AI 기반 T·B 세포 수용체 모델링과 치료제 설계의 최신 동향

초록

본 논문은 단백질 언어 모델, 머신러닝, 멀티모달 통합 기법을 활용한 T세포 수용체(TCR)와 B세포 수용체(BCR) 모델링 최신 연구를 정리한다. 단일세포·레퍼토리 규모 데이터 활용, 구조 예측 및 생성 모델을 통한 후보 물질 설계 전략을 제시하며, 데이터 효율성·범용성·임상 적용 가능성을 강조한다.

상세 분석

이 장은 면역학적 레퍼토리 데이터와 AI 기술의 융합을 체계적으로 검토한다. 먼저 AIRR‑seq, OAS, OTS 등 공개 데이터베이스를 정리하고, 레퍼토리 규모가 수백만~수억 서열에 달함을 강조한다. 기존 k‑mer, 모티프 마이닝 등 전통적 방법은 라벨 희소성과 잡음 때문에 일반화에 한계가 있었으며, 이는 대규모 비지도 학습 기반의 단백질 언어 모델(PLM) 도입으로 극복된다. ESM‑2, ProtBERT, AntiBERTy 등 트랜스포머 기반 PLM은 마스크드 토큰 예측을 통해 아미노산 간 장거리 상호작용을 학습하고, 구조·기능 정보를 내재화한다. 특히 TCR·BCR 전용 PLM은 V(D)J 재조합 특성을 반영해 클론트립, CDR3 변이 등을 효과적으로 표현한다.

구조 예측 측면에서는 AlphaFold‑Multimer, IgFold, TCRmodel, TCRdock 등이 레퍼토리 서열을 3D 구조로 변환해 항원 결합 부위와 유연성을 정량화한다. 이러한 구조 정보는 파라토프 예측, 친화도 추정, 변이 효과 분석에 직접 활용된다.

생성 모델(RFdiffusion, Diffusion‑based 설계)과 조건부 언어 모델은 특정 항원·MHC 제약을 입력으로 받아 새로운 TCR/BCR 시퀀스를 설계한다. 여기서 중요한 점은 합성 라벨(예: 예측된 친화도)과 실제 실험 라벨을 결합해 데이터 효율성을 높인다는 것이다. 또한 멀티오믹스(전사·표면단백질·클론트립)와 임상 메타데이터를 통합하는 파이프라인이 제시되어, 후보 물질의 안전성·특이성·제조 가능성을 사전 검증한다.

마지막으로 라벨 노이즈(VDJdb의 50 % 검증 실패)와 기능 라벨의 이질성(Kd, IC₅₀, ΔΔG 등) 문제를 해결하기 위한 표준화된 벤치마크와 평가 프레임워크 필요성을 강조한다. 전체적으로 이 장은 데이터·모델·실험 삼위일체 접근이 차세대 면역 치료제 개발에 필수임을 설득력 있게 제시한다.