계산과학이 이끄는 RNA 치료제 혁신: 설계부터 전달 시스템 최적화까지

RNA 치료제는 유전자 발현과 단백질 합성을 정밀하게 조절함으로써 감염 질환부터 암, 유전 질환까지 다양한 질환의 치료에 혁명을 일으킬 잠재력을 가지고 있습니다. 그러나 임상 적용을 위해서는 세 가지 주요 장벽이 존재합니다. 첫째, 리보뉴클레아제 (RNase) 에 의한 분해 및 혈액 내 음전하 간섭으로 인한 RNA 의 불안정성입니다. 둘째, RNA 기능의 제어된 조절의 어려움, 셋째, 세포 내로의 효율적인 전달 시스템 부족입니다. 기존 코돈 최적화, 화학적 변형, 전달 시스템 공학적 개선은 부분적인 해결책을 제공했으나 경험칙과 시행착오에 의존하여 시퀀스와 기능을 체계적으로 제어하는 데 한계가 있었습니다.

특히 짧은 RNA(siRNA, shRNA, miRNA) 의 경우 표적 특이성과 오프-타겟 효과 조절이, 긴 RNA(mRNA, circRNA) 의 경우 분자 안정성과 단백질 발현 조절의 양립이 각각 중요한 과제입니다. 이러한 과제를 극복하고 차세대 정밀 의료를 실현하기 위해서는 경험칙을 넘어선 합리적인 설계 접근법이 필수적입니다.

본 리뷰는 RNA 치료제 개발에서 계산 과학 전략의 두 가지 핵심 발전을 체계적으로 소개합니다. 첫째는 예측 모델과 알고리즘 스크리닝을 기반으로 한 RNA 설계 및 최적화입니다. 둘째는 데이터 기반 방법을 통한 전달 시스템의 지능형 전환입니다. 경험칙 기반 설계에서 기계 학습 (ML) 및 딥러닝 (DL) 을 활용한 데이터 기반 설계로의 패러다임 전환이 가속화되고 있으며, 이를 통해 RNA 의 안정성, 특이성, 발현 효율 및 세포 내 흡수 효율이 획기적으로 향상될 수 있음이 입증되었습니다.

특히 siRNA 의 침묵 효율 예측 및 화학적 변형 영향 평가, miRNA 의 표적 유전자 네트워크 재구성, 그리고 mRNA 의 구조 안정성과 번역 효율 동시 최적화에서 계산 모델이 실험적 검증을 크게 보완하고 후보 분자 선정 효율을 높이는 것이 확인되었습니다. 또한 리포이드 나노입자 (LNP) 와 같은 전달 캐리어 조성 최적화에서도 AI 예측이 유효함이 밝혀졌습니다.

본 논문은 RNA 설계에 사용되는 계산 아키텍처를 '전통적 기계 학습'과 '딥러닝'으로 대별하여 설명합니다. 전통적인 랜덤 포레스트 (RF) 나 서포트 벡터 머신 (SVM) 은 특징이 명확히 정의된 경우 해석력이 높고 유용하지만, 딥러닝은 원시 데이터에서 직접 특징을 추출할 수 있다는 점에서 우수합니다.

• 합성 신경망 (CNN): 국소 뉴클레오타이드 모티프 및 공간 근접성을 효율적으로 추출하여 5'UTR 의 리보솜 로딩 예측 등에 활용.
• 그래프 신경망 (GNN): 3 차원 공간에서의 분자 기하학적 제약을 자연스럽게 포착하여 RNA 구조 예측 및 LNP 설계에 특화된 강점을 가짐.
• Transformer 아키텍처: 셀프 어텐션 메커니즘을 통해 장거리 시퀀스 의존성을 포착하고, 대규모 미주석 시퀀스 데이터로부터 전이 학습을 가능하게 함.
• 화학적 변형 고려: 2'-O-메틸 또는 2'-플루오로와 같은 화학적 변형이 면역원성 및 침묵 효율에 미치는 영향을 시퀀스 정보와 변형 패턴 모두에서 예측하는 모델 개발.

이러한 모델들은 내부 교차 검증부터 독립적인 외부 데이터셋, 나아가 실험적 검증까지 다단계로 평가됩니다. 특히 화학적으로 변형된 siRNA 의 활성 예측이나 miRNA 와 질병의 연관성 예측에서 그래프 기반 모델 및 멀티뷰 학습이 높은 정확도를 보이고 있습니다.

계산 설계의 진보는 신경퇴행성 질환 및 근육 질환을 포함한 다양한 질환 영역에서 RNA 치료제 개발에 큰 시사점을 제공합니다. 예를 들어, siRNA 의 오프-타겟 효과를 최소화하면서 특정 신경 세포에서 고효율로 유전자를 침묵시키는 설계가 가능해지면, 알츠하이머병이나 근위축성 측삭 경화증 (ALS) 등의 치료 전략이 비약적으로 발전할 수 있습니다.

또한 mRNA 나 circRNA 설계에서 지속적인 단백질 발현과 낮은 면역원성을 동시에 달성할 수 있다면, 만성 질환을 위한 백신이나 효소 대체 요법 개발이 가속화될 것입니다. 계산 기반 전달 시스템 최적화는 뇌혈관 장벽 (BBB) 을 통과하는 AAV 벡터나 LNP 설계에도 적용 가능하여, 중추신경계 질환 치료제 전달의 열쇠가 될 것입니다.

계산적으로 최적화된 RNA 분자의 기능을 입증하기 위해서는 고품질의 전임상 모델이 필수적입니다. 특히 특정 유전자 변이를 가진 마우스 모델이나 인간화 마우스 를 이용한 평가가 중요합니다. 예를 들어, 신경 질환 모델에서 계산적으로 설계된 siRNA 의 뇌 내 전달 효율이나 장기 발현 지속성을 평가하려면, Cre-loxP 시스템을 활용한 조건부 녹아웃 마우스나 조직 특이적 발현 모델이 유용합니다.

또한 AAV 벡터나 LNP 를 이용한 유전자 치료 평가에는 특정 조직으로의 트로피즘을 평가할 수 있는 동물 모델이나 면역 반응을 모니터링할 수 있는 모델이 필요합니다. Cyagen 이 제공하는 유전자 편집 동물 모델 및 세포 모델은 이러한 계산적으로 설계된 치료 후보 분자의 효능 평가 (in vivo / in vitro) 에서 신뢰할 수 있는 데이터를 제공하는 중요한 연구 도구가 됩니다.

RNA 치료제 개발은 경험칙에서 데이터 기반 계산 설계로 크게 전환되고 있습니다. AI 를 활용한 시퀀스 최적화, 구조 예측, 전달 시스템 설계는 RNA 의 불안정성, 조절 어려움, 전달 효율이라는 3 대 과제를 해결하는 열쇠입니다. 향후 설계 알고리즘, 설계 메커니즘, 설계 아키텍처의 통합이 더욱 진전되어 더 정밀하고 안전한 차세대 치료제의 임상 실장이 가속화될 것으로 기대됩니다.