아주대병원 방사선종양학과 허재성 교수팀은 중앙대 이윤지, 백준기 교수팀과 신약 후보 물질의 간 대사 안정성을 정밀하게 예측할 수 있는 인공지능(AI) 기반 모델 ‘MetaboGNN’을 개발했다고 밝혔다.

이번 연구 성과는 ‘MetaboGNN: predicting liver metabolic stability with graph neural networks and cross-species data(그래프 신경망과 이종 간 데이터를 활용한 간 대사 안정성 예측 인공지능 모델)’라는 제목으로 약물 화학정보학 분야의 국제 학술지‘Journal of Cheminformatics’ 2025년 9월호에 게재됐다.

신약 개발 초기 단계에서 가장 중요한 과제 중 하나는 신약 후보 물질이 체내, 특히 간에서 얼마나 안정적으로 유지되는지를 예측하는 일이다. 기존에는 주로 동물·세포실험에 의존해 왔는데, 이 방식은 막대한 비용과 시간, 윤리적 논란이 뒤따르는 한계가 있었다. 연구팀은 이러한 문제를 해결하기 위해 분자 구조를 그래프로 분석하는 그래프 신경망(GNN)과 분자 간 미세한 차이를 학습하는 그래프 대조학습(GCL)을 결합한 AI 예측 모델 ‘MetaboGNN’을 구축했다. MetaboGNN은 분자의 구조적 특성과 대사 안정성의 관계를 정밀하게 파악해, 실험 없이도 간 대사 안정성을 예측할 수 있게 한다.

특히 MetaboGNN은 사람(Human Liver Microsome, HLM)과 생쥐(Mouse Liver Microsome, MLM)의 간 대사 데이터를 동시에 학습해 종 간 대사 차이(interspecies differences)까지 모델에 반영한 세계 최초의 AI 모델이라는 점에서 주목받는다.

연구팀은 2023 대한민국 신약개발 데이터 챌린지에서 제공한 3,981개의 간 미소체 데이터를 학습시킨 결과, MetaboGNN이 기존 모델보다 오차를 크게 줄이고 예측 정확도를 눈에 띄게 높였다. 평균제곱근오차(RMSE) 지표에서 HLM 27.91·MLM 27.86을 기록해 기존 모델 대비 오차를 대폭 줄였으며, 예측 정확도(AUROC) 0.81·모델 신뢰도(MCC) 0.47로 분류 성능에서도 최고 수준의 성과를 보였다. 이는 HLM과 MLM 간 종 간 대사 차이를 독립적 학습 목표로 통합한 것이 성능 향상의 핵심 요인으로 분석된다.

또한 MetaboGNN은 어떤 분자 구조가 대사적 안정성을 높이고(아민·아마이드·플루오린 치환기), 어떤 구조가 분해를 촉진하는지(메톡시 페닐기·벤질 탄소)를 시각적으로 분석해 제시할 수 있다. 연구팀은 이러한 해석 가능한 AI(interpretable AI) 기능을 통해 신약 후보 물질의 구조 설계 단계에서 바로 활용할 수 있는 구체적 단서를 제공할 수 있을 것으로 기대하고 있다.

허재성 교수는 “MetaboGNN은 간 대사 예측의 정확도를 획기적으로 높였을 뿐 아니라, 예측 과정에서 화학적 근거까지 제시하는 해석 가능한 AI 모델이라는 점에서 신약 개발의 패러다임을 바꿀 것”이라고 밝혔다.