효율적이고 자동화된 매크로사이클 설계를 위한 새로운 인실리코 워크플로우 소개

Schrödinger 는 최근 사노피(Sanofi)와 공동으로 『Journal of Medicinal Chemistry』에 “치료용 거대고리 화합물의 자동 설계: 소분자에서 펩타이드 및 단백질까지”라는 제목의 논문을 최근 『Journal ofMedicinalChemistry』에 게재했다. 이 논문은 새롭고 다양한 매크로사이클을 효율적이고 자동화된 방식으로 설계하기 위한 새로운인실리코(in silico) 워크플로우의 구현 및 적용 사례를 제시한다.

우리는이 논문에 대해 논의하기 위해 사노피(Sanofi)의안드레아스 에버스(Andreas Evers) 박사(이후 머크 KGaA / EMD 세로노로 이직함)와 마이클 와그너(Michael Wagner) 박사, 그리고 샌디에이고 의과대학( Schrödinger )의 댄 신디카라(Dan Sindhikara) 박사와 함께자리를 마련했습니다.

이 논문에서 새롭게 다룬 내용과 핵심은 무엇인지 알려주시겠습니까?

안드레아스:본 논문에서는 원하는 특성을 지닌 매크로사이클을 합성하기 위한 전략을 자동으로 생성, 평가 및 제안하는 완전히 새로운 워크플로우를 설명합니다. 아시다시피, 매크로사이클과 고리형 펩타이드가 치료제로서 점점 더 주목받고 있으며, 분자량이 500~1500 달톤인 수많은 매크로사이클이 성공적인 의약품으로 자리 잡았으며, 그중에는 경구 투여가 가능한 사례도 여러 건 있습니다. 우리는 매크로사이클 분자가 소분자와 더 큰 생물학적 제제 사이에서 약물 분야의 중요한 공백을 메워줄 것으로 보고 있습니다.

우리 논문에 상세히 설명된 바와 같이, 이 방법은 매우 효과적인 것으로 입증되었으며, 소분자와 펩타이드뿐만 아니라 PROTAC 및 단백질의 고리화 반응에도 적용될 수 있습니다. 우리는 지금까지 이 기술을 적용한 결과에서 드러난 잠재력에 큰 기대를 걸고 있습니다.

정말 흥미롭네요. 이번 프로젝트에서 ‘ Schrödinger ’와 함께하게 된 경위를 말씀해 주실 수 있나요?

마이클:사노피(Sanofi)의 ‘합성 의약 모달리티(Synthetic Medicinal Modalities)’ 팀 내에서, 우리는 마크로사이클을 합리적으로 설계할 방법을 모색하고 있었으며, 이미 확립된 화학 반응과 시약을 활용하여 고리화 합성 전략을 제안할 수 있는 방법을 개발할 수 있을지 고민했습니다.

안드레아스: 사노피에서는수년 동안 다양한 프로젝트에서 Schrödinger의 계산 플랫폼을 사용해 왔습니다. 매크로사이클을 연구할 수 있는 도구는 있었지만, 선형 출발 분자에 대한 다양한 결합 부위와 가능한 링커를 효율적으로 스크리닝하여 새로운 매크로사이클을 자동으로 설계할 수 있는 도구는 없었습니다. 그래서 저희는 댄에게 연락을 취해 구상하고 있던 내용을 논의했고, 댄은 이 자동화된 워크플로우를 구축하는 데 도움을 주었습니다. 프로젝트 전반에 걸쳐 저희는 긴밀히 협력하여 새로운 방법을 검증하고, 기술 개선을 위한 제안을 함께 모색했습니다.

작업 흐름에 대해 좀 더 자세히 설명해 주실 수 있나요?

댄: 네, 저희의 통합적 접근 방식에 대한 자세한 내용은 논문에서 확인하실 수 있지만, 대체로 이 그림(아래 참조)에서 볼 수 있듯이 몇 가지 단계로 이루어져 있습니다.

1단계에서는 선형 분자의 생리활성 구조를 출발점으로 삼습니다. 결합 부위는 자동으로 식별되거나 사용자가 직접 지정할 수 있습니다. 그런 다음 2단계에서는 화학 링커를 생성합니다. 이 링커들은 사용 가능한 화학 시약을 기반으로 한 명시적인 목록 형태로 제공될 수도 있고, 선택적으로 워크플로우가 더 작은 단편들을 결합하여 자동으로 생성할 수도 있습니다. 3단계에서는 각 링커의 전체 구조 앙상블을 생성하고, 4단계에서는 링커 앙상블을 결합 지점에 매핑하여 기하학적으로 불가능한 불리한 고리화 구조를 제거합니다. 마지막으로, 고리화된 리간드는 구조적 및/또는 엔탈피 점수를 통해 순위를 매길 수 있습니다. 이 접근 방식에는Prime을 비롯한 다양한 Schrödinger 소프트웨어의 기능을 활용하는 것이 포함되며, Desmond, 및 Glide등 다양한 xml-ph-0000@deepl.internal 소프트웨어의 특징을 활용했습니다.

