작성자: Add Zero

편집자: 이보주, 산양

MIT는 그래프 신경망 Chemprop을 사용하여 아시네토박터 바우마니균을 특이적으로 죽이는 잠재적 항생제를 식별했습니다.

자연에는 결핵균(결핵을 유발함)과 콜레라균(콜레라를 유발함) 등 다양한 미생물이 있으며, 이는 사람들의 건강을 심각하게 위협합니다. 인류 역사를 통틀어 이러한 병원성 박테리아에 의한 감염을 예방할 수 있는 방법은 신체의 면역 체계에 의존하는 것 외에는 거의 없었습니다. 1928년에야 페니실린이 발견되어 인간에게 병원성 박테리아를 물리칠 수 있는 강력한 무기가 처음으로 제공되었습니다.

그러나 항생제의 광범위한 사용은 항생제 내성(AMR)이라는 큰 위기를 가져왔습니다. 세계보건기구(WHO)의 통계에 따르면, 2019년에 항생제 내성(AMR)으로 인해 악화된 세균 감염으로 전 세계적으로 약 120만 명이 사망했는데, 이는 이미 AIDS로 인한 사망자 수보다 높습니다. 항생제의 오용으로 인해 특정 "슈퍼 박테리아"가 등장하게 되었고, 이는 21세기에 임상 질병의 중요한 원인이 되었습니다. 이 문제를 해결하기 위해서는 새로운 항생제를 개발하는 것이 시급합니다.

특정 박테리아의 경우, 딥 러닝 모델은 화합물의 효능과 안전성에 대한 예측의 정확도를 높여 실험실 실험과 임상 시험에 소요되는 시간과 자원 소모를 효과적으로 줄일 수 있습니다. 이는 효과적이고 안전한 항생제를 발견하는 데 매우 중요합니다.

이를 위해 MIT 연구진은 그래프 신경망 Chemprop을 사용하여 대규모 화학 라이브러리에서 잠재적인 항생제를 식별하고 새로운 종류의 항생제를 발견하는 딥러닝 방법을 개발했습니다.그들은 중요한 약물 내성 박테리아인 아시네토박터 바우마니를 특이적으로 사멸시키는 데 성공했으며, 관련 논문이 Nature에 게재되었습니다.

해당 논문은 Nature에 게재되었습니다.

서류 주소:
https://www.nature.com/articles/s41586-023-06887-8
공식 계정을 팔로우하고 "Discover Antibiotics"에 답글을 남겨 전체 논문을 다운로드하세요.

실험 방법: 그래프 신경망을 이용한 딥러닝

데이터 세트: 여러 화합물

초기 스크리닝:이 연구는 처음에 39,312개 화합물을 선별하여 항생제 활성과 인간의 세포독성 특성을 분석했습니다.

확장된 예측:예측 범위를 더욱 확장하기 위해 모델은 12,076,365개 화합물에 대해 테스트되었으며, 그 중 11,277,225개는 Mcule 데이터베이스에서 가져온 것이고 799,140개는 Broad Institute 데이터베이스에서 가져온 것입니다.

39,312개 화합물의 분자량 분포

알고리즘 학습: 그래프 신경망을 이용한 학습

그래프 신경망 Chemprop을 사용하여 39,312개의 선별된 화합물을 훈련하여 항생제 활성과 인간 세포 독성을 예측했습니다. 훈련 과정은 다음과 같습니다.

분자는 다음을 나타냅니다.RDKit을 사용하여 각 화합물의 SMILES(Simplified Molecular Input Line Entry Specification) 문자열에서 그래프 기반 분자 표현이 생성됩니다.
특징 벡터 생성:원자 특징(원자 번호, 결합 수, 양전하 등)과 결합 특징(결합 유형, 공액, 고리 구성원 등)을 포함하여 각 원자와 결합에 대한 특징 벡터를 생성합니다.
정보 전송:키 기반 메시지 전달 합성 신경망을 구현하고, 키의 메시지를 업데이트하고, 이를 신경망 계층에 전달한 다음 비선형 활성화 함수를 적용합니다.
모델 출력:고정된 수의 정보 전달 단계를 거친 후, 이 모델은 전체 분자의 메시지를 요약하고 피드포워드 신경망을 통해 항생제 활성, 세포독성 또는 양성자 구동력 변경 활성과 같은 화합물의 활성을 예측합니다.
최적화 조치:여기에는 추가적인 분자 수준의 기능을 추가하고, 하이퍼파라미터 최적화를 사용하여 최상의 성능 매개변수를 선택하고, 앙상블 학습을 통해 모델의 견고성을 향상시키는 것이 포함됩니다.

모델 아키텍처: 화합물의 효과와 안전성 보장

항생제 활성 모델

연구진은 80% 정규화된 성장 억제 임계값을 사용하여 활성과 비활성을 구분하고, 화합물 농도가 50 μM인 배양 배지에서 황색포도상구균(S. aureus)에 대한 화합물의 항생제 활성을 예측했습니다. 총 10개의 그래프 신경망 모델이 동일한 80% – 20% 학습 데이터 세트에서 학습, 검증 및 테스트되었습니다.

