간세포암 화학요법이 실패하는 큰 이유는 다약제 내성이다. 그 중심에 P-당단백질이라는 ATP 의존성 유출 펌프가 있다. 약물을 세포 밖으로 능동적으로 퍼내어 세포 안의 농도와 효력을 함께 떨어뜨린다. 이 장은 그 펌프를 막을 화합물을 계산으로 찾는 일을 다룬다.
세포 안으로 들어온 항암제를 펌프가 다시 밖으로 내보낸다. 구조도 기능도 서로 무관한 여러 약물이 한꺼번에 듣지 않게 되는 다약제 내성이 이렇게 생긴다. 간세포암에서 P-당단백질의 발현 증가는 나쁜 치료 결과와 짧은 생존에 강하게 연관된다.
저해제가 펌프를 막으면 항암제가 세포 안에 머문다. 미국 식품의약국은 2020년 지침에서 P-당단백질 저해 평가를 약물–약물 상호작용 연구의 일부로 의무화했다. 내성 극복만이 아니라 간독성 평가에도 결정적이기 때문이다.
암 치료의 관점은 격심하게 바뀌었다. 단순하고 일률적이던 시야에서 여러 진료 영역의 신중한 조율과 결합을 요구하는 다차원적 치료 접근으로 옮겨 간 것이다. 전통적으로는 진단이 내려지면 화학요법, 방사선, 수술 같은 표준화된 치료가 주어졌으나, 이 보편적 절차는 암의 내재적 복잡성을 감당하기에 부족했다.
오늘날의 암 치료는 개별 환자의 암이 저마다의 사정에 뿌리를 둔 맞춤 관점을 요구한다는 인식 위에 선다. 정밀·개인 맞춤 의료는 유례없는 수준의 맞춤화와 선택성을 도입해 암 치료를 다시 짰다. 유전체 분석의 통합은 종양의 철저한 유전적 특성 규명과 특정 돌연변이의 이해, 생체 서명의 파악을 포함한다.
유방암 환자에서 인간 표피성장인자 수용체 2(HER2) 단백질을 식별하는 HercepTest와 유방암 유전자 1·2(BRCA1/2)를 식별하는 BRACAnalysis CDx는 환자를 알맞은 치료에 정확히 대응시키는 검사다.
현대의 암 치료는 종양내과와 방사선종양학, 외과, 병리과 등 저마다 고유한 숙련을 지닌 여러 전문가의 협력을 요구한다. 암 백신, 세포 치료, 면역관문 억제제 같은 면역치료의 진전이 새로운 방식으로 자리 잡았고, 의료진은 최적의 결과를 우선하면서 점점 복잡해지는 판단 절차를 다루어야 한다.
탈락률은 신약 개발의 여러 단계에서 후보가 무너질 확률을 뜻한다. 항암 신약 개발은 현대 의학에서 가장 까다로운 전망을 대표하는 영역이며, 성공한 결과보다 헛된 시도가 압도적으로 많다.
그럼에도 여러 혁신적 항암제가 이 까다로운 절차를 성공적으로 통과했다. 획기적 기법과 계획적 개발이 진보한 치료로 이어질 수 있음을 보여준 사례다.
이마티닙은 만성 골수성 백혈병에서 BCR-ABL 티로신 키나아제를 저해하도록 특별히 설계되었다. 펨브롤리주맙은 PD-1/PD-L1 경로를 공략해 면역계의 반응을 높이는 현대 면역치료의 성공 사례다. 탈락률이 높다 해도 집중된 과학적 새로움과 계획된 개발이 결합하면 변혁적 치료에 이를 수 있음을 이 성취들이 드러낸다.
심층학습 기반 도구로 약물과 표적의 상호작용을 예측해 발굴을 앞당긴다.
거대한 화학 라이브러리를 계산으로 훑어 후보를 추린다.
정량적 구조–활성 관계 기법으로 후보 물질의 흡수·분포·대사·배설과 독성을 분석한다.
생물학적 계를 시간에 따라 모사해 약물–표적 상호작용을 이해한다.
계산 기반 기법의 활용은 신약이 시장에 이르는 시간을 줄이고 유망한 후보의 신속한 발굴을 도우며 실험 비용을 낮춘다. 빠른 발굴에서 개선된 환자 건강에 이르기까지, 이 영역이 암 진료의 발전에 각별히 유망한 까닭이 여기 있다.
간세포암은 원발성 간암 가운데 가장 흔하며 세계적으로 암 관련 사망 원인의 네 번째다. 수술 기법과 방사선치료, 전신 치료의 진전에도 예후는 여전히 나쁜데, 화학요법 실패율이 높은 것이 큰 이유다. 그 실패에 기여하는 주요 요인이 다약제 내성이다.
