Site4Drug: Predicting Drug-Binding Target Sites with an AI Agent

Motivation

• Known: 기존 신약 발굴 파이프라인(BoltzGen, DrugCLIP, BindCLIP 등)은 결합 부위(site)가 이미 주어졌다고 가정하고 docking, screening, binder generation에 집중한다. fpocket, RAPID-Net 같은 전통적 방법은 구조적 특징에 기반해 pocket을 찾지만 다른 modality나 다양한 metadata를 통합하기 어렵다.
• Gap: 실제 창약 팀들은 어디를(where), 어떤 modality로(with what) 타겟팅할지 결정하는 상류 단계에서 자주 막히며, 특히 막단백질은 접근성, topology, PTM에 의해 실행 가능한 영역이 제한된다. IEDB 같은 큐레이션 자원이나 결정구조 기반 pocket 정의도 완전하지 않고, 사이트 선택의 근거가 로깅되지 않아 실패 원인(결합 모델 문제 vs 사이트 선택 오류)을 구분하기 어렵다는 문제가 있다.
• Why: 사이트 선택 오류는 결합 예측(what binds) 오류보다 더 모호하고 실패하기 쉬운 병목이며, 이를 감사 가능하고(auditable) 재현 가능한 형태로 자동화하면 신약 개발 초기 단계의 시행착오를 줄이고 downstream 실패의 원인 분석을 가능하게 한다.
• Approach: Site4Drug는 topology/hydropathy, PTM 예측, motif/disulfide 정보를 결합한 evidence-aggregation 모듈(Module 1)과, 후보를 modality에 맞는 downstream 설계·스코어링 도구로 라우팅하는 handoff 모듈(Module 2)로 구성된 constraint-first, evidence-integrated LLM agent이다.

Achievement

1. Modality-aware site discovery: 사용자가 drug modality(항체/펩타이드 vs 소분자)를 미리 지정하지 않아도, 동일한 evidence(topology, hydropathy, PTM propensity, disulfide, domain context, sequence)로부터 적합한 binding modality를 추천한다.
2. 일관된 evidence 적용: 소분자 pocket 발굴을 포함한 모든 modality에 동일한 feasibility 근거를 일관되게 적용하여, 화학적으로는 그럴듯하지만 생물학적으로 접근 불가능한(occluded) 사이트를 배제한다.
3. 감사 가능한 출력: ranked candidate list, evidence summary, typed risk flag(TM-overlap, PTM-overlap, glyco-mask-overlap, disulfide-constrained, motif-overlap 등), traceable decision log를 구조화된 형태로 제공하여 site-selection 단계를 auditable/debuggable하게 만든다.
4. Specialist reranking 체계: BioAgent, ChemAgent, RiskAgent가 동일 evidence summary에 대해 claim→evidence→impact 형태의 비평을 제공하고, DecisionAgent가 이를 종합하여 최종 modality 결정 및 조정된 랭킹을 산출한다.

How

• Evidence 추출(3종): (I) Kyte–Doolittle hydropathy profile과 heuristic TM detector로 coarse topology/accessibility prior 산출, (II) MusiteDeep 기반 PTM 예측과 규칙 기반 보강으로 typed local mask 생성 및 overlap 기록, (III) ScanProsite 기반 motif hit과 cysteine count를 disulfide-constrained proxy로 활용.
• 후보 생성 및 랭킹: 서열과 압축된 evidence summary를 조건으로 LLM이 직접 ranked JSON 후보 리스트를 생성하고, 유효성 필터링 후 topology, PTM overlap, motif overlap, cysteine count, risk flag, heuristic score로 주석.
• Specialist reranking: BioAgent/ChemAgent/RiskAgent의 비평을 DecisionAgent가 종합해 최종 modality 결정과 조정된 랭킹 산출(context 내 evidence로 근거 제한).
• 스코어링: S0(r) = smode(r) − pTM(r) − pPTM(r) − pmotif(r) 형태의 mode-specific heuristic으로 epitope는 polar/non-TM/PTM-light 영역을, pocket은 hydrophobicity를 우대하는 방식으로 조정. 별도의 risk vector g(r)로 typed flag를 산출.
• 평가: 단일 벤치마크 대신 comprehensive modality-aware validation data를 구축하여 (i) 소분자 pocket과의 중첩, (ii) 주석된 항체 epitope과의 일치, (iii) 구조 입력 없이도 구조적 타당성 유지 여부를 검증.

Originality

• 결합 대상(what binds)이 아니라 결합 위치(where to bind)와 modality 선택이라는 상류 병목을 LLM agentic 시스템으로 명시적으로 재구성한 문제 설정 자체가 참신하다.
• 사용자가 modality를 사전 지정하지 않고 동일한 evidence로부터 epitope/pocket/other를 추천하는 modality-agnostic 접근은 기존 fpocket, RAPID-Net 같은 구조 기반 pocket 전용 도구와 차별화된다.
• BioAgent/ChemAgent/RiskAgent/DecisionAgent로 구성된 specialist panel reranking 구조와 traceable decision log를 통한 auditability 강조는 AI-Descartes, Virtual Lab 등 최근 과학 발견 agentic 시스템 흐름을 신약 사이트 발굴 영역에 적용한 사례로 볼 수 있다.

Limitation & Further Study

• 사이트 발굴 과제에 대한 널리 인정된 벤치마크나 정답(ground truth)이 존재하지 않아, 평가가 저자들이 직접 구축한 curated validation data에 의존하며 객관적 비교가 제한적이다.
• 구조 정보를 직접 입력하지 않고 서열 기반 evidence(hydropathy, PTM, motif)만으로 topology와 pocket을 추정하므로, 실제 3차원 구조에 기반한 정밀도에는 한계가 있을 수 있다.
• 스코어링 함수(S0)와 risk flag 규칙이 heuristic 기반이어서, LLM의 후보 제안 품질과 heuristic 파라미터 설정에 따라 결과가 민감하게 달라질 가능성이 있으며, 향후 실험적 검증(wet-lab validation)이나 정량적 벤치마크 구축이 필요하다.
• 후속 연구로 다양한 단백질 패밀리와 실제 신약 개발 파이프라인에서의 prospective validation, 그리고 구조 예측 모델과의 통합을 통한 정확도 개선이 요구된다.

Evaluation

총평: 사이트 선택이라는 잘 다루어지지 않은 상류 병목을 modality 추천까지 통합한 agentic 프레임워크로 접근한 참신하고 실용적인 시도이나, 표준 벤치마크 부재와 heuristic 기반 스코어링으로 인해 정량적 검증의 엄밀성은 다소 제한적이다.