[논문 리뷰] AlphaFold Accelerates Artificial Intelligence Powered Drug Discovery: Efficient Discovery of a Novel Cyclin-dependent Kinase 20 (CDK20) Small Molecule Inhibitor

Feng Ren, Xiao Ding외 20명|arXiv (Cornell University)|2022. 01. 21.

Genetics, Bioinformatics, and Biomedical Research인용 수 9

한 줄 요약

이 연구는 AI 기반 히트 식별을 위한 알파폴드 예측 단백질 구조의 첫 번째 응용을 보여주며, 팬다오미크스와 케미스트리42를 통합한 플랫폼을 사용해 새로운 약물 타겟인 CDK20에 대해 수행되었다. 30일 이내로 7개의 화합물을 합성한 후, Kd가 8.9 ± 1.6 µM인 최초의 클래스 히트(ISM042-2-001)를 특정하였고, 추가로 6개의 합성 후 두 번째 라운드를 거쳐 Kd가 210.0 ± 42.4 nM인 더 강력한 화합물(ISM042-2-048)을 도출하였다.

ABSTRACT

The AlphaFold computer program predicted protein structures for the whole human genome, which has been considered as a remarkable breakthrough both in artificial intelligence (AI) application and structural biology. Despite the varying confidence level, these predicted structures still could significantly contribute to structure-based drug design of novel targets, especially the ones with no or limited structural information. In this work, we successfully applied AlphaFold in our end-to-end AI-powered drug discovery engines constituted of a biocomputational platform PandaOmics and a generative chemistry platform Chemistry42, to identify a first-in-class hit molecule of a novel target without an experimental structure starting from target selection towards hit identification in a cost- and time-efficient manner. PandaOmics provided the targets of interest and Chemistry42 generated the molecules based on the AlphaFold predicted structure, and the selected molecules were synthesized and tested in biological assays. Through this approach, we identified a small molecule hit compound for CDK20 with a Kd value of 8.9 +/- 1.6 uM (n = 4) within 30 days from target selection and after only synthesizing 7 compounds. Based on the available data, the second round of AI-powered compound generation was conducted and through which, a more potent hit molecule, ISM042-2 048, was discovered with a Kd value of 210.0 +/- 42.4 nM (n = 2), within 30 days and after synthesizing 6 compounds from the discovery of the first hit ISM042-2-001. To the best of our knowledge, this is the first reported small molecule targeting CDK20 and more importantly, this work is the first demonstration of AlphaFold application in the hit identification process in early drug discovery.

연구 동기 및 목표

• 실험적 구조가 없는 신규 타겟에 대해 AI 기반 플랫폼을 활용해 초기 단계의 약물 발견을 가속화하기 위해.
• 알파폴드 예측 단백질 구조가 드러내기 어려운 타겟이나 특성 미상 타겟의 구조 기반 약물 설계에 유용한지 평가하기 위해.
• CDK20이라는 새로운 타겟에 대해 시간과 비용 효율적인 방식으로 종합적인 AI 기반 소분자 억제제 발견의 가능성을 입증하기 위해.
• 간세포암성암(HCC)과 관련된 키나제인 CDK20의 최초 클래스 소분자 억제제를 컴퓨팅 및 실험적 검증을 통해 식별하기 위해.

제안 방법

• 1133개의 HCC 및 674개의 건강한 샘플에서의 다중오미크스 데이터를 기반으로 팬다오미크스를 활용해 CDK20을 새로운 치료 타겟으로 우선순위를 정했다.
• 로컬 거리 차이 테스트(LDDT) 점수를 신뢰도 지표로 삼아, 알파폴드를 사용해 CDK20의 3차원 구조를 예측했다.
• 딥 강화 학습과 분자 생성을 활용해 알파폴드 예측 CDK20 구조를 표적으로 하는 새로운 소분자 화합물을 설계하기 위해 케미스트리42라는 생성 화학 플랫폼을 적용했다.
• 합성된 화합물의 Kd 값을 측정하기 위해 스트렙타비딘-비드 친화도 흡착 및 qPCR 검출을 이용한 in vitro 결합 분석을 수행했다.
• 비선형 최소 제곱법과 레벤버그-마르카르트 알고리즘을 사용해, 기울기가 -1인 힐 방정식에 복합체 농도-반응 곡선을 피팅하여 Kd 값을 계산했다.
• 타겟 선택에서 히트 식별까지의 두 번의 반복적 AI 기반 화합물 생성 및 실험적 검증을 수행했다.

실험 결과

연구 질문

• RQ1 실험적 구조가 없는 타겟에 대해 알파폴드 예측 단백질 구조가 구조 기반 약물 설계에 효과적으로 기여할 수 있는가?
• RQ2 CDK20과 같은 새로운 키나제 타겟에 대해 종합적인 AI 플랫폼이 얼마나 빠르게 새로운 소분자 억제제를 발견할 수 있는가?
• RQ3 고신뢰도 알파폴드 예측 구조를 기반으로 생성 화학 모델이 강력하고 선택적인 히트를 생성할 수 있는가?
• RQ4 신규 타겟 영역에서 AI 기반 발견을 통해 강력한 히트를 식별하기 위해 필요한 최소 화합물 수는 얼마인가?

주요 결과

• CDK20의 최초 클래스 소분자 억제제인 ISM042-2-001이 타겟 선택 후 30일 이내로 식별되었으며, Kd는 8.9 ± 1.6 µM(n = 4)이었다.
• 두 번째 라운드의 AI 기반 화합물 생성을 거쳐, 단 6개의 화합물 합성 후 Kd가 210.0 ± 42.4 nM(n = 2)인 더 강력한 히트인 ISM042-2-048가 도출되었다.
• 타겟 선택에서 히트 식별까지의 전체 발견 과정이 30일 내로 완료되어, 초기 약물 발견의 높은 효율성을 입증하였다.
• 이 연구는 알파폴드 예측 구조를 약물 발견의 히트 식별 단계에 활용한 최초의 보고로, 실제 치료제 개발에서의 유용성을 검증하였다.
• 변동적인 신뢰도 수준을 보였음에도 불구하고, 알파폴드 예측 구조를 기반으로 한 가상 스크리닝 및 리간드의 탈리드 디자인이 측정 가능한 결합 친화도를 가지는 데 성공하였다.
• 팬다오미크스를 통한 타겟 우선순위 정하기와 케미스트리42를 통한 분자 생성의 통합은 새로운 타겟에 대한 완전 자동화된 AI 네이티브 약물 발견 파이프라인을 가능하게 하였다.