Preferred Networks, 100억 규모 가상 스크리닝 서비스 출시
- •Preferred Networks, 100억 개 화합물 라이브러리를 효율적으로 탐색하는 P-ULVS 서비스 제공
- •능동 학습(Active Learning)을 활용해 전수 계산 대비 시간을 약 1/1,500로 단축하고 상위 화합물 80% 식별
- •5-HT2AR 등 표적 단백질에서 72~81% 재현율을 달성하여 실험 비용과 시간 획기적 절감
Preferred Networks(PFN)는 초기 신약 개발의 핵심인 히트(Hit) 화합물 탐색을 가속화하기 위해, 100억 개 규모 화합물 라이브러리를 대상으로 하는 가상 스크리닝 서비스 'P-ULVS'를 출시했다. 기존 신약 개발 단계에서는 1,000만 개 규모의 라이브러리가 일반적이었으나, 최근에는 Enamine REAL과 같은 100억 개 이상의 초대규모 라이브러리가 표준으로 자리 잡았다. P-ULVS는 기계학습 모델을 활용한 '능동 학습(Active Learning)'과 도킹 시뮬레이션을 결합해 방대한 화합물 공간에서 후보 물질을 고속으로 탐색한다.
라이브러리 규모를 1억 개에서 100억 개로 확장하면 고활성 작용제 발견율이 상승하며, 표준 방식 대비 약 2~5배 높은 히트율 개선 효과가 보고된 바 있다. 실제로 100억 개 규모 라이브러리 활용 시 CB2R에서 33%, ROCK1에서 28.5%의 히트율을 기록했다. P-ULVS는 기계학습 기반의 선택과 도킹 계산 루프를 반복하여, 전수 계산 시 수백 년이 소요될 시뮬레이션을 최적화된 리소스로 단시간에 완료한다.
성능 테스트에서 5-HT2AR 표적 대상 100억 개 라이브러리 중 400만 개(전체 0.04%)를 평가한 결과, 도킹 점수 상위 화합물의 약 80%를 성공적으로 발견했다. 계산 시간은 NVIDIA V100 1개 사용 기준 약 1/1,500인 약 2,000시간으로 단축됐다. 동일한 성능은 CB2R, JAK3, ROCK1 등 타 표적 단백질에서도 입증되었으며, 모두 72~81%의 높은 재현율을 보였다.
사용자는 ML Best(Greedy) 전략이나 불확실성을 고려한 Uncertainty Sampling 등 목적에 맞춰 화합물 선택 방식을 조정할 수 있다. P-ULVS는 기존의 실험적 고속 스크리닝(HTS) 대비 비용과 시간을 크게 줄이는 것은 물론, 새로운 분자 구조 발견을 지원한다. PFN은 해당 기술을 고도화해 향후 신약 개발 생산성을 한층 높일 계획이다.