Deep learning extracts MoA-specific signatures from high-throughput screens for tuberculosis drug discovery

Motivation

• Known: 표현형 약물 스크리닝(PDD)은 표적에 무관하게 신규 MoA를 갖는 화합물을 발굴할 수 있으며, 이미지 기반 분석(Cell Painting, CellProfiler 등)이 세포 표현형 변화를 정량적으로 평가할 수 있음이 알려져 있다. 또한 동일 경로를 표적하는 약물 처리와 유전적 변이는 유사한 표현형을 유도한다는 선행 연구가 있다.
• Gap: 기존 MoA 인식 방법들은 알려진 화합물 대비 신규 MoA를 갖는 약물의 표적 규명 능력이 부족하며, Mycobacterium tuberculosis의 높은 세포간 이질성으로 인해 이미지 기반 스크리닝 적용이 어렵다. 약물 처리와 유전적 변이 간 표현형 유사성을 딥러닝 기반으로 직접 연계하여 신규 MoA 화합물의 표적을 예측하는 접근법이 부재한다.
• Why: 결핵은 전 지구적 감염성 질병 사망의 주요 원인이며, 항균제 내성 증가로 신규 MoA를 갖는 약물 발굴이 긴급하다. 기존 약물 발굴 파이프라인의 MoA 규명 어려움을 해결하면 개발 비용을 절감하고 다제 내성 결핵 치료를 가능하게 할 수 있다.
• Approach: Corynebacterium glutamicum에 18개 기존 약물(5가지 MoA, 7개 생물학적 경로 관련)을 처리하고 고처리량 이미지를 획득한다. CNN 기반 딥러닝 모델을 훈련하여 이미지로부터 MoA를 예측하고, 약물 처리 균주와 경로 단절 변이주 이미지의 표현형 시그니처를 비교 분석한다.

Achievement

모델의 MoA 인식 성능: CNN 모델이 기존 항생제의 MoA를 구별하고 미학습 항생제의 MoA를 올바르게 인식함을 보인다. 신규 MoA 발굴: 동일 및 미학습 MoA를 갖는 억제제들이 다른 약물과 구분되어 군집을 이루며 신규 MoA 발견을 가능하게 함을 제시한다. 약물-유전자 연계: 화학적(약물) 및 유전적(변이주) 방해가 유사 경로를 표적할 때 이미지가 연계됨을 보여 미발견 MoA 화합물의 표적 예측 기반을 마련한다. 생물학적 통찰: 유전자 기능 결손 표현형으로부터 추출한 특징이 세포주기 등 알려진 생물학적 관계를 복구함을 입증한다.

How

• 18개 기존 TB 약물을 여러 농도로 Cglu 균주에 처리하여 고처리량 이미지 획득
• 5가지 MoA로 분류된 약물들로 CNN 모델 훈련
• 미학습 약물에 대한 MoA 예측 성능 검증
• 약물 처리 균주와 경로 특이적 변이주의 이미지 표현형 비교 및 군집화
• 세포주기 관련 유전자 변이주 이미지에서 추출한 특징으로 생물학적 경로 복구

Originality

• 고처리량 이미지로부터 CNN을 통해 세포간 이질성을 직접 처리하는 MoA 예측 (기존 손공학적 특징 추출과 차별화)
• 약물 처리와 유전적 변이 이미지의 표현형 시그니처를 딥러닝 기반으로 직접 연계하여 표적 예측 (선행 연구는 손공학적 특징 사용)
• 결핵 약물 스크리닝에 Cglu 대체 모델 및 딥러닝 파이프라인 적용 (새로운 조합)
• 고처리량 이미지로부터 만 추출한 특징으로 생물학적 경로와 세포주기 복구

Limitation & Further Study

• Cglu는 대체 모델이므로 Mtb와의 직접 적용 가능성 검증 필요 (논문은 Cglu 데이터만 사용)
• CNN 모델의 해석 가능성이 제한적이며 어느 이미지 특징이 MoA 예측에 기여하는지 명확하지 않음
• 약물-변이주 표현형 연계의 생물학적 타당성 검증이 제한적 (세포주기 외 경로에 대한 검증 부족)
• 18개 약물, 5가지 MoA라는 제한된 규모의 데이터셋으로 신규 MoA 발굴 일반화 가능성 미흡
• 후속 연구로 CNN 특징의 생물학적 해석, 더 많은 경로/약물 포함, Mtb에서의 직접 검증 필요

Evaluation

총평: 본 논문은 결핵 약물 발굴의 핵심 과제인 신규 MoA 인식을 해결하기 위해 CNN 기반 이미지 분석과 약물-유전자 표현형 연계를 결합한 혁신적 파이프라인을 제시한다. 실험 설계가 체계적이고 여러 검증을 통해 방법론의 타당성을 입증하나, Cglu 대체 모델 사용으로 인한 직접 적용 가능성 미흡과 CNN 해석 가능성 제한이 실제 신약 발굴 적용 시 고려할 점이다. 이미지 기반 표현형 스크리닝과 딥러닝의 결합이라는 측면에서 학술적 기여도는 충분하며, 결핵 신약 개발 분야에 실질적 도움을 줄 수 있는 전망 있는 접근법이다.