핵심 요약
경상국립대학교 식품공학부 홍성민 교수 연구팀이 딥러닝 기반 모델 ‘DeepMGO’를 활용해 알츠하이머와 연관된 독성 대사물질 MGO를 표적하는 신물질 ‘TP-41’을 찾아내고, 국제학술지 ‘테라노틱스’ 최신호에 연구 결과를 발표했다. 동물실험(5xFAD 유전형 및 MGO 유도 인지저하 모델)에서 TP-41 투여는 기억·학습 능력의 유의미한 회복과 아밀로이드 베타·타우 단백질 축적의 현저한 감소를 보였다. 연구팀은 소규모 생화학 데이터에 최적화된 딥러닝 모델로 실험 횟수를 크게 줄이면서 유효 물질을 탐색할 수 있었다고 설명했다.
핵심 사실
- 연구진: 경상국립대학교 식품공학부 홍성민 교수 연구팀이 주도했다.
- 학술지 발표: 국제학술지 ‘테라노틱스'(Theranostics) 최신호에 게재됐다.
- 기술 요소: 소규모 생화학 데이터에 특화한 딥러닝 모델 ‘DeepMGO’를 자체 개발해 활용했다.
- 표적 독소: 메틸글리옥살(MGO)이 알츠하이머 병리 촉진과 연관되어 연구 대상이 됐다.
- 후보물질: TP-41이 MGO 제거 활성을 보이며 후보 치료제로 제시됐다.
- 동물실험 모델: 유전적 5xFAD 알츠하이머 마우스와 MGO로 유도한 인지저하 모델에서 평가했다.
- 효능 결과: TP-41 투여 시 기억력·학습능력 개선과 아밀로이드 베타·타우 축적의 현저한 감소가 관찰됐다.
- 의의: 대규모 스크리닝 없이도 AI 보조로 유효물질을 도출할 수 있음을 입증했다.
사건 배경
알츠하이머병은 인구 고령화와 함께 유병률이 빠르게 증가하는 대표적 퇴행성 뇌질환으로, 현재 승인된 치료제는 주로 증상 완화에 초점이 맞춰져 있다. 근본 원인을 겨냥한 치료제 개발은 복잡한 병리 기전과 임상적 이질성 때문에 어려움을 겪어 왔다. 최근 연구들은 대사 이상, 특히 메틸글리옥살(MGO)과 같은 독성 대사산물이 신경독성과 단백질 병리(아밀로이드·타우 응집) 촉진에 기여한다는 증거를 축적했다. 그러나 생화학적 표적을 겨냥한 신물질 발굴은 실험 데이터가 제한적인 경우가 많아 표준적 머신러닝 접근으로는 과적합 등 한계가 있었다.
이런 문제를 해결하기 위해 AI 기반 신약발굴 분야에서는 데이터 효율성을 높이는 모델 설계가 중요한 과제로 떠올랐다. 전통적인 고속 스크리닝은 비용·시간 부담이 크고, 컴퓨팅 기반 가상 스크리닝도 실험 데이터가 부족하면 신뢰도가 떨어진다. 홍성민 교수팀은 이러한 맥락에서 ‘소규모 데이터에서의 일반화 능력’을 설계 목표로 둔 딥러닝 모델을 개발해 MGO 관련 활성을 예측하고 후보 물질을 좁히는 전략을 택했다.
주요 사건
연구팀은 먼저 화합물 라이브러리에서 MGO 소거 가능성이 있는 후보를 DeepMGO로 예측했다. 모델은 과적합을 억제하는 구조와 생화학적 특성 반영을 통해 소규모 실험 데이터에서도 신뢰도 높은 예측을 목표로 설계됐다고 보고서에 설명했다. 예측 결과를 바탕으로 선정된 후보 가운데 TP-41을 실험적으로 검증했다.
후속 실험에서 TP-41은 in vitro·in vivo 시험을 거쳐 효능을 보였다. 특히 유전적 알츠하이머 마우스 모델(5xFAD)과 MGO로 인지저하를 유도한 모델에서 TP-41 투여군은 대조군에 비해 기억·학습 능력의 통계적 개선이 확인됐다. 조직학적 분석에서는 아밀로이드 베타 플라크와 인산화 타우의 축적이 투여군에서 현저히 줄어들었다고 연구진은 밝혔다.
연구팀은 이번 연구의 강점으로 ‘데이터가 적은 분야에서의 AI 적용 가능성’과 ‘MGO라는 새로운 치료 표적 검증’을 꼽았다. 다만 논문과 보도자료에서는 후보물질의 안전성 프로파일, 용량-반응 관계, 인간 적용 가능성 등은 향후 추가 연구가 필요하다고 명시하고 있다.
