최신 가상 스크리닝 워크플로우를 통해 적중률을 획기적으로 향상

요약

• Schrödinger 소분자 리간드 및 프래그먼트를 위한 현대적인 가상 스크리닝 워크플로를 개발함으로써, Schrödinger의 치료제 개발 그룹이 히트 물질 발굴 과정에서 전례 없는 성과를 거듭 달성할 수 있게 했다
• 최신 가상 스크리닝 워크플로는 ‘ 머신러닝 ’의 향상된 도킹 및 절대 결합 자유 에너지 계산 기술을 통해, 최대 수십억 개에 달하는 구매 가능한 화합물로 구성된 초대형 라이브러리를 타의 추종을 불허하는 정확도로 효율적으로 스크리닝합니다.
• 이 워크플로는 전체 리간드와 단편 모두에 대해, 여러 스크리닝 캠페인에 걸쳐 광범위한 표적에 성공적으로 적용되었습니다.
• Schrödinger…의 테라퓨틱스 그룹은 이 워크플로를 활용하여 다양한 화학 유형을 지닌 여러 개의 실험적으로 확인된 히트 물질을 선별하는 한편, 실험실에서 합성하거나 구입하여 분석한 화합물의 수를 대폭 줄였으며, 종종 두 자릿수의 히트율을 달성했습니다.

배경

수년 동안 기존의 가상 스크리닝(VS) 방식을 활용한 히트 물질 발굴 노력은 낮은 히트율로 인해 어려움을 겪어 왔으며, Schrödinger의 경험에 따르면 일반적으로 1~2% 수준에 그쳤습니다. 즉, 1~2개의 히트 물질을 확인하기 위해서는 100개의 화합물을 합성하고 분석해야 한다는 것을 의미합니다. 이러한 어려움은 주로 다음 두 가지 주요 요인에 기인하는 것으로 보입니다:

첫째, 기존의 VS 캠페인은 규모가 수십만 개에서 수백만 개에 이르는 라이브러리로 제한되어 있어 화학적 공간에 대한 커버리지가 제한적이었습니다. 이는 약물 개발이 어려운 표적의 경우 특히 심각한 문제인데, 이러한 표적의 경우 라이브러리 내 무작위 적중률이 낮을 것으로 예상되므로 라이브러리 규모가 작을수록 적중 사례를 더 적게 확보할 것으로 예상되기 때문입니다. 최근 몇 년간 Enamine REAL과 같은 초대형 상용 화합물 라이브러리의 등장과 대규모 라이브러리 스크리닝의 가치를 입증한 연구 결과로 인해, 초대형 화합물 공간을 효율적으로 스크리닝할 수 있는 기술에 대한 필요성이 더욱 대두되고 있다.¹

둘째, 기존의 VS 방법은 GlideScore와 같이 다양한 리간드를 순위 매기는 데 사용되는 스코어링 방법의 부정확성으로 인해 한계가 있었습니다. 복합체의 기하학적 구조에 대한 정적 관점과 탈용매화 현상에 대한 근사적 처리를 전제로 할 때, 이러한 경험적 스코어링 함수는 이론적으로 화합물을 친화도에 따라 정량적으로 순위 매기기에 적합하지 않습니다. 따라서 도킹은 초기 선별 단계에서 강력한 기술이지만, 리간드 도킹 점수는 측정된 효능과 상관관계를 보일 것으로 기대되지 않으며, 일반적으로도 실제로는 상관관계가 없습니다.

이러한 한계로 인해, 기존 방식을 이용한 가상 스크리닝에 투입된 자원의 대부분은 종종 낭비되곤 합니다. 가상 스크리닝의 성공률을 높이고, 이를 히트 물질 발굴을 위한 실용적인 방법으로 자리매김하기 위해서는 초대형 라이브러리를 정확하게 스크리닝할 수 있는, 비용 대비 효율이 높고 효과적인 접근 방식이 필요합니다.

디자인 접근 방식

지난 수년 동안, Schrödinger의 치료제 개발 그룹은 강력한 히트 분자를 발굴하기 위해 여러 가지 난이도 높은 표적들을 선정해 왔습니다. 이 그룹은 머신러닝 기반의 Glide 도킹과 매우 정확한 Absolute Binding FEP+ (ABFEP+) 계산을 활용하는 최신 VS 워크플로우를 도입하여, 실험실 비용과 시간을 최소화하는 동시에 히트-투-리드(hit-to-lead) 단계로 진행할 수 있는 히트의 수와 품질을 높이는 방식으로 초대형 화학 라이브러리를 스크리닝하고 재평가했습니다(그림 1).