또한, 인간 CREB 결합 단백질의 KIX 도메인에 대한 후향적 연구에서 볼 수 있듯이, 우리의 접근법을 통해 단계적으로 이환식 구조를 생성할 수 있다는 점도 지적하고 싶습니다. 우리는 연구를 통해, 우리의컴퓨터 시뮬레이션 기반환원화 접근법이 알려진 이환식 구조를 자동으로 생성할 수 있음을 확인했습니다. 이 사례는 또한 열적 및 화학적
변성에 대한 내성을 높이기 위한 단백질 공학 설계에 있어 우리 방법의 능력을 입증합니다.

안드레아스: 저희는도출된 제안의 합성 가능성을 보장하는 데 특히 중점을 두었습니다. 이를 위해 시판되는 화학 시약을 기반으로 한 링커 목록을 구체적으로 작성했습니다. 하지만 사용자는 특정 고리화 반응 및 시약을 반영하기 위해 이 목록을 쉽게 수정할 수도 있습니다. 또한, 미리 정의된 고리화 링커를 지정하는 대신, 소수의 반응성 “교배 단편”을조합하고 열거하여리간드-수용체 복합체의 기하학적 제약 조건에 부합하도록 링커를컴퓨터 시뮬레이션을 통해설계할 수 있는 또 다른 옵션도 구축했습니다. 그 결과, 알고리즘은 합성 가능한 다양한 링커 사슬을 제안하게 됩니다.

이 방법은 얼마나 효과적이었나요? 주요 장점은 무엇이라고 보시나요?

안드레아스:우리는 제약 분야에서 주목받는 다양한 표적과 기법에 대해 우리 접근법의 타당성을 검증하기 위해 여러 전향적 및 후향적 연구를 수행했으며, 실험 결과와 매우 높은 일치도를 확인했습니다. 또한 이 워크플로는 과거에 수작업으로 처리해야 했던 지루한 작업의 상당 부분을 자동화해 주었으며, 이를 통해 잠재적인 결합 부위와 링커를 찾기 위해 화학적 공간을 더 광범위하고 체계적으로 탐색할 수 있게 되었습니다.

댄: 저희의접근 방식에는 “합성 지능”이 내장되어 있어, 새로운 분자를 생성할 뿐만 아니라 그 합성에 필요한 화학 시약 목록도 함께 도출해 냅니다. 사용자는 합성 화학자와 협력하여, 예를 들어 특정 고리화 반응에 집중하거나 물리적으로 확보 가능하거나 신속하게 조달할 수 있는 시약만을 고려함으로써 시약 목록을 축소하거나 확장할 수 있습니다. 이를 통해 도출된 설계 제안이 간편하게 합성될 수 있도록 보장합니다.

신약 개발 과정에서 이러한 도구를 일상적으로 활용하게 될 것이라고 생각하십니까?

마이클:물론입니다. 사실, 논문에서 밝힌 바와 같이, 저희는 이 기술을 펩타이드(GLP-1/글루카곤 수용체 이중 작용제)와 소분자(TAFIa 억제제)라는 두 가지 프로젝트에 선제적으로 적용했습니다. 두 경우 모두, 참신하고 효능이 매우 뛰어난 분자를 설계할 수 있었습니다. 또한, 설계된 분자를 간단하게 합성할 수 있다는 점은 의약화학자들로부터 큰 호평을 받고 있습니다. 따라서 이 접근법은 효능, 내재적 안정성, 또는 기타 특성 측면에서 고리화(cyclization)를 통해 이점을 얻을 수 있는 분자를 다루는 모든 신약 개발 프로그램에서 이제 표준적인 방식으로 사용되고 있습니다.

지금까지 합성이 용이한 고리형 분자를 효율적인 방식으로 제안해 줄 수 있는 이러한 워크플로가 없었음을 감안할 때, 신약 개발 프로그램 내의 사이클 시간을 상당히 단축할 수 있을 것이라고 생각합니다.

원하는 특성을 지닌 합성이 용이한 거대고리 화합물을 제안하는 데서 입증된 성공 외에도, 이 새로운 기술의 잠재력에서 흥미롭게 생각하시는 다른 점이 있나요?

마이클:소분자 및 펩타이드보다 더 큰 시스템에 대한 우리의 회고적 연구 성과를 바탕으로 볼 때, 이 접근법은 PROTAC이나 심지어 단백질과 같은 다른 분야에도 적용될 때 큰 잠재력을 지닐 것으로 믿습니다. 예를 들어, 생물치료제나 생명공학 분야에 활용되는 단백질/효소의 공학적 연구에서 종종 중요한 목표로 삼는 열안정성을 향상시키는 데 이 접근법이 유용할 것입니다. 현재 우리는 여러 내부 프로젝트에 이 접근법을 적용하고 있으며, 초기 단계에서 큰 성과를 거두고 있습니다.