KLIFS의 2025–2026년 가치는 “데이터베이스가 더 커졌다”는 데 있지 않다. 더 중요한 변화는 kinome 전체를 85개의 공통 구조 좌표로 번역한다는 원리가 AI, 3D motif, water network, 임상 변이, energetic fingerprint를 연결하는 공용 언어로 다시 쓰이고 있다는 점이다.
첨부 자료가 설정한 최근 문헌의 범위는 2025년 1월 1일부터 2026년 8월 19일까지다. 이 기간에 새로운 대규모 KLIFS database overhaul 자체를 전면에 내세운 대표 연구보다, KLIFS를 공통 structural coordinate system, interaction fingerprint의 기준, kinase 구조 데이터 인프라로 활용하면서 richer representation을 덧붙이는 연구가 중심을 이룬다. 공식 KLIFS는 자료 기준 2026년 8월 12일 v3.2이며 326개 kinase, 6,738개 PDB structure, 13,972개 monomer, 4,179개 unique ligand를 표시한다. [1]
KLIFS는 데이터베이스이기 전에 구조적 문법이다
서로 다른 kinase를 같은 좌표로 번역하면, 화학구조가 다른 ligand도 interaction strategy라는 공통 언어로 비교할 수 있다.
85개의 좌표와 7개의 상호작용 알파벳
KLIFS를 가장 정확하게 이해하는 방법은 “kinase structure database”보다 kinase–ligand complex를 동일한 구조적 문법으로 번역하는 표준 좌표계로 보는 것이다. 각 kinase의 ATP-binding pocket을 각자의 sequence residue number로 비교하지 않고, 구조적으로 대응하는 85개 residue position으로 맞춘다. 이 85-residue 체계가 KLIFS의 핵심 자산이다. [1]
각 위치에서 KLIFS interaction fingerprint는 7종의 interaction class를 검사한다. 자료가 정리한 표현은 다음과 같다.
7개 class에는 hydrophobic contact, 두 종류의 aromatic interaction, protein donor/acceptor hydrogen bond, 양·음이온성 상호작용 등이 포함된다. [13] 직관적으로 말하면 85개의 residue는 좌표, 7개의 interaction type은 알파벳, 595개의 bit는 결합 문장이다. 두 complex의 문장은 Jaccard similarity 같은 지표로 비교할 수 있다.
선택성이라는 역설: 잘 붙어야 하지만 아무 데나 붙으면 안 된다
Kinase inhibitor discovery의 근본적 난점은 conserved ATP-binding site에서 시작한다. 목표 kinase에는 강하게 결합해야 하지만 인간 kinome의 많은 kinase가 비슷한 pocket feature를 공유한다. 여기에 conformational state, resistance mutation, hydration, assay condition, patient variant가 개입한다. 2025 kinase-AI review 역시 selectivity, off-target effect, resistance mutation, 환자 간 차이를 지속적인 핵심 난제로 다룬다. [10]
그러나 실제 affinity \(A\)는 kinase 이름과 ligand만의 함수가 아니다.
여기서 \(C\)는 conformation, \(W\)는 water state, \(V\)는 mutation/variant를 뜻한다. 초기 KLIFS가 “residue numbering과 pocket definition이 달라 서로 비교하기 어렵다”는 문제를 해결했다면, 2025–2026년의 질문은 더 넓다. 85-residue 좌표는 유지하면서 binary contact가 놓치는 geometry, energetics, hydration, dynamics, mutation, AI explanation을 어떻게 함께 표현할 것인가가 새 문제다.
KLIFS를 다시 읽는 다섯 개의 개념
Structural equivalence
sequence identity보다 structural equivalence를 우선해 hinge, gatekeeper, catalytic loop, xDFG/DFG, activation loop의 기능적 대응 위치를 같은 index에 놓는다. 일반 residue numbering이 주소라면 KLIFS numbering은 kinome 공용 GPS에 가깝다.
Interaction fingerprint
화학적으로 다른 ligand라도 hinge donor/acceptor나 gatekeeper 주변 hydrophobic contact가 같다면 같은 binding strategy를 가질 수 있다. 즉 chemical similarity와 interaction similarity를 분리한다.