다약제 내성은 암세포가 구조적으로도 기능적으로도 서로 무관한 다양한 화학요법제에 저항하게 되는 현상이다. 여러 기제 가운데 다약제 내성 단백질 1(MDR1), 곧 P-당단백질 또는 ABCB1의 과발현이 결정적 역할을 한다.
P-당단백질은 ATP 의존성 막관통 유출 펌프로, 여러 화학요법 약물을 암세포 밖으로 능동적으로 내보내 세포 내 농도와 치료 효력을 함께 떨어뜨린다. 간세포암에서 이 단백질의 발현 증가는 나쁜 치료 결과와 짧은 생존율에 강하게 연관되어 있다.
P-당단백질이 매개하는 약물 내성의 임상적 영향을 인식해, 미국 식품의약국은 2020년 갱신 지침에서 약물–약물 상호작용 연구의 일부로 P-당단백질 저해의 평가를 의무화했다. 약물 내성만이 아니라 잠재적 간독성과 치료적 적용에서도 이 단백질의 역할을 평가하는 일이 중요함을 강조한 것이다.
저해제를 식별하고 그 상호작용을 이해하면 약물의 약동학을 더 잘 예측하고 이상 상호작용을 피하며 화학요법 요법의 효력을 개선할 수 있다. 간세포암에서 P-당단백질을 겨냥하는 일이 다약제 내성을 극복하고 치료 결과를 최적화하며 새 치료제의 개발을 이끄는 결정적 전략으로 점점 더 여겨지는 까닭이다.
미국 식품의약국이 권고하는 MDCK-MDR1 세포 기반 투과성 검정이 P-당단백질 저해제의 식별과 특성 규명에 널리 쓰인다. 신뢰할 만하지만 상당한 한계를 안는다.
그래서 기계학습과 인공지능 기반 도구가 해법으로 제시된다. P-당단백질 저해 성질을 효율적이고 정확하게 예측하는 도구는 고속·저비용의 대안을 제공해 대규모 라이브러리의 신속한 선별을 가능케 한다. 독성 예측을 위한 통합 계산 시스템(ICS)은 기계학습 알고리즘과 케모인포매틱스, 시스템 생물학을 결합해 신약 발굴의 이른 단계에서 잠재적 독성 프로필을 포괄적이고 고속으로 평가한다. 값비싸고 오래 걸리는 시험관·생체 내 시험에 대한 의존을 줄이면서 큰 데이터셋과 다변수 분석으로 예측 정확도를 높인다.
중요성에도 불구하고, 방대하고 조각난 문헌에서 P-당단백질 저해제의 물리화학·독성 관련 데이터를 체계적으로 추출하는 일은 여전한 난제다. 수작업 수집은 시간과 자원을 크게 요구해 효율적인 발굴을 가로막는다. 이 빈틈을 메우려고 제시된 것이 데이터·텍스트 마이닝 플랫폼 PGP-miner다.
결합 관련 물리화학적 성질과 독성 위험을 포함한 핵심 매개변수의 검색을 자동화함으로써 수작업 부담을 줄이면서 관련 데이터를 포괄적으로 다룬다. 자동화된 텍스트 마이닝과 구조화된 데이터 추출을 통합해 후보 분자의 식별과 선별을 앞당기고, 더 안전하고 효과적인 P-당단백질 표적 치료제의 개발에 기여한다는 것이 저자들의 서술이다.
이 연구의 목표는 간 P-당단백질 수송체의 저해 잠재력을 예측하는 견고한 기계학습·인공지능 도구를 개발하는 것이었다. 특히 간세포암 치료를 강화할 수 있는 식물 유래 화합물의 식별에 초점을 두었다.
알려진 화합물 2500개로 정제된 데이터베이스를 만들었다. 베라파밀, 사이클로스포린 A, 타리퀴다르 같은 미국 식품의약국 승인 P-당단백질 저해제와 소라페닙, 레고라페닙 같은 간세포암 관련 항암제가 포함되었다. 시험관·생체 내 IC50 값과 전체 물리화학적 기술자 집합으로 주석을 달았다.
이어 식물 유래 화합물 10만 개로 이루어진 포괄적 데이터베이스를 구축하고, 모든 화합물을 동일한 기술자 집합으로 표준화하고 특성을 규명했다.
AutoDock Vina로 고속 분자 모델링을 수행해 알려진 저해제를 도킹했다. 리핀스키 규칙으로 걸러낸 상위 1만 개 식물화합물을 P-당단백질 결합 부위(PDB ID: 6C0V)에 맞대었고, 이 과정은 Perl 기반 스크립트 워크플로로 자동화했다.
도킹 상위 100개 식물화합물을 GROMACS로 50나노초 분자동역학 모사에 부쳤다. 평균제곱근편차(RMSD), 수소 결합, MM-PBSA를 통한 결합 에너지, 복합체의 안정성에 관한 결정적 데이터를 얻었다.
