💡 요약
✅ 1. 연구 목적 및 배경
항체 인간화(humanization)는 치료용 항체 개발의 핵심 단계이지만, 수작업에 의존하며 전문적인 지식이 요구되는 복잡한 과정
기존의 인간화 도구들은 대부분 폐쇄적이며, 기존의 Humanness Score는 해석 가능성(interpretable), 다양성(diversity), 세분성(granularity)이 부족함
본 논문에서는 공개형 플랫폼 BioPhi를 제안함:
- 인간화 모델: Sapiens
- 인간성 평가 점수: OASis
- 자연 항체 레퍼토리: OAS (Observed Antibody Space) 활용
🖐 Monoclonal antibodies (mAbs, 단일클론항체) 란?
하나의 B세포 클론에서 유래한 항체로서, 하나의 특정 항원에만 특이적으로 결합하는 항체
현재 임상에서 가장 많이 사용되는 단백질 기반 치료제
mAb 개발 방식
Mouse(혹은 다른 동물) 를 면역화하여 항체를 얻음
하지만 이 동물 유래 항체는 사람 몸에서 "이물질" 로 인식되어 면역 반응(ADA) 을 유발할 수 있음
→ 안전성 및 효능 저하
→ Humanization 필요
🖐 ADA(Anti-Drug Antibody) 반응이란?
치료용 단백질 약물(특히 mAb 등)을 외부 물질로 인식하여,
환자의 면역체계가 항체를 생성하는 현상
🖐 Vernier Zone이란?
CDR 바로 아래 Framework 영역에 있는 아미노산 위치들
CDR의 3차원 구조와 안정성에 직접적 영향
마치 CDR을 받쳐주는 구조적 ‘버팀대’ 같은 역할
🖐 Back-mutation이란?
인간화 과정에서 프레임워크를 human germline으로 바꾼 후에도,
특정 위치(Vernier zone)는 다시 원래 mouse 서열로 되돌림
목적: CDR의 입체 구조 유지 → 항원 결합력 보존
But, humanness 저하 가능
🖐 Humanness Score란?
항체 서열이 얼마나 인간 서열과 유사한가를 정량화한 점수로,
면역원성(ADA 발생 가능성)을 예측하고 인간화의 정도 평가에 사용됨
🖐 기존의 humanness score 방법들
| 점수 | 평가 방식 | 특징 |
|---|---|---|
| Z-score | 전체 서열을 기준으로, 인간 항체 라이브러리와의 평균 유사도 | 간단하고 직관적이나 세밀한 구분 어려움 |
| T20 score | 가장 유사한 상위 20개 인간 항체와의 평균 유사도 | 일부 국소적 정보 반영 가능 |
| HSC (Human String Content) | 서열을 9-mer 단위 펩타이드로 분해하여, 인간 germline과의 유사도 계산 | 면역학적 관점 반영 (MHC 제시 모티프 기반) |
| MG score | 서열 내 두 위치 간 관계성까지 반영하는 Multivariate Gaussian 모델 기반 점수 | 고차원 통계 관계 반영 가능 |
🖐 왜 9-mer 단위가 중요한가?
사람 면역체계는 외부 단백질을 짧은 펩타이드(8~11mer) 로 잘라 MHC에 제시
→ T세포가 이를 인식
따라서 9-mer 펩타이드 단위의 humanness는 실제 면역 반응과 직접적으로 관련됨
🖐 기존 humanness score 방법들의 한계점
1️⃣ 세분성 부족 (Granularity 문제)
대부분 하나의 숫자 점수로만 전체 서열의 humanness를 평가함
→ 특정 부위(예: CDR, Vernier 등)의 비인간성(high-risk position)을 구체적으로 파악하기 어려움
2️⃣ 참조 라이브러리의 다양성 부족
대부분의 점수는 소규모 human reference dataset에 기반
→ 인간 항체 다양성을 충분히 반영하지 못함
🖐 OAS (Observed Antibody Space) 란?
