광범위한 리간드 라이브러리가 있는 표적에 대한 약리단 모델링: SARS-CoV-2 Mpro에 대한 사례 연구
2025년 9월 26일
이 기사에서는 여러 리간드의 분자 특징을 통합하여 합의 약리단 모델을 구성하기 위한 프로토콜을 제시합니다. 이 방법은 알려진 리간드 결합 형태를 가진 모든 생물학적 표적을 표적으로 하는 약물 발견 노력에 적용할 수 있으며, 가상 스크리닝 및 합리적인 약물 설계를 위한 주요 상호 작용 특징을 식별할 수 있습니다.
우리의 연구는 대규모 리간드 라이브러리를 사용하여 약리단을 모델링하는 것을 탐구합니다. 이 연구에서 우리는 약물 발견을 안내하는 구조적 패턴을 식별하기 위해 SARS-CoV-2 Mpro에 중점을 둡니다. 약리단 모델링의 최근 발전은 더 크고 다양한 데이터 세트를 사용하여 신약 발견을 위한 핵심 분자 피더를 식별하는 정확도를 향상시킵니다.
분자 역학 시뮬레이션과 머신 러닝은 현재 약리단 모델링을 발전시키고 신약 발견 결과를 개선하는 데 사용됩니다. 주요 과제는 크고 다양한 리간드 데이터 세트를 관리하는 동시에 향후 추출 정확도를 개선하고 계산 비용을 줄이는 것입니다. 우리는 고가의 리간드 라이브러리가 약리단의 미래 정확도를 향상시켜 보다 신뢰할 수 있는 예측과 잠재적인 약물 후보의 더 나은 식별을 가능하게 한다는 것을 보여주었습니다.
시작하려면 PyMOL 소프트웨어를 실행하세요. 소프트웨어에서 모든 단백질 리간드 복합체를 정렬합니다. 정렬된 각 복합체에 대해 리간드 상합체를 추출하고 SDF 형식의 개별 파일로 저장합니다.
각 리간드 파일을 개별적으로 업로드하여 Load Features 옵션을 사용하여 파밍합니다. 로드 후 세션 저장 옵션을 사용하여 약리단 파일을 JSON 형식으로 다운로드합니다. 다운로드한 모든 약리단 JSON 파일을 나중에 Google Colab 환경에서 사용할 수 있도록 단일 폴더에 함께 저장합니다.
웹 브라우저에서 Google Colab을 실행하고 새 노트북을 만듭니다. Conda 및 PyMOL을 설치한 다음 재생 아이콘을 클릭하거나 Shift 및 Enter 키를 눌러 셀을 실행하여 성공적인 실행을 확인합니다. 올바르게 완료되면 셀 위에 녹색 막대가 나타납니다.
이제 CANFAR Python 패키지를 설치하고 필요한 모듈을 가져옵니다. 재생 아이콘을 클릭하여 셀을 실행하여 성공적인 설치를 확인합니다. 실행에 성공하면 확인 메시지가 나타납니다.
다음으로, 약리단 JSON 파일을 저장하기 위한 새 폴더를 만듭니다. 폴더를 열고 그 안을 마우스 오른쪽 버튼으로 클릭한 다음 업로드를 선택하여 JSON 파일을 업로드합니다. 약리단 특징을 구문 분석하고 통합하려면 업로드된 모든 파일에서 특징을 추출하십시오.
재생 아이콘을 클릭하여 셀을 실행하고 각 개별 리간드의 특징을 포함하는 통합 데이터 프레임을 생성합니다. 모든 약리단 설명자를 표시한 다음 셀을 실행하여 클러스터링 패턴을 표시합니다. 이제 약리단 모델을 PyMOL 형식으로 저장합니다.
셀을 실행하여 pse 파일을 생성한 다음, 해당 코드 셀을 실행하여 모델을 JSON 파일로 저장합니다. 제공된 코드를 사용하여 기능 클러스터형 출력 및 덴도그램을 생성합니다. 재생을 클릭하고 내보내기 명령을 실행하여 합의 약리단 데이터를 CSV 파일로 내보냅니다.
가상 스크리닝을 위해 생성된 합의 약리단 모델을 사용합니다. 서로 다른 비공유 억제제와 공결정화된 100개의 주요 프로테아제 또는 Mpro 복합체를 정렬하여 결합 포켓 내의 리간드 다양성을 시각화했습니다. 각 리간드는 정렬된 복합체에서 개별적으로 추출되어 가상 스크리닝을 위한 별도의 파일을 생성했습니다.
