BInD 기술의 핵심은 ‘동시 설계’다. 기존 약물 개발은 질병을 일으키는 표적 단백질과 그 단백질에 달라붙어 작용을 막을 분자(약물 후보)를 찾는 방식으로 수많은 후보 분자를 대상으로 하다 보니 시간과 비용이 많이 들었다.

연구팀은 분자를 만들면서 동시에 그 분자가 단백질과 어떻게 결합할지를 고려해 한 번에 설계가 가능한 ‘동시 설계’를 적용했다. 동시 설계는 단백질과 결합할 때 중요한 요소를 미리 반영하기 때문에 보다 효과적이고 안정적인 분자를 만들 확률이 높다. 또한 단백질의 표적 부위에 맞춰 원자들의 종류와 위치, 공유결합과 상호작용을 하나의 생성 과정에서 동시에 만들어 시각적으로 보여준다.

BInD는 AI가 무작위 상태에서 점점 더 정교한 구조를 그려가는 방식인 ‘확산 모델’을 기반으로 작동한다. 확산 모델은 2024년 노벨화학상을 받은 ‘알파폴드3’의 단백질-약물 구조 생성에서 활용돼 효율성을 인정받았다.

특히 원자가 공간상 어디에 있어야 하는지 좌표를 찍어주는 알파폴드3와 달리 ‘결합 길이’나 ‘단백질-분자 간 거리’ 등 실제 화학 법칙에 맞는 기준을 알려주는 지식 기반 가이드를 넣어 생성된 분자 구조가 더 현실적인 결과를 내도록 했다.

이와 함께 한 번 만든 결과 중에서 뛰어난 결합 패턴을 찾아 다시 활용하는 최적화 전략을 적용해 추가 학습 없이도 더 뛰어난 약물 후보를 만들어 냈다. 연구팀은 BInD를 통해 암 관련 표적 단백질(EGFR)의 돌연변이에 선택적으로 작용하는 분자를 생성하는 데 성공했다.

김우연 KAIST 교수는 “BInD 모델은 표적 단백질에 잘 결합하는 핵심 요소를 스스로 학습하고 이해해 사전 정보 없이도 상호작용하는 최적의 약물 후보 분자를 설계할 수 있어 신약 개발의 패러다임을 크게 바꿀 것”이라고 말했다.

이 연구결과는 국제 학술지 ‘어드밴스드 사이언스(7월 11일자)’에 실렸다.

정원호(왼쪽부터) 석박사통합과정, 이중원 석박사통합과정, 김우연 교수, 서지수 석박사통합과정. KAIST 제공

이준기 기자 bongchu@dt.co.kr