실제 인간 항체에서 유래된 펩타이드 서열의 거대한 참조 라이브러리
기존의 제한적인 인간 항체 라이브러리보다 훨씬 다양하고 풍부한 서열 정보를 포함
✅ 2. BioPhi 플랫폼 구성
✅ 2-1. OASis (Humanization 점수 평가)
9-mer 펩타이드 단위로 항체 서열을 분할하고 OAS DB에서 prevalence(등장 빈도)를 검색
펩타이드가 인구의 몇 %에서 발견되었는지를 바탕으로 인간성과 면역원성 평가
다양한 stringency:
loose (1%), relaxed (10%), medium (50%), strict (90%)
OASis percentile 제공: 0~100%로 인간화 정도 시각화
🖐 항체 다양성의 필요성
왜 다양한 항체 서열이 필요한가?
치료용 항체를 설계 시 해당 조건 만족 필요
- 개발 가능성(developability): 안정성, 발현성, 응집성 등
- 면역원성(immunogenicity): 면역 반응 유발 가능성 최소화
- 후번역변형 위험성(PTM liability): 예기치 않은 당화, 산화 등 회피
이를 위해선 다양한 참조 서열 라이브러리가 필요하고, 항체 서열이 인간 서열 공간(human sequence space)에 속하는지를 평가해야 함
🖐 V 유전자 (V gene) 란?
V = Variable
항체의 가변 영역(variable region)을 암호화하는 유전자
| 구성요소 | 설명 |
|---|---|
| V (Variable) | 항체 가변 부위의 주된 서열을 담당 |
| D (Diversity) | (heavy chain에만 있음) V와 J 사이에 추가됨 |
| J (Joining) | V(D)와 연결되어 완전한 V(D)J exon을 만듦 |
이 조합(V(D)J recombination)이 다양한 항체를 만들어내는 핵심 원리
🖐 V 유전자 패밀리 (V gene family) 란?
유사한 서열을 가진 그룹끼리 '패밀리'로 묶은 것
ex) IGHV1, IGHV3, IGHV4
같은 IGHV (= Immunoglobulin Heavy Variable) 패밀리
같은 패밀리는 구조나 기능 면에서 유사성이 높기 때문에 분류 단위로 많이 사용되고, 분석할 때도 기준이 됨
🖐 Variable Region (가변 부위 서열) 란?
항체의 항원 결합 부위를 포함한 영역
주로 V(D)J로 구성되며, CDR1, CDR2, CDR3를 포함
항체 인간화나 면역원성 예측에서 가장 핵심적인 분석 대상
🖐 왜 V 유전자 기준으로 variable region을 추출하고 비교하는가?
V Gene Family와 IMGT 기준 서열을 활용하면,
항체 서열의 다양성과 인간 유사성을 과학적으로 정량화하고 비교할 수 있으며,
이는 인간화 설계와 면역원성 예측의 핵심 기반이 됨
| 이유 | 설명 |
|---|---|
| 1. 항체 구조를 잘 설명할 수 있는 단위 | V 유전자는 항체 variable region의 대부분을 차지하기 때문에, 항체의 정체성과 구조를 정의하는 핵심 서열임 |
| 2. Germline 유전자 비교를 통해 인간화 정도 측정 가능 | 인간의 V 유전자들과의 유사도는 항체가 '얼마나 인간적인가'를 평가하는 데 좋은 기준이 됨 |
| 3. 다양한 패밀리로부터 서열을 고르게 샘플링 가능 | 각 V gene family로부터 균형 잡힌 데이터를 추출하면, 항체 서열 다양성을 더 잘 분석할 수 있음 |
| 4. 사람 항체 레퍼토리와 치료용 항체의 설계 연결 | 실제 임상 항체도 특정 V gene 패밀리에서 유래되는 경우가 많아서, 디자인 시 유용한 비교 기준이 됨 |
🖐 UMAP 시각화로 본 서열 다양성