추출된 리간드는 pharmit 서버에 업로드되어 약리단 모델링을 위한 구조화된 JSON 파일을 생성하는 데 사용되었습니다. JSON 파일은 1, 450개의 약리단 특징을 산출했으며, 23개의 방향족, 30개의 수소 결합 수용체, 16개의 수소 결합 공여체, 36개의 소수성 및 5개의 음이온 클러스터를 포함하여 110개의 클러스터로 그룹화되었습니다. 합의 모델을 구축하기 위해 가장 밀도가 높은 클러스터만 유지되고 구성원이 부족하여 음이온 클러스터는 제외되었습니다.
최종 합의 약리단 모델은 수소 결합 수용체에 대한 3개의 방향족, 2개의 수소 결합 공여체 및 2개의 소수성 특징으로 구성된 11개의 특징으로 구성되었습니다. 가장 대표적이지 않은 방향족 특징인 aro 1, 2개의 후보 화합물이 확인되었습니다. 화합물 101 267 741의 2차원 화학 구조를 시각화하여 약리단 모델과의 호환성을 확인하였다.
화합물 101 267 741은 Mpro 바인딩 포켓에 깊숙이 들어가 S1 포켓을 향해 퍼지는 참조 리간드 38a보다 S1 및 S2 서브 포켓을 더 효과적으로 차지합니다. 화합물 101 267 741은 11개의 분자간 상호 작용, 7개의 수소 결합 및 4개의 소수성 접촉을 형성했습니다.
개요
본 논문은 여러 리간드로부터 분자적 특징을 통합하여 컨센서스 파마코포어 모델을 구축하는 프로토콜을 제시하며, 특히 SARS-CoV-2 Mpro에 초점을 맞춥니다. 이 방법은 가상 스크리닝 및 합리적 약물 설계를 위한 핵심 상호작용 특징을 식별함으로써 약물 발굴 노력을 강화합니다.
주요 연구 구성 요소
과학 분야
- 파마코포어 모델링
- 신약 개발
- 구조 생물학
배경
- 파마코포어 모델링은 대규모 리간드 라이브러리를 활용하여 구조적 패턴을 식별합니다.
- 모델링 기술의 발전은 핵심 분자 특성을 식별하는 정확도를 향상시킵니다.
- 주요 과제로는 다양한 데이터 세트의 관리와 계산 비용의 절감이 있습니다.
- 최근 연구들에 따르면 리간드 라이브러리의 규모가 클수록 예측 신뢰도가 높아지는 것으로 나타났습니다.
연구 목적
- SARS-CoV-2 Mpro에 대한 합의된 파마코포어 모델을 개발한다.
- 향상된 모델링 기술을 통해 신약 개발 성과를 개선한다.
- 파마코포어 특징의 추출 및 분석 과정을 효율화한다.
사용된 방법
- PyMOL을 사용하여 단백질-리간드 복합체를 정렬하였습니다.
- 리간드 컨포머를 추출하여 SDF 형식으로 저장하였습니다.
- 리간드 파일을 업로드하여 파마코포어 JSON 파일을 생성하였습니다.
- 데이터 처리 및 특징 추출을 위해 Google Colab을 활용하였습니다.
주요 결과
- 110개의 클러스터로 그룹화된 1,450개의 파마코포어 특징을 생성하였습니다.
- 최종 합의 모델은 방향족 및 수소 결합 상호작용을 포함한 11개의 특징으로 구성되었습니다.
- 화합물 101267741을 잠재적인 약물 후보로 식별하였습니다.
- Mpro 결합 포켓 내에서의 화합물 상호작용을 시각화하였습니다.
결론
- 합의된 파마코포어 모델은 가상 스크리닝을 효과적으로 안내합니다.
- 파마코포어 모델링의 정확도 향상은 약물 후보 물질 식별 능력을 높입니다.
- 향후 연구는 추출 방법의 정밀화와 계산 효율성 개선에 집중할 수 있습니다.
