Revolutionizing Peptide-Based Drug Discovery: Advances in the Post-AlphaFold Era

Chang L, Mondal A, Singh B, Martínez-Noa Y, Perez A.

Wiley Interdiscip Rev Comput Mol Sci. 2024 Jan-Feb;14(1):e1693.

doi: 10.1002/wcms.1693.

Abstract	Peptide-based drugs offer high specificity, potency, and selectivity. However, their inherent flexibility and differences in conformational preferences between their free and bound states create unique challenges that have hindered progress in effective drug discovery pipelines. The emergence of AlphaFold (AF) and Artificial Intelligence (AI) presents new opportunities for enhancing peptide-based drug discovery. We explore recent advancements that facilitate a successful peptide drug discovery pipeline, considering peptides' attractive therapeutic properties and strategies to enhance their stability and bioavailability. AF enables efficient and accurate prediction of peptide-protein structures, addressing a critical requirement in computational drug discovery pipelines. In the post-AF era, we are witnessing rapid progress with the potential to revolutionize peptide-based drug discovery such as the ability to rank peptide binders or classify them as binders/non-binders and the ability to design novel peptide sequences. However, AI-based methods are struggling due to the lack of well-curated datasets, for example to accommodate modified amino acids or unconventional cyclization. Thus, physics-based methods, such as docking or molecular dynamics simulations, continue to hold a complementary role in peptide drug discovery pipelines. Moreover, MD-based tools offer valuable insights into binding mechanisms, as well as the thermodynamic and kinetic properties of complexes. As we navigate this evolving landscape, a synergistic integration of AI and physics-based methods holds the promise of reshaping the landscape of peptide-based drug discovery.
한글 초록 요약본	펩타이드 기반 약물은 높은 특이성, 효능, 선택성을 제공함. 그러나 펩타이드 고유의 유연성과 자유 상태(free state)와 결합 상태(bound state) 간의 구조적 선호도 차이로 인해, 효과적인 신약 개발 파이프라인 구축에 어려움이 존재함. AlphaFold(AF)와 인공지능(AI)의 등장은 펩타이드 기반 약물 개발을 강화할 수 있는 새로운 기회를 제공함. 본 논문에서는 펩타이드의 치료적 장점과 함께, 안정성과 생체이용률을 향상시키기 위한 전략을 고려하여 성공적인 펩타이드 약물 개발 파이프라인을 구축하는 데 도움이 되는 최신 발전 사항을 다루었음. AF는 펩타이드-단백질 복합체 구조를 효율적이고 정확하게 예측할 수 있도록 하여, 계산 기반 약물 발굴 파이프라인의 핵심 요구사항을 충족시킴. AF 이후 시대(post-AF era)에는 펩타이드 결합체의 순위화를 가능하게 하거나 결합 여부에 따라 분류하고, 새로운 펩타이드 서열을 설계할 수 있는 능력 등을 통해 펩타이드 기반 약물 개발이 빠르게 진전되고 있음. 그러나 변형 아미노산이나 비전통적인 환형 구조를 반영할 수 있는 잘 정제된 데이터셋의 부족으로 인해, AI 기반 접근은 여전히 한계를 가짐. 이에 따라 도킹(docking)이나 분자동역학(molecular dynamics, MD) 시뮬레이션 등 물리 기반 접근법은 펩타이드 약물 개발에서 여전히 보완적인 역할을 수행함. 특히 MD 기반 도구는 결합 메커니즘뿐 아니라 복합체의 열역학적 및 동역학적 특성에 대한 중요한 통찰을 제공함. 이와 같이 변화하는 연구 환경 속에서 AI 기반 기법과 물리 기반 기법의 시너지적 통합은 펩타이드 기반 신약 개발의 방향을 재편할 수 있는 가능성을 제시함.