그림 1:Schrödinger의 최신 가상 스크리닝 워크플로우 개요.

1단계: 소분자 라이브러리에 대한 초대규모 스크리닝

연구팀은 수십억 개 규모의 화합물 라이브러리(또는 최대 5억 개의 단편 라이브러리)를 바탕으로, 물리화학적 특성에 기반한 사전 필터링을 수행하여 원치 않는 기를 제거했습니다. 다음으로, 가장 유망한 화합물을 신속하게 식별하기 위해 ‘ 액티브 러닝 ’Glide (AL-Glide)를 활용하여 고처리량 가상 스크리닝을 진행했습니다. ‘ 액티브 러닝 ’는 명확히 정의된 목표에 따라 다음 단계 훈련을 위한 훈련 데이터의 우선순위를 정하는 효과적인 지도 학습 전략입니다. AL-Glide 는 기계 학습( 머신러닝 , ML)과 도킹을 결합하여, 수십억 개의 화합물로 구성된 라이브러리에 도킹을 통한 선별을 적용할 수 있게 합니다.²이 접근법을 사용하면 라이브러리의 일부만 도킹되므로, 계산 비용을 상당히 줄여 보다 합리적인 수준으로 낮출 수 있습니다.

액티브 러닝 주기가 시작되면, 라이브러리 화합물의 전체 데이터 세트에서 처리 가능한 규모의 화합물 배치를 선별하여 도킹을 수행합니다. 그런 다음 선별된 화합물들을 추출하여 훈련 세트에 추가합니다. 이후 모델은 새로운 정보를 바탕으로 훈련되며, 머신러닝 모델이 도킹 방법을 점점 더 정확하게 대리할 수 있게 됨에 따라 이 과정을 반복합니다(그림 2).

이 ML 기반 도킹 모델은 무차별 대입 방식의 도킹보다 훨씬 더 빠르게 화합물을 평가할 수 있습니다. Glide 를 이용한 일반적인 도킹 계산은 화합물당 평균 몇 초가 소요될 수 있는 반면, ML 모델은 훨씬 더 빠르게 평가하거나 예측할 수 있어 처리량이 획기적으로 증가합니다. 그 결과, ML로 생성된 모델은 전체 라이브러리를 평가하는 데 사용됩니다.

AL-Glide 스크리닝을 완료한 후, 연구팀은 Glide 를 사용하여 점수가 가장 높은 화합물들(일반적으로 1,000만~1억 개 정도)에 대해 전체 도킹 계산을 수행했습니다.

2단계: 재채점

Glide 의 도킹 점수를 바탕으로 가장 유망한 화합물들을 선별한 후, Glide WS를 사용하여 재점수화 단계를 거쳤습니다. 이 정교한 도킹 프로그램은 결합 부위의 명시적 물 정보를 활용하여, 주로 개선된 포즈 예측 기능 덕분에 Glide 만을 사용할 때보다 활성 분자를 더 효과적으로 선별해 냅니다. Glide WS는 다음 점수화 단계인 ABFEP+로 전달할 더 우수한 화합물을 식별하고, 보다 신뢰할 수 있는 결합 포즈를 제공함으로써 이 과정에서 오탐을 줄이는 데 도움을 줍니다.³

도킹 결과에서 가장 높은 농축 점수를 보인 화합물들은 ABFEP+를 이용한 엄격한 재평가 대상으로 선정됩니다. ABFEP+는 Schrödinger의 FEP+ 기술에 포함된 프로토콜로, 리간드/단백질 복합체의 결합 상태와 비결합 상태 간의 결합 자유 에너지를 정확하게 계산할 수 있게 해줍니다(그림 3).^4,5ABFEP+는 실험적으로 측정된 결합 친화도와 신뢰할 수 있는 상관관계를 보이는 것으로 입증되었습니다. 상대적 결합 FEP+ 과 달리, ABFEP+는 출발점으로 유사한 실험적으로 측정된 기준 화합물을 필요로 하지 않습니다. ABFEP+는 다양한 화학 유형을 평가하고 정확하게 점수화할 수 있으므로, 가상 스크리닝 캠페인에서 가장 효능이 뛰어난 화합물을 발굴하는 데 있어 핵심 기술입니다.

3단계: 대규모 재채점

ABFEP+는 상대적 결합 FEP+ (RB-FEP+)에 비해 계산 비용이 많이 들며, 리간드당 여러 대의 GPU가 필요하고 계산 시간도 약 4배 더 소요됩니다. 일반적으로 히트 발굴 프로젝트에서는 수천 건의 ABFEP+ 계산을 수행하는 것이 현실적입니다. ABFEP+의 진정한 선별 이점을 실현하기 위해, 액티브 러닝 접근법을 활용하여 훨씬 더 많은 수의 화합물에 대해 점수를 매깁니다.

