정량적 구조-활성 관계 (quantitative structure-activity relationship (QSAR))
쉽게 풀면
정량적구조활성관계는 구조활성관계를 한 단계 발전시켜, '어떤 구조가 활성에 좋다'는 정성적 설명을 넘어 구조의 여러 물리화학적 특성값(분자량, 소수성, 전하 등)을 입력해 활성을 예측하는 수학적 모델을 만드는 방법입니다. 이를 이용하면 아직 합성하지 않은 화합물의 활성도 어느 정도 미리 예측할 수 있습니다.
왜 중요한가
화합물의 구조적 특성과 생물학적 활성 간의 정량적 관계를 통계·계산 모델로 구축해 새로운 화합물의 활성을 예측하는 기법으로, 신약개발 초기 화합물 설계와 우선순위 선정에 활용됩니다.
논문에서는 이렇게 쓰입니다
화합물이 기름과 얼마나 잘 섞이는지를 나타내는 지표와 실제 약효 사이에 뚜렷한 통계적 상관관계가 있다는 것을 모델로 확인한 결과입니다.
구조적 특성과 활성 사이의 통계적 관계를 수식화함으로써 아직 합성되지 않은 화합물의 활성을 미리 예측하는 용도로 쓰일 수 있음을 보여준다.
조금 더 깊게 보면
QSAR 모델은 학습에 사용된 화합물군과 구조적으로 유사한 범위 내에서만 예측력이 신뢰할 만하며, 이 범위를 벗어난 완전히 새로운 골격의 화합물에는 예측 정확도가 크게 떨어질 수 있습니다. QSAR과 유사한 개념으로 3차원 구조 정보를 활용하는 3차원-QSAR 기법도 있어, 평면적인 구조식이 아닌 입체적 형태까지 반영한 예측이 가능합니다. 한 연구는 여러 물리화학적 기술자를 조합한 QSAR 모델을 구축하여, 단일 기술자만 사용한 모델보다 예측 정확도가 유의하게 향상됨을 확인하였다. QSAR은 활성 예측뿐 아니라 독성이나 대사안정성처럼 다른 특성을 예측하는 모델(QSTR, QSPR 등)로도 확장되어 활용됩니다.
주의할 점
QSAR 모델은 학습에 사용된 화합물들과 구조적으로 비슷한 범위 안에서만 예측력이 높고, 그 범위를 크게 벗어나면 예측이 부정확해질 수 있습니다.
QSAR 모델의 신뢰도는 검증용 데이터셋으로 예측력을 확인하는 과정을 거쳐야 하며, 학습 데이터에서만 잘 맞는 과적합 모델은 실제 신규 화합물 예측에 쓸모가 적습니다. QSAR 모델을 만들 때 학습 데이터의 실험 조건이 서로 다르면 모델의 신뢰도 자체가 낮아질 수 있어 데이터 정제 단계가 중요합니다.