Evolutionary exploration of drug-like chemical space utilizing generative AI and virtual screening

Motivation

• Known: 진화 알고리즘은 광범위한 화학공간 탐색에 유용하나 조기 수렴(premature convergence)과 제한된 다양성 문제가 존재한다. Generative AI 기반 분자 설계는 약물 발견의 유망한 방법으로 제시되었으나 합성 가능성 보장의 과제가 있다. 구조 기반 가상 스크리닝(virtual screening)은 대규모 화합물 라이브러리에서 리드 후보를 탐색하는 효율적 기법으로 알려져 있다.
• Gap: 기존 진화 알고리즘은 local optima에 수렴하고 화학공간 다양성이 제한적이며, generative AI 접근법은 생성 분자의 합성 가능성을 충분히 보장하지 못한다. 초대규모 화학공간(>10^15)에서 표적-특이적 고친화력 바인더를 효율적이고 실용적으로 탐색하는 통합 프레임워크의 부재가 존재한다.
• Why: 약물 발견 과정에서 초대규모 가상 라이브러리 스크리닝은 계산상 금지적이지만, generative AI와 진화 알고리즘의 통합은 이를 극복할 수 있는 유망한 경로를 제공한다. 합성 가능성이 보장된 신규 리드 분자의 발굴은 실제 약물 개발 파이프라인에서 매우 중요하다.
• Approach: Pretrained molecular generative model을 Pareto-optimal 분자로 반복 미세조정하여 다음 세대 오프스프링을 생성한다. VirtualFlow를 통해 molecular docking으로 결합 포텐셜을 평가하고, AI 생성 분자를 자동으로 분해하여 Enamine REAL Space building block 라이브러리와의 매칭 가능성을 검증함으로써 합성 가능성을 보장한다. 다목적 최적화(multi-objective optimization) 프레임워크를 적용하여 표적 친화력과 off-target 회피를 동시에 최적화한다.

Achievement

Fig. 5. Experimental validation of pH-specific MOR ligand. (a) Radio-labeled

AI-진화 통합 프레임워크 개발: Generative AI와 진화 알고리즘을 성공적으로 통합하여 Enamine REAL Space(~10^15)의 초대규모 화학공간에서 효율적 탐색 실현. pH 특이적 MOR 리간드 식별: µ-오피오이드 수용체의 pH 특이적 아고니스트 후보 분자 도출. 생화학 검증: 식별된 후보 분자의 실험적 검증 수행하여 생성 분자의 생물학적 활성 확인. 합성 가능성 보장: Reaction-based substructure 검색을 통해 모든 생성 분자의 합성 접근성 확보, 실용성 향상.

How

Fig. 1. AI-directed ligand evolution for chemical space exploration. 1)

• Pretrained generative model을 최고 성능 분자(Pareto-optimal)로 반복 미세조정하여 세대 간 진화 구동
• Molecular docking을 통한 빠르고 확장 가능한 결합 포텐셜 평가로 초대규모 라이브러리 처리
• AI 생성 분자의 자동 분해 및 Enamine REAL Space building block과의 매칭 검증으로 합성 가능성 사전 필터링
• 다목적 최적화로 표적 친화력과 off-target 회피의 균형 달성
• 각 세대에 무작위 분자 추가로 인구 다양성 향상 및 조기 수렴 방지

Originality

• Generative AI 미세조정을 변이/교배 단계로 사용하여 고전적 진화 알고리즘의 구조적 개선
• Reaction-based substructure 검색을 통한 합성 가능성 보증 메커니즘의 새로운 적용
• 초대규모 가상 스크리닝(VirtualFlow)과 generative AI의 명시적 통합 프레임워크 제시
• 다목적 최적화 관점에서 Pareto 최적성을 진화 알고리즘의 선택 기준으로 도입

Limitation & Further Study

• Molecular docking의 정확도 제한으로 인한 낮은 실험적 적중률 가능성 (논문에서 인정). - µ-오피오이드 수용체에 한정된 검증; 타 표적이나 약물 클래스에의 일반화 효과 미확인. - Generative model의 사전학습 기반 및 미세조정 전략의 상세 하이퍼파라미터 공개 부족. - 계산 비용 및 VirtualFlow 플랫폼의 접근성에 대한 정량적 분석 미제시. 향후 연구는 더욱 정교한 스코어링 함수(FEP 등)와의 결합, 다중 표적 약물 설계 확장, 구조적 다양성 메트릭 도입 필요.

Evaluation

총평: 본 논문은 generative AI와 진화 알고리즘을 체계적으로 통합하여 초대규모 화학공간 탐색의 계산상 과제를 해결하는 혁신적 접근법을 제시한다. 합성 가능성 보증 메커니즘과 실험적 생화학 검증을 통해 높은 실용성을 입증했으나, 단일 표적 검증과 분자 도킹의 내재적 한계는 개선이 필요하다. 약물 발견 분야에 상당한 기여 가능성이 있다.