Conformational state
DFG-in/out, αC-helix, activation-loop state가 pocket topology를 바꾼다. 2026 topological-water-network 연구는 비교 조건을 맞추기 위해 DFG-in 구조를 선별했다. [7]
Ligand-agnostic 3D motifs
2025 Derry 등은 ligand를 제거한 뒤 85개 position 주변의 local 3D environment를 self-supervised embedding으로 표현하고 motif를 clustering했다. 질문이 “무엇과 접촉했나?”에서 “어떤 microenvironment인가?”로 이동한다. [4]
Water mediation
2026 Jeoung 등은 direct protein–ligand contact를 넘어 binding-site water network와 kinase fragment placement를 연결했다. solvent를 제거할 대상이 아니라 설계 변수로 되돌린 사례다. [7]
왜 지금 KLIFS가 다시 중요해지는가
구조예측·GNN·foundation model·MD·clinical genomics가 함께 쓰일수록 공통 residue coordinate system의 가치가 오히려 커진다.
서로 다른 계산방법이 대화하려면 공용 언어가 필요하다
최근 구조 기반 drug discovery는 experimental structure, docking, graph neural network, foundation-model embedding, MD simulation, clinical variant를 함께 다룬다. 문제는 각 데이터의 residue numbering과 pocket definition이 다르다는 데 있다. KLIFS는 이들을 같은 85-position 공간에 투영할 수 있게 해 주는 kinase structural lingua franca 역할을 한다.
첨부 자료가 묶은 네 연구는 겉보기에 전혀 다르다. Derry는 local structural representation을 KLIFS pocket에 투영했고, Groß 등의 2025 preprint는 AI attribution을 KLIFS residue에 정렬했으며, Jeoung은 hydration topology를 KLIFS/KinFragLib pocket에 연결했고, White 등은 암 환자의 missense variant를 85-residue position에 매핑했다. 핵심은 네 연구가 같은 coordinate system을 공유한다는 사실이다.
Binary fingerprint의 장점은 명료함이고, 약점도 바로 그 명료함이다
595-bit IFP는 비교와 clustering에 탁월하지만 정보 손실이 크다. interaction의 존재 여부는 알려 주지만 거리, 방향, interaction energy, water mediation, conformational probability는 표현하지 않는다. 따라서 최근 흐름은 KLIFS를 버리는 것이 아니라 공통 좌표계 위에 더 풍부한 representation을 얹는 것이다.
또한 IFP는 ligand-dependent하다. 같은 kinase라도 어떤 ligand가 결합했는지에 따라 fingerprint가 달라진다. Derry 등의 연구는 ligand를 제거한 pocket 3D environment만으로 representation을 만들었다. 첨부 자료에 따르면 충분한 표본이 있는 80개 kinase family 가운데 63개에서 structural-cluster fingerprint의 silhouette score가 KLIFS IFP보다 유의하게 높았고, IFP가 유의하게 더 좋았던 family는 없었다. 임상 kinase inhibitor 9종의 off-target 분석에서도 7종에서 structural-cluster approach가 KLIFS IFP보다 좋았고 Erlotinib과 Tozasertib에서는 비슷했다. [4]
또 다른 확장은 설명의 타당성이다. Groß 등의 ChemRxiv preprint는 약 10,000개 docked kinase–ligand complex에서 모델의 예측 성능뿐 아니라 residue attribution이 ATP-pocket interaction ground truth와 정렬되는지를 따로 평가했다. 3D structural model은 일정 수준의 alignment를 보였으나 3D 정보가 없는 baseline은 유의한 alignment를 보이지 않았다는 것이 자료가 요약한 핵심 메시지다. 이 연구가 아직 preprint라는 점은 함께 남겨야 한다. [6]
표현, 동역학, 편향, shortcut, 임상 매핑
Compression
threshold를 간신히 넘은 hydrogen bond와 매우 강한 bond를 모두 1로 기록한다. 2026 IUCr energy-resolved fingerprint 연구는 fragment interaction energy, QTAIM, electrostatic analysis를 결합해 binary IFP를 energy-aware representation으로 확장한다. KLIFS 공식 확장이라기보다 인접한 발전 방향이다. [9]
