약의 부작용은 원래 디자인했던 타겟 단백질이 아닌 다른 단백질, 즉 off-target 단백질에 결합하기 때문에 나타날 수 있다. 보통 약의 부작용은 원하지 않는 것으로서 좋지 않은 것으로 생각할 수 있지만, 어떤 경우에는 이런 부작용이 좋은 결과를 가지고 올 수도 있다. 약의 부작용을 통해서 약의 새로운 사용처를 발견하게 될 수 있기 때문이다. 부작용을 통해 약의 새로운 사용처를 발견한 가장 좋은 예는 Viagra일 것이다. 고혈압과 협심증 치료제 개발 과정에서 만들어진 viagra(화합물명 Sildenafil)는 임상에서 협심증에는 효과가 별로 없지만 발기 부전에 효과가 있음이 발견되었고, 1998년에 미국의 FDA에서 허가를 받음으로서 경제적으로는 물론이고 사회적으로도 엄청난 반향을 불러온 블록버스터 신약이 되었다.
이외에도 부작용에 대한 정보를 통해 적응증을 변경하여 성공한 신약 개발 사례는 여러 가지가 있으며, 최근에는 신약 개발의 패러다임 자체가 한 개의 주요 타겟 단백질에 대해 높은 약효를 갖는 화합물을 찾는 방식에서 복용시 독성이 없는 화합물의 적응증을 찾는 방식으로 바뀌어가고 있을 정도이다. 후자의 방법을 사용하기 위해서, 신약 개발의 가장 초기 단계에 합성되는 화합물들에 대해서도 약효, 부작용, 독성 등과 관련된 다양한 단백질 타겟에 대한 실험을 대량(보통 수십개)으로 모아서 진행하는 panel assay가 이루어지고 있고, 이에 따라 수많은 화합물들의 assay 데이터가 생산되고 있다. 데이터의 증가는 분석의 필요성을 증대시키므로 필연적으로 정보학의 발전을 가져오고, 이를 통해 현상에 대한 새로운 이해가 가능해지게 된다. 약의 부작용에 대한 관심이 높아지고, 이에 대한 데이터 역시 증가하면서, 약의 부작용에 대한 정보학적인 연구들이 이루어지고 있으며, 미국의 저명한 과학잡지인 Science에 실린 이 기사는 이런 연구 중에서도 가장 최신의 결과를 잘 보여주고 있다.
우선 데이터를 광범위하게 수집하고 이를 정확하게 분류하는 작업이 필요하다. 저자들은 약의 포장에 들어있는 정보로부터 약의 부작용과 관련된 정보들을 모으고, 이 정보들을 Unified Medical Language System에 맞춰서 정리하였다. (실제로 데이터의 수집도 매우 손이 많이 가고 시간을 많이 소요하는 작업이지만, 이런 식의 데이터 정리와 분류는 그보다도 몇 배 힘들고 지루한 작업 중의 하나이다. 이런 작업을 자동으로 할 수 있다면 좋겠지만, 그렇게 하더라도 결국은 연구자의 눈으로 확인하지 않을 수 없기 때문에 더욱 어려운 일이라고 할 수 있다) 그리고 모든 부작용이 동일한 빈도로 나타나는 것이 아니기 때문에, 빈도에 따라 각각의 부작용에 가중치를 부여했다.
이 가중치를 이용하여 통계적인 의미가 있는지를 분석하면 부작용 유사도(side effect similarity)를 계산할 수 있다. (여기서 유사도는 생물학적 유사도에서 원래 목표로 하고 있는 약효를 제외한 것이라고 볼 수 있다.) 이 부작용 유사도를 타겟 단백질이 알려진 약에 대해 계산하여 유사도와 실제 부작용의 상관관계를 분석했더니 두 수치 사이에 분명한 관계가 있음을 알 수 있었다.
이제 타겟이 알려지지 않은 약을 포함한 데이터에 대해 이 방법을 적용하고 25% 이상의 확률로 타겟을 공유할 것으로 생각되는 약의 짝을 네트워크로 분석하였다. 이 중에서 화합물의 구조가 매우 다르고 적응증도 다른 것들을 추린 후에 일부에 대하여 실제 in vitro 실험을 진행하였다. 20쌍에 대해 실험을 진행한 결과 이 중 13쌍에서 예측된 타겟 단백질에 대한 결합이 이루어지고 있음을 알 수 있었고, 이 중에서 11개는 부작용을 일으킬만큼 강력한 결합을 보인다는 사실을 알 수 있었다.
이 논문에서 수행한 방법을 판매되는 약, 혹은 개발 중에 있는 약에 적용할 경우, 약의 적응증을 새롭게 개발하는 Drug Repositioning에 효과적으로 적용할 수 있을 것으로 생각된다. 특정 단백질을 저해하는 리간드군 간의 유사도 분석, 단백질의 결합 부위만의 유사도 분석과 같은 방법이 이미 알려져 있으며, 이 논문에서 제시한 알려진 in vivo 부작용 간의 유사도 분석도 또다른 중요한 연구 방법이 될 것으로 생각된다. 그리고 이런 분석법 간의 연관 관계를 메타 분석함으로서 리간드 구조 유사도, 단백질 구조 유사도, 부작용 유사도 등이 서로 어떻게 연관되어 있는지, 어떤 요소들이 이런 연관과 관련이 있으며, ,어떤 요소들은 이런 연관 관계를 약화시키는지에 대한 이해를 얻을 수도 있을 것으로 생각된다.
(0) 
(0)
댓글을 달아 주세요