이 출력을 기술자 데이터·실험 데이터와 통합해 하나의 데이터셋으로 만들고, 로지스틱 회귀, 서포트 벡터 머신, 랜덤 포레스트, 엑스트라 트리, 다층 퍼셉트론을 분류와 회귀 과제에 각각 동원했다.
훈련된 다층 퍼셉트론 회귀 모형을 10만 개 식물화합물 전체에 적용해 IC50을 예측했다. 상위 20개 후보는 예측 IC50이 1 μM 미만이고 도킹 점수가 −9.0 kcal/mol보다 낮았으며 분자동역학 모사에서 안정적인 결합 프로필을 보였다.
그 가운데 하나의 케르세틴 유도체가 두드러졌다. 예측 IC50 0.67 μM, 결합 에너지 −45.3 kcal/mol, 50나노초 모사에서의 견고한 안정성을 보였고, 약물유사성과 ADMET 성질도 양호해 실험적 검증의 우선 대상으로 지목되었다.
원문은 최종 후보를 두고 “실험적 검증의 우선순위에 둘 만하다”고 적는다. 곧 계산의 예측이며 실측값이 아니다. 본 요약의 IC50 0.67 μM과 −45.3 kcal/mol도 모두 예측값이다.
더구나 원문이 제시한 이 화합물의 식별자는 ZINC12345678이다.
형식은 ZINC 데이터베이스의 것이지만 1부터 8까지 이어지는 숫자라
자리표시자로 남겨진 값일 가능성이 크다.
인용 시 원 식별자의 확인이 필요하다.
화합물 데이터를 예측 모형에 효과적으로 통합하려면 분자 기술자의 신중한 선택과 표준화가 필수다. 구조와 물리화학, 생물학적 성질에 걸친 이 여덟 항목이 인공지능 기반 예측의 입력을 이룬다.
분자 모델링과 인공지능 접근의 통합은 간세포암 치료에서 P-당단백질 저해제의 안전성과 효력을 예측하는 데 전통적 선별법의 강력하고 빠르고 비용 효율적인 대안이 된다. 인 실리코 도킹과 분자동역학 모사, 기계학습 알고리즘을 결합한 이 플랫폼은 결합 친화도, 저해 역가, 그리고 약물유발 간손상 위험 같은 안전성 프로필을 포함해 화합물의 거동을 고속으로 선별하고 정확히 예측하게 한다.
분자 모델링과 인공지능을 결합해 간세포암 치료의 P-당단백질 저해제를 예측하는 접근은 큰 가능성을 보이지만, 이 분야를 더 밀고 나갈 방향이 여럿 남아 있다.
예측 모형의 일반화 가능성을 높이려면 화학 라이브러리의 다양성과 규모를 넓혀야 한다.
전사체와 단백체 같은 다중오믹스 데이터를 넣으면 복잡한 생물학적 상호작용과 환자별 반응을 포착하는 능력이 개선된다.
강화 표본화 기법으로 분자동역학 모사를 정련하면 생리학적 시간 규모에서 약물–단백질 상호작용에 대한 더 깊은 통찰을 얻는다.
계산의 예측과 임상적 적용 사이의 간극을 메우려면 시험관 오가노이드 모형이나 미세유체 ‘칩 위의 간’ 시스템과의 통합이 생체 내 연구에 앞선 견고한 검증 단계가 될 수 있다.
해석 가능성과 규제의 수용, 그리고 예측에 대한 신뢰를 높이려면 설명가능 인공지능 틀의 개발이 결정적이다.
이 접근을 P-당단백질 저해 너머의 다른 내성 기제와 약물–표적 상호작용으로 넓히면 간세포암과 다른 암의 치료 전략을 최적화하는 포괄적 파이프라인을 만들 수 있다.
이 장은 구체적인 도구와 사례를 제시한다는 점에서 값지지만, 그 사례의 검증 상태와 본문의 언어에 유의할 대목이 여럿 있다. 원문을 옮기며 걸린 것을 감추지 않고 적어둔다.
ZINC12345678은 형식은 ZINC 데이터베이스의 것이나
1부터 8까지 이어지는 숫자여서 자리표시자로 남겨진 값일 가능성이 크다.
인용 시 원 식별자의 확인이 필요하다.
victim consequences”,
1.2절의 “guiding novel treatment to victims of cancer”가 그것이다.
학술 문헌에서 암 환자를 이렇게 부르는 것은 적절하지 않으며,
본 요약에서는 모두 ‘환자’로 옮겼다.
regulations”(disciplines), “merchandize consent”(market approval),
“cancer vigilance”(care), “the birth of cutting-edge insights”(emergence),
“shocking statistics” 등이 그러하다.
본 요약에서는 문맥에 맞추어 원래 의미로 복원해 옮겼다.
minor tool”로 되어 있다.
miner의 오식이다. Table 14.2의 “XLOP3-AA”도
XLOGP3-AA의 오식이며, 같은 표의 마지막 행 설명
“Are of affinities”는 의미가 통하지 않는다.