[In Silico #11] 미지의 이온 통로를 열다: AI와 물리학 기반 도킹으로 발굴한 최초의 선택적 GluN1/GluN3A 수용체 억제제

🧐 1. 이 논문을 선택한 이유

NMDA 수용체는 중추신경계의 시냅스 가소성과 학습, 기억을 담당하는 핵심 이온 통로입니다. 흔히 연구되는 GluN1/GluN2 복합체와 달리, GluN1/GluN3A 수용체는 글루타메이트가 아닌 글리신(Glycine) 단독으로 활성화되는 매우 특이한 흥분성 수용체입니다. 조현병, 헌팅턴병, 중독, 기분 장애 등 다양한 정신·신경계 질환과의 연관성이 속속 밝혀지고 있지만, 실험적으로 규명된 3차원 입체 구조가 거의 없고 선택적 소분자 약물이 전무하여 연구가 오랫동안 가로막혀 있었습니다.

이 논문은 "실험 구조가 불완전한 난공불락의 이온 통로를 서열 기반 AI(딥러닝)와 물리 기반 분자 도킹(Glide)의 결합으로 뚫어낼 수 없을까?"라는 질문에 답을 제시합니다. 1,800만 개에 달하는 방대한 화합물 라이브러리를 단 3일 만에 스크리닝하여 실제 세포 패치 클램프에서 50%라는 경이적인 적중률(Hit Rate)과 23배 이상의 아형 선택성을 입증했다는 점에서 AI 신약 개발 파이프라인의 훌륭한 이정표를 보여줍니다.

 

📝 2. 논문 정보

• 논문 제목: Discovery of selective GluN1/GluN3A NMDA receptor inhibitors using integrated AI and physics-based approaches
• 저자: Shi-wei Li, Yue Zeng, Sa-nan Wu, Xin-yue Ma, Chao Xu, Zong-quan Li, Sui Fang, Xue-qin Chen, Zhao-bing Gao, Fang Bai
• 학술지/게재일: Acta Pharmacologica Sinica (Springer Nature) / 2026년 1월 게재 (온라인 2025년 7월)
• DOI: https://doi.org/10.1038/s41401-025-01607-6

 

💡 3. 3줄 핵심 요약

• 배경 (Problem): 비전형적 NMDA 수용체인 GluN1/GluN3A는 주요 신경정신계 질환의 표적이지만, 3차원 구조 정보의 부재와 선택적 억제제 결핍으로 신약 개발이 매우 어려웠습니다.
• 방법 (Method - AI & Physics Hybrid Pipeline): 서열 기반 딥러닝 친화도 예측 모델(TEFDTA)과 결합 포켓 예측 모델(ESMLigSite)로 1,800만 개 분자를 고속 필터링한 후, 상동성 모델링 기반 분자 도킹(Glide SP)으로 2단계 정밀 스크리닝을 수행했습니다.
• 결과 (Finding): 최종 선별된 12종 중 6종이 활성을 나타내 50%의 적중률을 기록했으며, 특히 선도 화합물인 DD-1은 강력한 억제능(IC50 = 1.26 µM)과 GluN1/GluN2A 대비 23배 이상의 높은 선택성을 패치 클램프로 입증했습니다.

 

🔬 4. In Silico 파이프라인 상세 분석: 서열 AI와 구조 역학의 시너지

구조 정보가 부족한 표적의 한계를 극복하기 위해, AI의 초고속 서열 추론 능력과 물리 기반 모델의 구조적 해석력을 유기적으로 결합했습니다.

• A. Step 1: 서열 기반 결합 포켓 예측 (ESMLigSite)
  • 원리: 단백질 언어 모델인 ESM2와 분자 형태 앙상블 인코더 GeminiMol을 결합한 자체 개발 딥러닝 모델을 활용했습니다.
  • 결과: GluN3A 서열과 FDA 승인 약물 구조만을 이용해 복합체 구조 없이도 3곳의 잠재적 포켓(막관통 영역 1곳, 리간드 결합 도메인 2곳)을 정확하게 예측했습니다.
• B. Step 2: 트랜스포머 기반 1차 대규모 스크리닝 (TEFDTA)
  • 초고속 필터링: 1,800만 개의 방대한 상용 화합물 라이브러리를 대상으로 GPU(Nvidia RTX3090, V100)를 활용해 친화도 예측을 단 이틀 만에 완수했습니다.
  • 아형 선택성 반영: GluN3A 서열을 타깃으로 Kd 1 µM 수준에 해당하는 예측 점수(7.0 이상)를 기준으로 적용해, 라이브러리의 0.4% 수준인 86,713개 분자로 대폭 압축했습니다.
• C. Step 3: 상동성 모델링 & 구조 기반 2차 정밀 도킹 (Glide SP)
  • 3D 모델 구축: GluN1/GluN2A(PDB: 6WHS) 및 GluN3A LBD(PDB: 2RC7) 템플릿을 조합하여 4량체(Tetramer) 상동성 모델을 구축하고 라마찬드란 플롯으로 신뢰성을 검증했습니다.
  • 정밀 선별: ESMLigSite가 지목한 포켓에 대해 Glide 표준 정밀도(SP) 도킹을 1일 동안 수행하고, 포켓 적합도, 수소결합, 소수성 상호작용 및 TEFDTA 최상위 물질을 종합 평가하여 최종 12종(DD 시리즈)을 도출했습니다.