한글 논문 요약본	1.     INTRODUCTION 계산 파이프라인은 신약 개발의 필수 단계로 자리 잡았음. 소분자는 효율적 워크플로를 이미 확립했으나 모든 질병 표적을 다루지 못함. 펩타이드는 대면적 결합과 키랄·단백질 유사 구조 덕분에 높은 특이성을 지니며 이미 다수 질환에서 일등급 약물로 승인되었음. 하지만 짧은 반감기·저조한 생체이용률·경구 투여 한계로 인해 안정화·전달 기술이 병행 개발되었음. 이러한 제약에도 2022년 펩타이드 약물 매출은 약 400억 달러에 달하며 FDA 승인 펩타이드 절반 이상이 일등급 약물로 시장성·혁신성을 동시에 입증함. 1.1 Peptides as therapeutics 펩타이드는 호르몬·성장인자·신경전달물질로서 진화적 보존 구조(α-helix, β-turn 등)를 유지하며 큰 접촉 면적과 단백질 유사 특성을 통해 오프 타깃 효과를 최소화함. GPCR 등 세포외 수용체에는 적합하지만 세포 내 표적 접근성은 여전히 난제임. 짧은 반감기를 극복하기 위해 분자량 증가·말단 변형·사이클화·지질화·페길화가 활용되어 안정성과 약동학적 특성이 향상됨. 1.2 The peptide therapeutic market landscape 신약 개발에는 평균 15년·약 20억 달러가 소요되고 성공 확률은 10–20 %에 불과함. 그럼에도 펩타이드 약물은 2022년 40 억 달러 매출을 기록하며 꾸준히 성장 중임. 2015–2022년 승인된 펩타이드 중 절반이 일등급 약물로 블록버스터 잠재력이 높음. 현재까지 174종이 승인, 212종이 임상 진행 중으로 펩타이드는 제약 지형에서 중요한 위치를 차지함. 2. COMPUTATIONAL DRUG DISCOVERY PIPELINES 히트 탐색은 전체 개발 기간의 절반을 차지하며 화학 공간이 방대해 전산 기반 가상 스크리닝(VS)이 필수적임. 파이프라인은 라이브러리 설계, 복합체 구조 예측, 후보 랭킹, 최적화 설계 네 단계로 구성되며, AF·AI의 도입으로 펩타이드에서도 소분자 수준의 효율적 워크플로 구축이 가능해졌음. 2.1 Pre-AF 한계 전통 도킹·MMGBSA·FEP는 펩타이드의 고유 유연성과 다중 결합 모드를 충분히 다루지 못해 주로 5 잔기 이하 짧은 펩타이드에서 부분적 성공만 거두었음. AutoDock CrankPep, FlexPepDock 등 특화 도구가 등장했으나 다양한 결합 자세를 샘플링하더라도 최적 모델 선별 정확도는 낮았음. 2.2 Post-AF 시대의 기회 AF-multimer, ColabFold, OmegaFold는 수 분 내 복합체 예측을 수행하며 성공률이 50 % 이상으로 향상됨. 특히 ColabFold는 MMseqs2를 활용해 계산 시간을 40–60배 단축했고, MHCfold·TFold처럼 표적 특화 모델도 개발되어 대량 스크리닝이 현실화됨. 다만 AF는 점 돌연변이·비표준 잔기 예측에 한계가 있어 전통 도킹과 병행이 필요함. 2.3 Exploring the peptide sequence space 20^N 조합으로 인한 방대한 서열 공간을 브루트포스로 탐색하는 것은 비현실적임. 따라서 PPI 핫스폿을 기반으로 라이브러리를 설계하거나 기존 실험 리드를 출발점으로 서열을 최적화하는 전략이 활용되며, 이는 시스템 특이적이고 길이 변동 유연성이 제한적임. 2.4 AI-enhanced peptide design AI는 사용자 친화적 인터페이스와 방대한 데이터로 설계 과정을 가속함. 감독 학습 모델(SVM, RNN 등)은 항균·세포투과 펩타이드 설계 정확도를 높였고, RFdiffusion·GAN 계열 비감독 모델은 구조 없이도 서열·구조를 동시 설계하여 피코몰 결합 친화도를 지닌 헬릭스 펩타이드 설계에 성공함. 2.5 AI-based peptide ranking AF 내부 스코어 해석을 통해 동일 표적에 대한 경쟁 펩타이드를 결합 친화도 순으로 구분할 수 있음. 이는 구조 예측과 랭킹을 한 번에 해결하여 펩타이드 VS 파이프라인의 핵심 모듈로 부상함. 3. DO PHYSICS-BASED METHODS STILL PLAY A ROLE IN A POST-AF WORLD? 도킹·Rosetta 등 물리 기반 도구는 AF가 다루기 힘든 비표준 잔기·사이클화·점 돌연변이 시스템에서 여전히 유효함. MD는 힘장 정확도와 샘플링 비용 한계에도 불구하고 다중 준안정 상태, 결합 경로, 열역학·동역학 특성 분석에서 독보적 장점을 제공함. 3.1 Predicting structures REMD, 메타다이내믹스, MELD 등 강화 샘플링을 통해 네이티브 구조로 수렴시키며, 서열 변이에 따른 구조·결합 차이를 정량화함. 3.2 Mechanism, pathways, and kinetics 가중 집합(WE)·MSM·GaMD는 결합·해리 속도(k_on, k_off)를 계산하여 유도 적합과 구조 선택 메커니즘 기여도를 구분함. p53-MDM2 사례에서 헬릭스 선호도를 높이면 구조 선택 경로가 증가함을 확인함. 3.3 Special cases: cyclic peptides and modified amino acids 사이클화는 구조 고정·프로테아제 내성·투과성 향상을 위해 활용되며, AI 모델이 다루지 못하는 다채로운 화학 변형을 MD가 힘장 파라미터화하여 분석 가능함. 4. Conclusion AI는 펩타이드-단백질 구조 예측과 후보 랭킹을 자동화하여 발견 속도를 크게 높였음. 그러나 단일 돌연변이 민감성, 비정형 아미노산, 사이클화 전략 예측은 여전히 도전 과제임. 계산 성능 향상·정밀 힘장·고급 샘플링 기법을 접목한 물리 기반 접근이 이러한 공백을 메우며, AI와의 통합이 펩타이드 신약 개발의 정확성과 효율을 획기적으로 향상시킬 것임.