Static structure
X-ray 한 장은 ensemble 중 한 순간이다. 실제 recognition은 conformer와 water configuration 사이를 이동한다. TWN 연구가 MD와 water topology를 결합한 이유다. [7]
Data bias
잘 연구된 kinase에는 많은 structure와 ligand가 있지만 dark kinome에는 데이터가 부족하다. 2025 understudied-kinase 연구는 chemical probe와 pharmacological coverage의 불균형을 보여준다. [11]
AI shortcut learning
높은 test score가 물리적으로 올바른 interaction을 학습했다는 뜻은 아니다. 2026 Runs N' Poses 계열 generalization 연구는 최신 cofolding method가 novel principle보다 training ligand pose를 기억할 수 있음을 지적한다. [12]
Clinical mapping
kinase identifier, canonical sequence, database별 kinase 범위 차이를 해결해야 85-residue site를 patient sequencing cohort에 정확히 투영할 수 있다. [8]
2025–2026 frontier: 접촉, 구조, 물, 변이, 에너지가 한 좌표로 모인다
최근 연구는 서로 다른 modality를 하나로 합친 단일 모델을 제시하기보다, 85-residue coordinate system에 각기 다른 정보를 덧붙이는 방향으로 전개된다.
다섯 연구가 확장한 다섯 차원
| 연구 | KLIFS와의 연결 | 핵심 방법 | 의미 / 증거 수준 |
|---|---|---|---|
| Derry et al. Bioinformatics 2025 | 85-residue pocket과 IFP를 직접 benchmark로 사용 | 1,500만 개 이상의 local structural environment를 self-supervised embedding 후 clustering. KLIFS subset에서 7,206 structures, 283 kinases 분석 | ligand-free 3D motif fingerprint로 selectivity/off-target 비교. peer-reviewed |
| Groß et al. ChemRxiv 2025 | KLIFS/Kinodata3D 및 interaction profile 사용 | 약 10,000 docked 3D complex + PLIP/IFP + model-agnostic XAI, residue attribution과 reference interaction 비교 | “맞혔는가?”에서 “올바른 이유로 맞혔는가?”로 평가 확장. preprint [6] |
| Jeoung et al. J. Cheminformatics 2026 | KLIFS 11 kinase의 DFG-in structures와 KinFragLib 사용 | MD hydration analysis → topological water network → fragment placement/growing → docking 및 실험 검증 | solvent를 설계 feature로 승격. peer-reviewed [7] |
| White et al. AACR 2026 | 85 residues를 canonical UniProt sequence에 mapping | 93,249명 clinical sequencing cohort와 structural-site mapping | mutation을 residue-level drug-binding context로 해석. conference abstract [8] |
| Malińska et al. IUCr 2026 | 동일 KLIFS 시스템은 아니지만 kinase IFP의 확장 방향 | 51개 고해상도 kinase–inhibitor structure에서 QM-inspired fragment energies + QTAIM + electrostatics | binary fingerprint → energy-resolved fingerprint. conference work [9] |
“무엇과 접촉했는가”와 “무엇을 제공할 수 있는가”를 분리한다
Derry 등의 접근은 개념적으로 특히 중요하다. ligand를 제거한 뒤 각 KLIFS position 주변의 embedding을 cluster ID로 바꾸면 기존의 ligand-contact barcode와 다른 종류의 fingerprint가 생긴다.
둘의 차이는 작지 않다. 전자는 현재 ligand와 어떤 contact가 만들어졌는가를 말한다. 후자는 ligand가 없어도 이 pocket이 어떤 interaction environment를 제공할 잠재력이 있는가를 말한다. selectivity와 off-target을 ligand structure에 덜 종속적으로 비교할 수 있다는 점에서 중요한 전환이다.
