[메디게이트뉴스 이지원 기자] 인공지능(AI)을 활용한 신약개발에서 예측 성능을 높이고 유망한 후보물질을 선별하기 위해서는 데이터의 정확성과 연구 목적에 적합한 분석 기법을 확보하는 것이 중요하다. 특히 중추신경계(CNS) 신약개발에서는 혈액뇌장벽(BBB) 투과성 예측부터 약물 결합 부위 분석, 치료 표적의 우선순위 선정까지 AI의 활용 범위가 확대되고 있다.

영국 유니버시티 칼리지 런던(UCL) 에디스 챈(Edith Chan) 교수는 10일 서울 역삼동 ST센터에서 열린 'AI 파마 코리아 컨퍼런스 2026'에서 AI를 활용한 CNS 신약개발 연구 사례를 소개하며, 이같이 강조했다.

이날 챈 교수는 AI 신약개발의 핵심 요소로 정확한 데이터와 우수한 머신러닝 기법, 연구 목적에 적합한 분자 특성 정보의 결합을 꼽았다.
 
AI로 혈액뇌장벽 투과성 예측 성능 개선…핵심은 데이터 양보다 '정확성'

CNS 치료제 개발에서는 후보물질이 BBB를 통과해 뇌에 도달할 수 있는지 판단하는 것이 중요하다. BBB는 유해 물질의 뇌 유입을 제한하는 방어 체계지만, 치료 목적의 약물 전달에도 장애물로 작용한다.

이에 챈 교수 연구진은 약물의 BBB 투과 가능성을 예측하기 위한 데이터베이스 'CNS-DB'를 구축하고 머신러닝 모델을 개발했다.

CNS-DB에는 BBB 투과 여부가 분류된 분자 3323개의 정보가 포함됐으며, 이 중 952개는 정량적인 BBB 투과성 측정값을 확보했다. 연구진은 기존 공개 데이터베이스에서 중복 정보를 제거하고 잘못된 분자 구조를 수정하는 과정을 거쳐 데이터의 정확성을 높였다.

챈 교수는 "데이터베이스에 더 많은 데이터가 있다고 해서 반드시 좋은 것은 아니다. 분석에 활용하려면 정확한 정보가 있어야 한다"고 강조했다.

정제된 데이터를 활용해 구축한 랜덤 포레스트(Random Forest) 모델은 628개 화합물을 대상으로 한 평가에서 수신자조작특성곡선 아래 면적(AUC) 0.90을 기록했다. 챈 교수에 따르면 기존 경험적 평가 방식인 BPI(0.75), CNS MPO(0.59)보다 높은 예측 성능을 보였다.

연구진은 외부 데이터베이스인 ChEMBL에서 확보한 1771개 화합물에도 모델을 적용했다. 진정·수면제, 항경련제, 항정신병약 등 CNS에 작용하는 약물군에서는 BBB 투과 가능성이 높게 예측됐으며, 항진균제와 항균제 등에서는 낮게 나타나는 경향을 확인했다.

챈 교수는 머신러닝 기반 예측모델의 한계도 언급하며 "머신러닝은 블랙박스와 같아서 어떤 요인이 예측에 영향을 미쳤는지 알기 어려울 수 있다. 기존의 경험적 평가 방식은 예측 결과를 이해하는 데 도움이 되는 물리화학적 특성을 제공한다"고 설명했다.
 
단백질 구조·질환 연관성 분석해 유망 신약 타깃 선별…파킨슨병 치료 표적 발굴에도 활용

연구진은 AI를 활용해 단백질의 약물 결합 부위를 분석하고, 신약개발에 활용할 치료 표적을 선별하는 연구도 진행하고 있다.

구체적으로 단백질의 3차원 결합 부위 유사성을 분석하는 AI 모델 'BindSiteS-CNN'을 개발했다. 이 모델은 단백질 결합 부위의 구조와 물리화학적 특성을 분석해 서로 다른 단백질 사이의 유사성을 평가한다.

연구진은 단백질 서열의 유사성이 거의 없는 두 단백질에서도 약물 결합 부위의 구조적 유사성을 확인한 사례를 제시했다. 또한 단백질 키나아제 계열을 대상으로 한 분석에서는 결합 부위의 특성을 바탕으로 단백질 계열뿐 아니라 활성형과 비활성형 구조도 구분할 수 있음을 확인했다.

챈 교수는 "이러한 분석을 통해 기존 약물이 다른 단백질에도 결합할 가능성을 탐색할 수 있다"며 "약물 재창출을 위한 후보를 찾는 데 활용할 수 있다"고 설명했다.

신약 타깃의 우선순위를 선정하는 연구에서는 질환 연관성과 화합물 활성, 단백질 구조 정보를 통합하는 접근법을 활용했다.

질환과 연관된 단백질을 찾아내더라도 실제 약물로 해당 표적을 조절할 수 있는지는 별도로 검토해야 한다. 이에 연구진은 질환 관련 유전자 정보를 제공하는 DisGeNET, 화합물의 생물학적 활성 정보를 담은 ChEMBL, 단백질 구조 데이터베이스인 PDB 등의 자료를 활용했다.

이는 질환과의 연관성, 화학적 표적화 가능성, 구조적 근거를 종합해 후보 단백질별 평가 점수를 산출하고, 후속 연구에 적합한 표적을 선별하는 방식이다.

챈 교수는 "이러한 평가 점수를 활용하면 여러 단백질 중 후속 연구에 가장 적합한 표적이 무엇인지, 어떤 표적이 신약개발이 유리한지 등을 판단할 수 있다"고 설명했다.

연구진은 이러한 접근법을 파킨슨병 관련 미토콘드리아 기능 이상 연구에 적용했다.

파킨슨병에서는 손상된 미토콘드리아를 제거하는 과정인 미토파지(Mitophagy)의 이상이 질환 발생과 진행에 관여하는 것으로 알려져 있다. 연구진은 미토콘드리아 외막 단백질과 ULK1을 연결해 손상된 미토콘드리아의 제거를 유도하는 분자 'ULKREC'에 활용할 표적을 탐색했다.

이를 위해 미토콘드리아 외막 단백질의 특성과 약물개발 가능성을 분석하고, 후속 연구를 위한 후보 단백질 4개를 우선 선정했다.

선정된 후보에는 기존 연구에서 개념검증이 이뤄진 TSPO와 관련 연구가 진행된 USP30이 포함됐다.

챈 교수는 "연구진은 이들 외에도 추가적인 연구가 필요한 새로운 후보 표적 2개를 제안했다"며 "향후 이를 뒷받침할 실험적 근거를 확보할 수 있을지 지켜봐야 한다"고 말했다.