 

🧠 5. 연구 내용 상세 검증

1) 시험관 내(In Vitro) 전기생리학 검증: 50%의 높은 적중률

• 형광 칼슘 분석 (FDSS/µCell): 12개 후보 물질 중 6종(DD-1, DD-2, DD-3, DD-4, DD-5, DD-6)이 IC50 10 µM 이하의 억제 효능을 보여 무려 50%의 적중률을 기록했습니다 (기존 CADD 적중률인 10~30%를 대폭 상회).
• 전세포 패치 클램프 (Whole-cell Patch Clamp):
  • 최상위 3종의 IC50 측정 결과 DD-1 (1.26 µM), DD-3 (1.48 µM), DD-6 (1.86 µM)으로 마이크로몰 수준의 강력한 억제능을 보였습니다.
  • 특히 도킹 점수는 낮았으나 TEFDTA 서열 모델이 강력 추천했던 DD-5 역시 10 µM에서 약 40%의 억제 활성을 나타내, AI 서열 모델의 상호보완적 가치를 입증했습니다.

2) 결합 모드 및 아형 선택성 (Subtype Selectivity)

• 분자 수준 상호작용 기전:
  • 선도물질 DD-1은 GluN3A의 G729 잔기와 할로겐 결합(Halogen bond)을 형성하고, GluN1의 N616 잔기와 수소결합을 이룹니다.
  • 또한 GluN1의 M641, V644, V613, L614 및 GluN3A의 F728 잔기들과 견고한 소수성 네트워크를 형성하여 기공 입구를 차단합니다.
• 탁월한 GluN2A 선택성:
  • 뇌에 널리 분포하는 주류 수용체인 GluN1/GluN2A에 대해 DD-1의 IC50은 30 µM 이상으로, 23배 이상의 높은 선택성을 확인했습니다.
  • 다만 GluN3B에 대해서는 막관통 도메인의 아미노산 서열 유사성으로 인해 유사한 억제 활성을 보였으며, 이는 향후 잔기 차이(GluN3A의 G729 vs GluN3B의 R629 등)를 겨냥한 정밀 최적화 과제로 제시되었습니다.

 

💭 6. 나의 '셀프 미팅' 노트

• 서열 AI와 물리 엔진의 역할 분담: 구조 정보가 완전히 풀리지 않은 단백질이라도, 서열 기반 딥러닝(TEFDTA, ESMLigSite)으로 1차 타깃 영역과 후보 풀을 좁히고 물리 엔진(Glide)으로 입체적 타당성을 검증하는 하이브리드 워크플로우는 매우 실용적이고 강력합니다.
• 적중률(Hit Rate) 50%의 의미: 1,800만 개라는 방대한 라이브러리를 다루면서도 실험 검증 후보 12개 중 6개를 적중시킨 것은, 초기 필터링에서 위양성(False Positive)을 걷어내는 AI 모델의 신뢰도가 임상 전 단계 수준까지 성숙했음을 보여줍니다.
• 천연물 신경약리학 연구에의 접목: 한의학에서 정신 신경계(정지병, 전광, 건망 등)에 다용되는 원지, 석창포, 인삼 등의 천연물 유래 유효 성분들이 글루타메이트 수용체뿐만 아니라, 이처럼 구조가 덜 밝혀진 비전형적 이온 통로(GluN3A, 특이적 칼륨/나트륨 통로)와 어떻게 결합하는지 규명할 때 이 파이프라인을 그대로 적용할 수 있습니다.

 

🎯 7. 결론 및 한 줄 평

"구조가 없는 암흑 속의 표적이라도, 서열을 읽는 AI와 분자를 조립하는 물리 모델이 만나면 50%의 명중률로 열쇠를 깎아낼 수 있다."