분석 및 의미
이번 연구는 알츠하이머의 병리 중 하나로 주목받는 대사성 독소 MGO를 직접 표적화했다는 점에서 의미가 크다. 아밀로이드·타우 중심의 전통적 접근과는 다른 경로를 제시하여 병리적 다양성을 반영한 치료 전략 확장의 실마리를 제공한다. 특히 MGO 제거를 통해 단백질 응집과 신경염증 연쇄를 차단할 가능성은 병의 진행을 늦추거나 일부 병리적 표지자를 개선하는 데 기여할 수 있다.
AI 도구인 DeepMGO의 활용은 신약 후보 발굴 비용과 시간을 줄이는 데 효과적일 수 있다. 소규모 데이터 환경에서도 예측 안정성을 확보했다면 희귀 표적이나 초기 탐색 단계에서 유용한 보완 수단이 될 수 있다. 다만 모델 기반 예측은 실험적 검증이 필수이며, in vivo·임상 단계에서의 일관성 확보가 관건이다.
임상 적용까지의 경로를 현실적으로 보면 추가적인 독성시험, 약동학·약력학(PK/PD) 연구, 용량 설정과 장기 투여 영향 평가가 필요하다. 또한 알츠하이머 환자군의 이질성을 고려하면 TP-41 단일 약물로 모든 환자에게 동일한 효과를 기대하기보다는 병인별 병용요법 가능성도 함께 검토되어야 한다. 국제 규제·임상시험 설계 측면에서도 표준화된 바이오마커와 임상결과 지표의 활용이 중요하다.
비교 및 데이터
| 평가 모델 | 처치 | 관찰 결과(정성) |
|---|---|---|
| 5xFAD(유전형) | TP-41 투여 | 기억·학습 개선, 아밀로이드·타우 축적 감소 |
| MGO 유도 인지저하 모델 | TP-41 투여 | 인지 기능 부분 회복, 병리표지자 감소 |
| 무처치 대조 | 대조 | 인지저하 지속, 병리표지자 유지 |
위 표는 논문에서 보고된 실험 모델과 연구진이 제시한 관찰 결과를 정리한 것이다. 정량적 수치(효능의 크기, p값 등)는 논문 본문과 보충자료를 통해 확인해야 하며, 동물 모델 결과가 인간 임상 결과로 직접 전이되는 것은 아니다.
반응 및 인용
연구 발표 직후 연구진과 학계 일각에서는 데이터 효율성을 높인 AI 적용에 긍정적 반응을 보였다. 연구자의 해석은 개발 방향과 향후 연구 과제를 가늠하는 데 중요한 단서가 된다.
“딥러닝 기술을 활용해 수만 번의 실험을 거치지 않고도 알츠하이머의 원인 독소를 제거할 수 있는 유효 물질을 찾아냈다는 점이 이번 연구의 가장 큰 성과”
홍성민 교수(경상국립대 연구팀장)
연구팀은 해당 발언과 함께 TP-41이 향후 알츠하이머뿐 아니라 우울증 등 노인성 뇌질환 치료 전략으로 확장될 가능성을 언급했다. 다만 이는 전임상 단계 성과를 토대로 한 전망으로, 임상적 유효성과 안전성 확보가 전제되어야 한다.
학술적 맥락에서 논문은 TP-41이 MGO 제거를 통한 신경병리 표지자 감소를 보였다고 결론짓고 있으나, 저자들은 후속 연구로 독성·장기효과·임상 적용성 검증을 권고하고 있다.
“TP-41은 MGO 제거를 통해 신경병리학적 표지자를 감소시켰으며, 향후 임상 전 검증이 필요하다”
테라노틱스 게재 논문(저자 결론 요약)
불확실한 부분
- 임상 전 단계: TP-41의 인간 대상 효능 및 안전성은 아직 검증되지 않았다.
- 장기 안전성: 장기 투여 시의 독성 프로파일과 부작용 가능성은 밝혀지지 않았다.
- 용량-반응 관계: 최적 용량 및 투여 경로에 대한 정량적 데이터는 추가 연구가 필요하다.
총평
이번 연구는 알츠하이머 병리의 한 축으로 주목받는 MGO를 표적화해 신물질을 도출했다는 점에서 학문적·임상적 관심을 끌 만하다. DeepMGO 같은 데이터 효율형 AI 도구는 제약·생명과학 분야에서 초기 후보물질 탐색의 비용과 시간을 줄이는 보조 수단으로 유용할 수 있다. 다만 동물실험 결과가 유효하더라도 인간에서의 치료 효과와 안전성 확보는 별도의 단계별 검증을 필요로 한다.
향후 연구 방향은 TP-41의 독성·약동학 평가, 다양한 알츠하이머 모델에서의 반복 검증, 임상시험 설계 준비로 이어져야 한다. 규제 당국의 요구사항을 충족하고 임상적 유효성을 입증할 경우 TP-41은 기존 치료법과 병용할 수 있는 새로운 옵션으로 자리잡을 가능성이 있다.
출처
- 경남일보 기사 — (언론 보도)
- Theranostics — (학술지, 논문 게재 학계)