신약 개발 분야에서 약물 후보 물질의 활성을 예측하는 것은 매우 중요하지만, '활성 절벽(activity cliff)'이라는 난제에 직면해 있습니다. 활성 절벽은 약물의 미세한 화학 구조 변화가 약효(활성)에 극적인 차이를 유발하는 현상으로, 이를 정확히 예측하기 어려워 신약 개발의 효율성을 저해하는 주요 원인으로 꼽힙니다. 기존에는 이 현상을 설명할 고품질 데이터가 부족하여 모델링에 한계가 있었습니다.
최근 발표된 'CliffRank'는 이러한 활성 절벽 예측의 어려움을 극복하기 위한 듀얼 브랜치(dual-branch) 프레임워크를 제시합니다. 이 모델은 두 가지 예측기를 병렬로 학습시키는데, 하나는 약물의 절대 활성(absolute activity)을 회귀(regression) 방식으로 예측하고, 다른 하나는 약물 간의 상대적인 활성 순위(ranking consistency)를 학습합니다. 특히 '쌍별 선호도 일관성(Pairwise Preference Consistency, PPC)'이라는 새로운 손실 함수를 도입하여, 선호도 확률 공간에서 상대적 순서가 잘 정렬되도록 돕습니다. CliffRank는 ESM2-t12와 PNA 같은 단백질 및 소분자 인코더와 결합하여 항균 펩타이드 및 소분자 데이터셋에서 기존 모델 대비 우수한 스피어만 상관계수(Spearman correlation)와 Recall@50 성능을 달성했습니다.
CliffRank의 등장은 신약 개발 초기 단계에서 유망한 후보 물질을 더욱 효과적으로 선별하는 데 기여할 수 있습니다. 활성 절벽 현상을 더 정확하게 예측함으로써, 연구자들이 불필요한 물질 합성과 실험에 드는 시간과 비용을 절감하고, 성공 가능성이 높은 화합물에 집중할 수 있게 됩니다. 이는 궁극적으로 신약 개발 기간을 단축하고 혁신적인 치료제 발굴을 가속화하는 데 중요한 역할을 할 것으로 기대됩니다. 향후 더 다양한 약물 시스템에 대한 평가와 적응형 PPC 스케줄 개발, 그리고 단백질이나 막(membrane) 환경과 같은 추가적인 생물학적 맥락을 통합하는 연구가 진행될 예정입니다.