[논문 리뷰] Deep Denerative Models for Drug Design and Response

Karina Zadorozhny, Lada Nuzhna|arXiv (Cornell University)|2021. 09. 14.

Computational Drug Discovery Methods참고 문헌 40인용 수 4

한 줄 요약

이 리뷰는 약물 설계 및 약물 반응 예측에 적용된 심층 생성 모델(DGMs)을 종합적으로 분석하며, 화학적으로 타당하고 생물학적으로 관련성이 있는 분자를 생성할 수 있는 능력을 평가한다. VAE, GAN, 확산 모델 등 최신 아키텍처의 발전을 강조하며, 분자의 표현 방식 향상의 필요성을 언급하고, 데이터 품질, 벤치마킹, 재현 가능성 등의 핵심 과제를 규명한다.

ABSTRACT

Designing new chemical compounds with desired pharmaceutical properties is a challenging task and takes years of development and testing. Still, a majority of new drugs fail to prove efficient. Recent success of deep generative modeling holds promises of generation and optimization of new molecules. In this review paper, we provide an overview of the current generative models, and describe necessary biological and chemical terminology, including molecular representations needed to understand the field of drug design and drug response. We present commonly used chemical and biological databases, and tools for generative modeling. Finally, we summarize the current state of generative modeling for drug design and drug response prediction, highlighting the state-of-art approaches and limitations the field is currently facing.

연구 동기 및 목표

• 심층 생성 모델이 약물 설계 및 약물 반응 예측에 어떻게 적용되고 있는지 종합적인 개요를 제공하는 것.
• 분자 표현 방식과 주요 데이터베이스를 포함한 핵심 화학적·생물학적 용어를 명확히 하는 것.
• 소분자, 유전자 치료, 단백질 서열에 대한 현재 최고 수준의 생성적 접근법을 평가하는 것.
• 데이터 품질, 표준 벤치마크 부족, 임상 전 데이터의 재현성 문제 등 주요 한계를 규명하는 것.
• 실제 약물 발견에의 적용 가능성을 높이기 위해 분자 표현 방식 향상과 철저한 평가 기준 도입을 촉구하는 것.

제안 방법

• 변동 자동부호화기(VAEs), 생성적 적대적 네트워크(GANs), 자동부호화기(AEs), 적대적 자동부호화기(AAEs) 등 주요 심층 생성 아키텍처를 조사하고 비교하는 것.
• SMILES 문자열, 분자 지문, 그래프 기반 인코딩 등 분자 표현 방식을 분석하며, 이들이 카이랄리티와 3차원 구조를 포괄하지 못하는 한계를 강조하는 것.
• 고속 스크리닝(HTS) 데이터와 생물학적 데이터베이스를 기반으로 훈련된 생성 모델을 평가하여 약물 반응 예측 및 효능·안전성 최적화를 위한 것.
• 재현 가능성과 비교 가능성을 보장하기 위해 GuacaMol 및 MOSES와 같은 표준 벤치마크를 활용해 모델 성능을 평가하는 것.
• DDR1 키나제 억제제와 같은 새로운 화합물 생성을 위해 생성 모델를 적용하고, 기존에 허가된 FDA 약물과 비교하는 것.
• 화학적 타당성과 생물학적 관련성을 향상시키기 위해 잠재 공간 표현에 구조적 정보 및 입체화학적 정보(예: 카이랄리티)를 통합하는 중요성을 부각하는 것.

실험 결과

연구 질문

• RQ1 기존의 QSAR나 도킹 방법에 비해 심층 생성 모델은 신약 설계의 효율성과 정확도를 어떻게 향상시키는가?
• RQ2 SMILES, 지문 등 현재의 분자 표현 방식이 카이랄리티와 3차원 구조와 같은 생물학적으로 관련성이 있는 성질을 얼마나 잘 반영하고 있는가?
• RQ3 실제 생물학적 데이터를 기반으로 훈련된 생성 모델은 얼마나 새로운, 합성 가능하며 생물학적으로 활성인 화합물을 생성하는가?
• RQ4 표준화된 벤치마크와 평가 프로토콜은 생성 모델의 재현 가능성과 신뢰도를 어떻게 향상시킬 수 있는가?
• RQ5 훈련 데이터의 품질과 재현 가능성은 약물 반응 예측을 위한 심층 생성 모델의 성공에 어떤 영향을 미치는가?

주요 결과

• VAE, GAN 등 생성 모델은 DDR1 키나제 억제제와 같이 FDA가 허가한 약물과 유사한 희망적인 약리학적 성질을 지닌 새로운 분자 구조를 생성할 수 있다.
• 진전이 있음에도 불구하고, 신약의 75–97%가 임상 시험에서 효능이나 안전성 부족으로 실패하며, 이는 체내 반응 예측의 향상이 절실한 이유를 보여준다.
• 현재 모델들은 카이랄리티를 제대로 포착하지 못해, 대응 이소머의 생물학적 활성과 다를 수 있는 분자를 생성하는 경우가 많아, 약물 설계에서 치명적인 한계로 작용한다.
• 표준화된 벤치마크 부족이 문제이며, GuacaMol 및 MOSES와 같은 제안된 도구는 등장하고 있지만 아직 보편적으로 채택되지는 않았다.
• 일부 생성 화합물은 기존에 특허받은 약물(예: ponatinib)과 거의 동일하여, 훈련 데이터셋의 지적 재산권 침해 및 데이터 泄露 우려를 제기한다.
• 비임상 데이터의 재현성 문제(예: 재현 불가능한 종양학 약물 타겟)는 최신 아키텍처를 사용하더라도 모델 성능을 떨어뜨리는 핵심 요인이다.