여섯 개의 연구질문: 정확도보다 더 어려운 것을 묻는다
새 representation이 좋은가만 묻지 않는다. 새로운 kinase, off-target, water-mediated design, clinical variant, energy, generalization까지 연구질문이 확장된다.
최근 문헌을 하나의 연구 프로그램으로 읽으면
RQ1 · Ligand-agnostic pocket
ligand-dependent KLIFS IFP보다 ligand-agnostic 3D pocket representation이 새로운 kinase와 off-target을 더 잘 식별하는가? Derry의 2025 결과는 상당히 긍정적인 증거를 제시한다. [4]
RQ2 · Biophysical alignment
높은 affinity prediction accuracy를 가진 AI가 실제로 올바른 residue interaction을 근거로 예측하는가? prediction \(\hat y\)뿐 아니라 explanation \(E(\hat y)\)도 평가해야 한다. [6]
RQ3 · Water-mediated design
direct protein–ligand contact를 넘어 water-mediated network 자체를 설계 대상으로 만들 수 있는가? TWN-FG가 이를 prospective inhibitor design으로 확장한다. [7]
RQ4 · Clinical variants
KLIFS pocket coordinate를 germline/somatic variant와 연결하면 resistance 또는 patient-specific binding change의 structural hotspot을 찾을 수 있는가?
RQ5 · Continuous energetics
binary interaction fingerprint를 energetic/continuous representation으로 바꾸면 scaffold ranking과 SAR 설명력이 향상되는가? [9]
RQ6 · Predicted structure expansion
experimental KLIFS structure가 부족한 kinase를 predicted/cofolded structure로 확장할 때 generalization과 uncertainty를 어떻게 보장할 것인가? [12]
Clinical-scale signal
White 등의 AACR 2026 분석은 93,249명의 환자 cohort에서 kinase ATP-pocket missense variation을 KLIFS 위치에 연결했다. 첨부 자료에 따르면 11,071명, 약 11.9%의 환자에서 조사된 kinase ATP pocket 내 amino-acid substitution이 관찰됐다. [8]
이 결과는 “variant가 pocket position에 있다”는 mapping을 제공한다. 해당 variant가 실제 resistance를 일으킨다는 인과 결론까지 자동으로 따라오는 것은 아니다.
어디에 쓰이는가, 그리고 무엇이 아직 비어 있는가
selectivity, scaffold hopping, XAI validation, precision oncology, fragment design에서 KLIFS의 공통 좌표계는 실제 작업 단위가 된다.
다섯 가지 핵심 응용
Kinome-wide selectivity와 off-target
KLIFS IFP를 쓰면 chemical structure가 다른 inhibitor도 공통 interaction pattern으로 비교할 수 있다. 3D motif representation은 이를 ligand-independent pocket similarity로 확장한다.
Lead optimization과 scaffold hopping
“화학적으로 비슷한 molecule”보다 “같은 hinge/gatekeeper/back-pocket interaction을 재현하는 molecule”을 찾을 수 있다. Jeoung 등의 TWN-FG는 여기에 water-network complementarity를 새로운 설계축으로 추가한다. [7]
AI model의 mechanistic validation
모델 saliency나 residue attribution을 KLIFS position으로 투영하면 모델 간 explanation을 같은 좌표에서 비교할 수 있다. KLIFS가 label database를 넘어 AI explanation ground-reference가 될 수 있다는 뜻이다. Groß 등의 연구가 이 가능성을 직접 탐색한다. [6]
Precision oncology와 resistance
환자 mutation을 kinase마다 다른 residue number로 보는 대신 85-position coordinate로 바꾸면 gatekeeper, hinge, DFG 주변 변이를 kinome-wide 공통 공간에서 비교할 수 있다. [8]
Fragment-based design
KinFragLib처럼 KLIFS-aligned complex에서 fragment를 추출하면 fragment가 어떤 subpocket을 선호하는지 kinase-wide하게 비교할 수 있고, 최근에는 hydration topology까지 결합된다.
