인실리코 흡수분포대사배설독성 예측 (In Silico ADMET Prediction)

한 줄 정의: 컴퓨터 모델을 이용해 신약 후보물질이 체내에서 어떻게 흡수, 분포, 대사, 배설되고 독성을 나타낼지를 실험 없이 미리 예측하는 계산화학·계산독성학 기법입니다.

쉽게 풀면

신약 후보물질 하나하나를 실제 동물이나 세포에 투여해 흡수와 독성을 확인하려면 시간과 비용이 많이 듭니다. 인실리코 ADMET 예측은 이런 실험을 하기 전에, 분자의 구조 정보만으로 컴퓨터가 "이 물질은 장에서 잘 흡수될까", "간에서 빨리 분해될까", "간이나 심장에 독성을 일으킬 가능성이 있을까"를 미리 짐작해보는 것입니다. 마치 요리를 시작하기 전에 레시피만 보고 맛이 어떨지 대략 예상해보는 것과 비슷합니다. 물론 완벽하지는 않지만, 수만 개의 후보물질 중 가능성이 낮은 것을 미리 걸러내는 데 유용합니다.

왜 중요한가

신약 개발에서 임상시험 실패의 상당 부분은 효능이 아니라 흡수·대사·독성 문제 때문에 발생합니다. 초기 단계에서 인실리코 예측을 활용하면 문제가 될 후보물질을 조기에 걸러내어 후속 실험 비용과 시간을 줄일 수 있습니다. 이 때문에 제약·바이오 논문과 산업 파이프라인에서 필수적인 스크리닝 단계로 다뤄집니다.

논문에서는 이렇게 쓰입니다

"화합물 라이브러리에 대해 in silico ADMET prediction을 수행하여 경구 생체이용률이 낮을 것으로 예상되는 후보군을 배제하였다."

대규모 화합물 목록에서 흡수가 어려운 물질을 컴퓨터 예측으로 미리 걸러냈다는 의미입니다.

"머신러닝 기반 ADMET 예측 모델은 간독성(hepatotoxicity) 가능성이 높은 화합물을 실험 전 단계에서 식별하는 데 활용되었다."

실험 전에 인공지능 모델로 간독성 위험 물질을 미리 찾아냈다는 뜻입니다.

조금 더 깊게 보면

인실리코 ADMET 예측은 분자의 구조식으로부터 계산되는 물리화학적 특성(분자량, 지용성, 수소결합 개수 등)과 대규모 실험 데이터로 학습된 머신러닝·딥러닝 모델을 결합해 이루어지는 경우가 많습니다. 흡수 예측에는 장 투과성, 대사 예측에는 사이토크롬 P450 효소와의 상호작용 여부, 독성 예측에는 유전독성이나 심장독성 관련 구조경보(structural alert) 등이 함께 고려됩니다. 최근에는 정량적 구조-활성 관계(QSAR) 모델과 딥러닝 기반 그래프 신경망을 함께 사용하는 연구도 늘고 있습니다.

주의할 점

인실리코 예측은 어디까지나 확률적 스크리닝 도구이며, 실제 생체 실험 결과를 완전히 대체하지는 못합니다. 학습 데이터에 없는 새로운 화학 구조에 대해서는 예측 정확도가 떨어질 수 있어 실험적 검증이 반드시 병행되어야 합니다.