결과는 다음과 같습니다RDKit 기능을 갖춘 Chemprop 모델은 39,312개 화합물 중 512개 활성 화합물을 식별하여 뛰어난 예측 능력을 보였습니다.

항생제 활성 예측을 위한 딥러닝 모델 비교

인간 세포독성 모델

연구진은 39,312개의 화합물을 사용하여 인간 간암 세포(HepG2), 인간 1차 골격근 세포(HSkMC), 인간 폐 섬유아세포(IMR-90)에 대한 독성을 검사했습니다. 각 화합물을 10 μM 농도로 2~3일간 처리한 후, 세포 생존력을 평가하고 화합물 활성은 90% 세포 생존력 기준치를 사용하여 분류했습니다.

마찬가지로, 10개의 Chemprop 모델 세트가 훈련, 검증 및 테스트되었습니다. 비교 결과는 다음 그림과 같습니다.

인간 세포독성 예측을 위한 딥러닝 모델 비교

결과는 화합물 중 3,341개(8.5%), 1,490개(3.8%), 3,447개(8.8%)가 각각 HepG2 세포, HSkMC 및 IMR-90 세포에 독성을 나타내는 것으로 나타났습니다. 이전 단계에서 선별된 512가지 활성 항균 화합물 중 306가지가 이 세 가지 세포 유형에 독성이 없는 것으로 나타났습니다.

요약하자면, 이 모델은 항생제 활동 모델과 비교했을 때 어느 정도 한계가 있지만, 약물의 효과성과 인체에 대한 무해성 간의 균형을 이루고 있으며, 약물 발견에 고급 계산 방법을 활용할 수 있는 잠재력을 보여줍니다.

실험 결과: 항생제의 스크리닝 및 식별

규모에 따른 모델 개선 및 적용: 전체 화학 공간의 스크리닝 및 시각화

이 연구 단계에서는 광범위한 화학 분야에서 잠재적인 항생제 화합물을 식별하고 세포 독성을 평가하기 위해 모델을 개선하고 적용하는 데 중점을 두었습니다. 연구진은 항생제 활성과 HepG2, HSkMC, IMR-90 세포의 세포독성을 예측하기 위해 20개의 Chemprop 모델을 재교육했으며, 개선된 모델을 12,076,365개의 화합물 예측에 적용했습니다.

화합물 스크리닝

항생제 활동 스크리닝: 항생제 예측 점수가 0.4를 초과하는 3,004개 화합물이 Mcule 데이터베이스에서 스크리닝되었습니다. 브로드 연구소 데이터베이스에서 점수가 0.2를 초과하는 7,306개의 화합물이 선별되었습니다.

인간 세포 독성 검사:

세포독성 예측 점수가 0.2 미만인 화합물은 유지되었고, 그 결과 3,646개 화합물(Mcule 데이터베이스에서 1,210개, Broad Institute 데이터베이스에서 2,436개)이 최종적으로 스크리닝되었습니다. 이는 평가된 모든 화합물의 0.03%에 해당합니다.

화합물 스크리닝

a: 컴퓨터 시뮬레이션 필터링 프로그램 b: HepG2, HSkMC 및 IMR-90 세포의 항생제 활성 및 세포독성 예측

화학 공간의 시각화

모건 지문은 분자 표현으로 사용되었으며, t-분포 확률적 이웃 임베딩(t-SNE) 방법은 화학 공간을 시각화하는 데 사용되었습니다.

아래 그림에서 볼 수 있듯이, t-SNE 시각화는 히트(스크리닝을 통과한 화합물)와 비히트(항생제 예측 점수가 낮은 화합물) 간의 명확한 차이를 보여줍니다.

화합물의 t-SNE 분석

추가 스크리닝: 두 가지 강력한 화합물 식별

3,646개의 화합물 중에서 두 개의 화합물(No. 1과 No. 2)이 선별되었으며, 이 두 화합물은 황색포도상구균에 대해 높은 활성을 보였으며, 인간 세포에 대해서도 좋은 선택성을 보였습니다. 다양한 시험 조건에서 이 두 화합물의 성능, 특히 혈청이 포함된 배지에서의 성장 억제 능력은 매우 우수하여 추가 연구의 가치가 있었습니다.

이들 화합물에 대한 연구는 딥 러닝 모델이 예측한 구조적 분류가 새로운 항생제 후보물질을 발견하기 위한 실험적 스크리닝을 효과적으로 안내할 수 있음을 보여주었습니다.

스크리닝 과정

화합물 스크리닝: 반응성, 돌연변이원성 또는 불리한 약동학적 특성에 대한 PAINS 및 Brenk 경고가 포함된 화합물은 원래 3,646개 히트에서 제외되어 2,209개 화합물을 스크리닝했습니다.

구조적 스크리닝: 훈련 세트에 있는 것과 구조가 다른 화합물은 최대 타니모토 유사성 점수 ≤ 0.5를 예비 임계값으로 사용하여 추가로 스크리닝하고 β-락탐 고리 또는 퀴놀론 이환 코어를 포함하는 화합물을 제외하여 1,261개의 화합물을 얻었습니다.