현대적인 가상 스크리닝 워크플로우를 단편에 적용하기

실험적 단편 스크리닝을 통해 미국 식품의약국( FDA)의 승인을 받은 여러 약물과 임상 후보물질이 개발되었습니다. Schrödinger의 치료제 그룹은 이러한 최신 워크플로우를 단편 스크리닝에 적용함으로써, 기존 고효율 스크리닝(HTS) 방식에서 3,000~30,000개의 단편을 스크리닝하던 것에서 수백만 개의 단편으로 스크리닝 규모를 성공적으로 확대했습니다.

인실리코(in silico)접근법은 실험적 단편 스크리닝의 근본적인 한계, 즉 단편이 다양한 표적에 대해 고농도(100 μM ~ mM)에서 분석될 수 있을 만큼 충분히 용해되어야 한다는 점을 해결합니다. 그러나인실리코에서효능을 엄격하게 추정하는 데는 용해도( 용해도)의 제약이 없으므로, 추정된 효능을 고려했을 때 단편이 충분히 용해될 것으로 예측될 경우 해당 단편의 효능을 평가하고 이후 연구를 진행할 수 있습니다. 특정 표적에 대한 결합 효능은 액티브 러닝 ABFEP+를 사용하여 계산됩니다. 최종적으로, 우선순위가 높은 단편들은 용해도 FEP+ 을 사용하여 예측된 효능 수준에서in silico로 용해도 을평가받습니다.^⁶본질적으로, 이 접근법은 효능과 용해도 의 문제를 역전시켜 규모를 확보함으로써, 실험적 단편 라이브러리에서는 존재할 수 없는 고효능 및 리간드 효율이 높은 단편들을 발견할 수 있게 합니다.

현재까지 연구팀은 상동성 모델이 포함된 표적을 포함하여 여러 가지 난이도가 높은 표적에 대해 총 9건의 대규모 단편 기반* 가상 스크리닝을 완료했습니다. 9건의 스크리닝 모두에서 효능이 낮은 nM 대부터 30 μM 대에 이르는 다수의 강력한 리간드 효율적 히트 물질을 도출했으며, 히트율은 두 자릿수를 기록했습니다.

Schrödinger의 최신 VS 워크플로가 여러 프로젝트 및 타깃 전반의 적중률에 미치는 영향

Schrödinger 의 과학자들은 이러한 최신 VS 기법을 활용하여 기존 스크리닝 방식에 비해 히트율이 획기적으로 향상되었음을 입증했습니다. 그 결과, 예측 결합 친화도가 높은 다양한 히트 화합물들이 선별 및 확보되어 실험적 검증을 거친 후 히트 화합물로 확정되었으며, 이는 두 자릿수에 달하는 인상적인 히트율을 기록했습니다(그림 4).

결론

컴퓨터 시뮬레이션 기반화합물 설계(hit identification )는 오랫동안 소규모 라이브러리와 정확도가 낮은 방법을 통해 화학적 공간을 스크리닝해 왔으며, 그 결과 적중률이 낮고 실험실 자원이 상당 부분 낭비되어 왔다.

Schrödinger의 치료제 개발 그룹은 절대 결합 FEP+ 과 머신러닝 을 결합한 등 엄격한 물리학 기반 방법을 활용하는 최신 워크플로로 전환함으로써, 여러 프로젝트에 걸쳐 다양한 표적에 이 워크플로를 성공적으로 적용하고 재현 가능한 두 자릿수의 히트율을 달성했습니다. 이 과정에서 팀은 프로젝트의 선도 후보 물질을 선정하기 위해 합성 및 테스트하는 화합물의 수를 대폭 줄임으로써, 전체 비용과 프로젝트 소요 기간을 단축했습니다.

이 전략은 신약 개발 팀이 급속히 확장되는 초대형 화학 라이브러리를 탐색할 수 있도록 지원함으로써 팀의 역량을 강화합니다. 이를 통해 방대한 화학 공간의 미로를 효율적으로 탐색할 수 있게 되어, 더 우수한 화학적 특성과 선택성을 지닌 다수의 히트 물질을 발견할 확률을 크게 높여줍니다. 또한, 이 전략은 화합물 선별( 신약 개발 ) 과정을 가속화하여, 더 높은 품질의 새로운 신약 후보 물질을 더 빠르게 발굴할 수 있게 합니다.