다섯 개의 응용보다 여섯 개의 빈칸이 더 중요하다
- Interaction presence와 binding causality의 간극. contact가 관찰됐다는 사실만으로 affinity contribution을 알 수 없다. enthalpy–entropy compensation, desolvation, protonation, induced fit은 binary IFP로 표현하기 어렵다.
- Single-structure bias. 동일 kinase–ligand pair에도 여러 microstate가 존재한다. fingerprint를 ensemble representation으로 확장해야 한다.
- Coverage와 negative data 부족. dark kinome은 structure·probe·activity data가 부족해 모델이 biology보다 database frequency를 배울 위험이 있다. [11]
- Allosteric / covalent chemistry. 85-residue 체계는 catalytic cleft 비교에 강하지만 distal allosteric pocket이나 복잡한 covalent mechanism을 하나의 orthosteric 595-bit representation으로 충분히 다루기는 어렵다. 이것은 실패라기보다 설계 범위의 경계다.
- Genotype → structure → interaction → phenotype 연결. variant가 KLIFS position에 있다는 사실과 실제 drug resistance를 일으킨다는 주장은 다르다. mutation-specific ensemble, energetics, cell phenotype, clinical response까지 연결해야 한다.
- AI generalization 검증. random split만으로 scaffold와 structure leakage를 막기 어렵다. temporal split, scaffold split, unseen kinase, unseen pocket state를 함께 보는 평가가 필요하다. [12]
미래의 KLIFS는 binary database가 아니라 probabilistic interaction field일 수 있다
이 Part는 첨부 자료가 2025–2026 문헌을 통합해 제안한 연구 프레임이다. 현재 KLIFS의 공식 specification과 구분한다.
Static binary fingerprint → dynamic multimodal kinase interaction atlas
현재의 KLIFS representation이 \(F_{i,t}\in\{0,1\}\)이라면, 첨부 자료는 미래의 residue state를 더 풍부한 벡터로 확장하는 방향을 제안한다.
여기서 \(p_{i,t}\)는 interaction formation probability, \(d,\theta\)는 거리와 방향성, \(\Delta E\)는 energetic contribution, \(W\)는 water-network state, \(C\)는 kinase conformation, \(V\)는 mutation/variant state, \(U\)는 prediction/experimental uncertainty를 뜻한다. 그러면 fingerprint는 barcode가 아니라 상태와 시간에 따라 달라지는 확률적 interaction field가 된다.
한 문장으로 압축한 논문급 가설
이 가설의 장점은 KLIFS의 강점인 standardization과 interpretability를 버리지 않고 foundation model, GNN, MD, quantum chemistry, clinical genomics를 하나의 common representation space에 연결할 수 있다는 데 있다. 첨부 자료는 KLIFS의 미래를 “더 큰 데이터베이스”보다 더 풍부한 공통 표현 공간으로 보는 편이 설득력 있다고 결론낸다.
정리: KLIFS의 미래는 더 많은 bit가 아니라 더 많은 상태다
binary contact를 확장하되 공통 좌표와 해석 가능성은 남긴다. 그것이 최근 연구를 하나의 방향으로 묶는 가장 단순한 문장이다.
이 문헌군에서 남는 다섯 가지
01 · Standardization is the moat
KLIFS의 핵심 자산은 595-bit 자체보다 kinome 전체를 같은 85-residue 언어로 표현하는 표준화 원리다.
02 · Contacts are not enough
geometry, energy, water, dynamics, variants가 들어오면 “contact가 있다”에서 “왜 중요하고 언제 생기는가”로 질문이 이동한다.
03 · AI needs biophysical grounding
좋은 prediction score와 올바른 residue-level reasoning은 다르다. KLIFS coordinate는 explanation alignment의 공통 기준이 될 수 있다.
04 · Clinical mapping is necessary, not sufficient
variant를 pocket에 매핑하는 것은 출발점이다. resistance causality를 말하려면 ensemble, energetics, phenotype, clinical response가 더 필요하다.
05 · Generalization must be novelty-aware
unseen scaffold, kinase, pocket state, time을 분리하지 않으면 AI가 실제 새로운 binding principle을 학습했는지 알기 어렵다.