자주 묻는 질문
산업적 관련성 요약
광범위한 리간드 라이브러리를 이용한 컨센서스 약리단 모델링은 초기 단계 신약 개발, 특히 SARS-CoV-2 Mpro와 같은 표적에 대해 더 높은 예측 신뢰도를 제공합니다. 다양한 리간드 결합 컨포메이션을 통합함으로써 모델의 편향을 줄이고 강력한 가상 스크리닝을 지원하여, 리드 화합물 발굴 및 포트폴리오 우선순위 결정에 직접적인 영향을 미칩니다. 이러한 접근 방식은 풍부한 구조적 데이터가 있는 표적에 대해 합리적인 후보 물질 선택 과정을 효율화하여 기업의 R&D 효율성을 높입니다.
바이오 제약 R&D에서의 전략적 활용
초기 발견 및 타겟 검증
- 다양한 리간드 전반에 걸쳐 보존된 상호작용 특징을 캡처함으로써 치료 가설의 검증을 가능하게 합니다.
- 촉매 영역 내 결합의 핵심 분자 결정 요인을 식별하여 기능적 타겟 검증을 지원합니다.
- 합의 특징 통합을 통해 모델 편향을 줄임으로써 포트폴리오 분류를 위한 예측 신뢰도를 향상시킵니다.
스크리닝 및 분석법 개발
- 초대형 화합물 라이브러리의 확장 가능한 가상 스크리닝을 위해 검증된 파마코포어 모델을 준비합니다.
- 후속 평가를 위한 정량적 상호작용 특성을 정의함으로써 어세이 표준화를 촉진합니다.
- 오픈 소스 정보학 도구를 통해 재현 가능하고 플랫폼에 구애받지 않는 스크리닝 워크플로우를 가능하게 합니다.
중개 및 전임상 연구
- 후보 물질 선택을 질환 관련 결합 부위 특성과 일치시켜 중개 연구의 연속성을 지원합니다.
- 리간드 상호작용을 타겟의 구조적 서브포켓(sub-pocket)에 매핑함으로써 기전적 리스크를 완화합니다.
- 최적의 파마코포어(pharmacophore) 적합성을 가진 화합물을 우선순위에 둠으로써 리스크 조정 기반의 개발 진행 결정을 지원합니다.
파이프라인 및 워크플로우 통합
본 합의 약리단 모델링 프로토콜은 초기 발견 단계부터 리드 화합물 도출 단계까지 적용 가능하며, 구조 생물학과 정보학을 활용하여 가상 스크리닝 및 후보 물질 우선순위 선정에 필요한 정보를 제공합니다.
- 발견 생물학: 리간드가 결합된 구조를 통합하여 결합 경로를 명확히 하고 표적 결합의 리스크를 제거합니다.
- 스크리닝: 고속 가상 스크리닝을 위한 정량적이고 재현 가능한 파마코포어 모델을 제공합니다.
- 분석: 리간드 상호작용을 비교하기 위한 클러스터링된 특성 출력값과 통계적 기술자를 제공합니다.
- 중개 연구: 전임상 단계로의 진행을 위해 후보 물질이 질병 관련 표적 특성과 일치하는지 확인합니다.
- 기업적 재사용: 충분한 리간드 데이터가 있는 모든 표적에 적용 가능한 확장 가능하고 오픈 소스인 워크플로우를 제공합니다.
운영 및 기업 영향
- 과학적 가치: 타겟-리간드 상호작용에 대한 예측 신뢰도를 높이고 메커니즘적 모호성을 줄입니다.
- 운영적 가치: 파마코포어 모델링을 표준화하여 재현 가능하고 확장 가능한 스크리닝을 가능하게 합니다.
- 전략적 가치: 정보에 기반한 go/no-go 결정과 자본 효율적인 리드 우선순위 지정을 지원합니다.
- 포트폴리오 영향: 위험 조정 기반의 진행과 프로젝트 간 모델 재사용을 용이하게 합니다.
구현 시 고려 사항
- 구조 생물학, 화학 정보학 및 파마코포어 모델링 분야의 전문 지식이 필요합니다.
- 분자 시각화 도구(예: PyMOL) 및 계산 인프라(예: Google Colab)에 대한 접근 권한이 필요합니다.
- 팀 간의 표준화된 리간드 준비 및 특징 추출 프로토콜이 필수적입니다.
- 리간드가 결합된 구조를 사용할 수 있는 다양한 타겟에 적용 가능하지만, 데이터셋의 품질과 다양성에 의해 제한됩니다.
- 초대형 리간드 라이브러리의 경우 계산 비용과 특징 클러스터링 임계값을 적절히 관리해야 합니다.