효과적인 화합물의 식별

성장 억제 시험:합리적 그룹 G1-G5와 관련된 9가지 히트 화합물 중 4가지 화합물(44%)이 최소 억제 농도(MIC) ≤32 μg/ml로 황색포도상구균(S. aureus)에 대해 활성이 있는 것으로 밝혀졌습니다.

구조적 분류 및 효능: 이러한 강력한 화합물은 합리적인 그룹 G1, G2 및 G5와 관련이 있으며, 그 중 그룹 G2의 두 화합물(No. 1 및 No. 2)이 활성이 있는 것으로 확인되었습니다. 두 화합물 모두 리핀스키의 법칙과 고스의 기준을 모두 충족하여, 좋은 경구 생물학적 이용 가능성과 약물과 같은 특성을 가지고 있으며 추가 연구의 가치가 있음을 나타냅니다.

두 화합물이 스크리닝됨

추가 연구: 두 화합물의 특성

심층적인 기전 연구와 시험관 내, 생체 내 실험을 통해 화합물 1과 2는 새로운 항생제 후보로서의 잠재력이 있는 것으로 나타났습니다. 이 항생제는 다제내성 균주에 효과적일 뿐만 아니라, 내성이 생길 가능성이 낮고 안전성 프로필이 양호합니다.

이러한 연구 결과는 이 두 화합물이 항생제 약물 개발을 위한 유망한 화학물질 시리즈로 활용될 수 있음을 시사합니다.

작용 기전 및 약물 내성

일반적인 구조:화합물 1과 2는 항생제 활성의 기본 구조로 예측되는 N-[2-(2-클로로페녹시)에틸]아닐린 코어 구조를 공유합니다.

성장 억제 검정:황색포도상구균과 고초균에 대한 시간-살균 실험에서 이 두 화합물은 반코마이신과 유사한 항균 활성을 보였지만 살균 효능은 낮았습니다.

약물 내성 연구:항생제 내성 황색포도상구균을 대상으로 한 실험에서 두 화합물은 최소 억제 농도(MIC)를 약간만 증가시켰는데, 이는 일반적인 항생제와 작용 기전이 다를 수 있음을 시사합니다.

약물 내성 발달:30일간 연속 배양한 결과, 두 화합물의 MIC는 거의 변화가 없었으며, 내성 발달 추세가 낮음을 보여주었습니다.

다제내성균에 대한 효과

폭넓은 저항:두 화합물 모두 반코마이신 내성 장구균을 포함한 40가지의 다양한 세균 종에 대해 활성을 보였으며, 중앙 MIC는 각각 4μg/ml와 3μg/ml였습니다.

휴면 박테리아에 대한 효과:두 화합물 모두 Bacillus subtilis의 정지세포에 대해서도 활성을 나타냈습니다.

독성학, 화학 및 효능

안전 연구:두 화합물 모두 시험관 내 실험에서 우수한 안전성을 보였으며, 비용혈성, 금속 이온과의 비결합성, 비유전독성, 화학적 안정성, 생쥐에서의 안전성이 확인되었습니다.

생체 내 효능 실험:마우스의 황색포도상구균 피부 감염 및 허벅지 감염 모델에서, 화합물 1은 상당한 항균 활성을 보였습니다.

화합물의 생체 내 효능

딥러닝: 항생제 내성을 퇴치하는 강력한 도구

연구자들은 항생제 내성을 퇴치하는 효과적이고 홍보하기 쉬운 방법을 수년간 연구해 왔습니다. 이 과정에서 딥러닝의 등장으로 연구자들은 문제를 해결하기 위한 새로운 아이디어를 얻게 되었습니다. 항생제 내성과 싸우기 위해 딥러닝을 적용하는 가치는 다음과 같습니다.

기존 항생제 발견 접근 방식을 넘어서:기존의 항생제 발견 방법은 알려진 활성 구조에 의존하는 경우가 많으며, 이는 새로운 약물 발견의 범위를 제한합니다. 딥러닝 방법을 사용하면 기존 항생제와 구조적으로 다르고 현재 내성을 가진 균주에 효과적인 새로운 화합물을 식별할 수 있습니다.

개인화 및 정밀 의학:딥러닝을 사용하면 특정 병원체의 유전적 및 표현형적 특성을 분석하여 특정 병원체나 감염 유형에 맞는 개인화된 항생제를 개발할 수 있습니다.

길은 길고 힘들지만, 계속 가면 목적지에 도착할 수 있을 거예요. 약물 개발에 딥러닝을 적용하는 것은 아직 비교적 초기 단계이며, 데이터 품질과 해석 가능성 등의 과제에 직면할 수 있습니다. 하지만 박테리아에 대한 인간의 중요한 방어선으로서 관련 연구는 매우 중요하며, 기술적 반복을 통해 계속 발전할 것이라고 믿습니다.

참고문헌:
https://www.nature.com/articles/s41586-023-06887-8