Development of Adverse Outcome Pathway for PPARγ Antagonism Leading to Pulmonary Fibrosis and Chemical Selection for Its Validation: ToxCast Database and a Deep Learning Artificial Neural Network Model-Based Approach (2019)

인간은 다양한 경로로 흡입독성물질에 노출되는데, 화학물질의 흡입독성 동물시험은 난이도와 비용, 시간의 문제로 수행하기 쉽지 않다. 이러한 문제를 해결하기 위해 많은 대체시험법이 연구되고 있으며, 분자 수준에서의 독성 메커니즘을 기반으로 최종 독성을 예측하고자 하는 독성발현경로 (AOP)가 등장하였다. 하지만 AOP의 개발 과정에서 이를 검증하기 위한 화학물질을 찾는 것은 쉽지 않다. 

이에 우리 연구실의 정재성 박사과정 학생은 폐섬유화에 대한 독성발현경로 (AOP)를 구축한 후, ToxCast 독성 데이터베이스와 첨단 딥러닝 기법을 이용한 활성 예측 모델을 이용하여 AOP를 검증하기 위한 화학물질을 선정하였다. 미국 EPA에서 구축한 ToxCast 데이터베이스에는 수천 종의 화학물질에 대해 수백 종의 어세이를 이용한 고속대량스크리닝 실험 결과가 정리되어 있지만 실험 데이터가 없는 경우가 많다. 본 연구에서는 딥러닝 모델을 사용하여 이러한 데이터갭 문제를 해결하였고, AOP 실험 검증을 위한 화학물질을 선정할 수 있었다. 이러한 접근법은 AOP 개발 과정의 어려움을 해결하여 AOP 개발을 촉진하는데 기여할 수 있을 것으로 기대된다. 또한 흡입독성 AOP와 ToxCast를 기반으로 독성을 예측하는 딥러닝 모델을 활용한다면, 독성 정보가 없거나 새로 개발된 화학물질이 흡입독성을 일으킬 가능성이 있는지 간단하게 확인할 수 있어, 소모적인 실험을 줄일 수 있을 것으로 기대된다.

이 연구는 국제학술지 Chemical Research in Toxicology의 2019년 5월호에 게재되었으며, 빅데이터와 딥러닝 모델이 화학물질 관리에 사용될 수 있음을 보인 중요성을 인정받아 ACS 저널의 편집자 추천 주요 논문 (ACS Editors’ Choice)으로 선정되었다. (논문 링크: https://doi.org/10.1021/acs.chemrestox.9b00040 )

세계 화학물질 관련 규제 및 산업계 동향을 제공하는 Chemical Watch에서 주목하였다. 이는 규제 관리차원에서도 이 연구가 한정된 연구결과에 그치지 않고 실무적 적용 가능성이 매우 높음을 시사한다. (Chemical Watchhttps://chemicalwatch.com/78898/toxcast-data-valuable-for-aop-validation-study-suggests )

동아일보에서도 AI와 AOP를 활용하여 흡입독성을 평가하는 매우 효율적인 대체시험법으로, 동물실험을 하지 않고 신속하게 화학물질의 독성을 평가하는 독성평가 인프라 구축에 도움이 될 것이라고 소개되었다. (동아일보:http://dongascience.donga.com/news.php?idx=31403)