하버드 의대, 병든 세포를 되돌리는 신약 후보 발굴 AI 'PDGrapher' 공개

PDGrapher는 하버드 의대 연구진이 개발해 무료로 공개한 그래프 신경망 기반 도구로, 질환에 걸린 세포를 다시 건강한 상태로 되돌릴 수 있는 유전자 표적과 약물 조합을 예측합니다.

전통적인 신약 개발 방식은 특정 단백질 표적 하나에 결합하는 화합물을 하나씩 검증하는 방식이었습니다. 하지만 암이나 퇴행성 뇌 질환처럼 여러 유전자와 신호 경로가 복합적으로 얽혀 발병하는 복잡한 질환에서는 단일 표적 접근법이 쉽게 한계에 부딪힙니다.

무엇을 할 수 있나

PDGrapher는 세포 내부의 유전자, 단백질, 신호 전달 경로 사이의 복잡한 상호작용을 하나의 거대한 네트워크 그래프로 구성합니다.

먼저 세포를 병들게 만드는 핵심 원인 노드들을 짚어냅니다. 그런 다음 알고리즘 내부에서 특정 노드를 억제하거나 기능을 낮췄을 때 어떤 변화가 일어나는지 시뮬레이션하여, 병든 세포를 정상 세포 상태로 전환할 수 있는 최적의 단일 또는 병용 치료 표적을 찾아냅니다.

방대한 약물 라이브러리를 무작위로 스크리닝하는 대신, 세포 기능을 정상화하는 데 필요한 최적의 조합을 역으로 추적해 후보군을 좁히는 방식입니다.

정확도와 성능

연구팀은 치료 전후의 질환 세포 프로파일 데이터로 모델을 학습시킨 뒤, 학습에 쓰이지 않은 11종의 암과 관련된 19개 데이터셋을 대상으로 검증을 진행했습니다.

그 결과 PDGrapher는 이전에 본 적 없는 데이터셋에서도 기존 유사 AI 모델보다 올바른 치료 표적을 최대 35% 더 높은 순위로 정확하게 찾아냈습니다. 예측 속도 역시 기존 AI 방식 대비 최대 25배 빨랐습니다.

비소세포폐암에서 이미 검증된 표적인 KDR과 TOP2A를 정확히 재발견했으며, 현재 연구팀은 파킨슨병, 알츠하이머병, 그리고 매사추세츠 종합병원과 협력해 희귀 유전 질환인 X-연관 근긴장이상-파킨슨증의 신약 표적 탐색에도 이 모델을 투입하고 있습니다. 연구 결과는 Nature Biomedical Engineering에 게재되었으며 도구는 무료로 제공됩니다.

왜 중요한가

계산생물학 연구자나 초기 신약 발굴을 진행하는 바이오 연구팀이라면 PDGrapher를 적극적으로 검토해 볼 만합니다. 단일 타깃 중심의 단순 스크리닝을 벗어나 네트워크 인과관계를 바탕으로 다중 표적 및 병용 요법 후보를 수십 배 빠른 속도로 압축할 수 있기 때문입니다.

다만 알고리즘의 예측 결과가 곧바로 임상적 성공을 보장하지는 않습니다. 표적 조합이 컴퓨터 상에서 질환 표현형을 역전시키더라도, 실제 체내 전달 효율이나 세포 독성, 오프타깃 효과는 여전히 습식 실험을 통해 철저히 검증해야 합니다. 그럼에도 수많은 시행착오를 줄이고 다중 타깃 조합의 우선순위를 정하는 도구로서는 훌륭한 나침반 역할을 해줍니다.