UMAP (Uniform Manifold Approximation and Projection)
→ 고차원 데이터를 2차원 또는 3차원으로 줄여서 시각화해주는 도구
항체 서열은 수십~수백 개의 아미노산으로 이루어진 고차원 정보
이걸 UMAP으로 2D에 투영하면, 서열 간 유사도에 따라 가까이/멀리 배치 가능
🖐 BioPhi의 OAS의 근거
✅ IMGT에서 정의한 정확한 인간 유전자 서열들(germline)
UMAP 상에서 비슷한 위치에 뭉쳐 있음 → 서로 매우 유사하다
✅ But, 실제 인간 항체 레퍼토리(OAS)는
많은 서열이 germline 유전자와 비슷하지 않음
→ 이들은 돌연변이, 체성 과변이(somatic hypermutation) 등으로 변형된 서열들임
✅ 사람 몸에서 생성되는 항체는, 정형적인 germline 서열보다 훨씬 다양하다는 의미
즉, 기존 인간화 기준이 정적인 germline 중심이었다면,
이제는 다양한 실제 인간 서열을 기준으로 해야 더 정확한 평가가 가능
OAS는 germline보다 훨씬 넓은 인간 서열 공간을 제공하므로,
humanness 평가나 인간화 설계의 기준으로 더 적합하다는 근거가 됨
🖐 왜 9-mer 펩타이드 인가?
| 길이 | 이유 |
|---|---|
| 8-mer | MHC-II 분자에서 제시되는 펩타이드로는 너무 짧음 → 면역원성 예측 부정확 |
| 10-mer | 정보는 풍부하지만, 데이터베이스 용량이 10배 이상 커짐 → 현실적 비효율 |
| 9-mer | MHC-II 결합 예측에 충분하고, 계산량도 적절한 균형 잡힌 길이 |
🖐 OAS의 지표인 prevalence (등장 빈도) 란?
각 9-mer 펩타이드가 전체 사람 중 몇 %에서 나타났는지 계산
ex) PEPTIDE01이 231명 중 185명에게서 나타나면
→ prevalence = 185 / 231 = 80.1%
"얼마나 많은 사람에게서 공유되는 펩타이드인지" 파악 가능
→ 공공성(publicness)이 높을수록 인간 항체의 공통 패턴, 즉 인간 유사(human-like) 라고 판단
🖐 다양성 비교: OASis vs Germline
IMGT germline 유전자에서도 9-mer를 추출해 비교
80% 이상의 사람에게서 공유되는 펩타이드를 기준으로
OASis에서 얻은 9-mer의 종류 수(서열 공간의 폭)가
germline만 썼을 때보다 12배 더 큼
즉, 실제 사람 몸에서 만들어진 항체는 germline 유전자만으로는 절대 충분히 설명되지 않음
🔍
germline 유전자는 벽돌 틀(template)이고,
OASis 9-mer는 실제 사람들이 만든 수많은 벽돌 샘플들이라고 생각이전에는 "이 벽돌은 벽돌틀이랑 비슷하니까 안전해"
라고만 평가이제는 "이 벽돌은 200명 이상이 실제로 사용한 벽돌이다
→ 진짜 인간이 쓰는 안전한 벽돌이다"라고 평가
🖐 Germline 이란?
면역세포가 재조합이나 돌연변이를 일으키기 전의 '원래 유전자 서열'
🖐 항체 유전자 생성과정
인간의 B세포는 VDJ 재조합이라는 과정을 통해 다양한 항체를 만들어냄
이 재조합이 일어나기 이전의 유전자 서열이 바로 germline 유전자
IMGT 같은 DB에서는 인간 유전체에 존재하는 모든 공식적인 V, D, J 유전자 서열을 정리해놓았고, 이들이 전부 germline 서열
ex) IGHV1-6901, IGKV3-2001, IGHJ4*02
→ 이런 게 모두 germline 유전자들
면역반응 이전의 "기본 틀"
🖐 OAS도 IMGT 기반이면, 뭐가 다른가?
OAS(Observed Antibody Space)는 IMGT의 V/J 유전자 정보를 주석(annotation) 으로 사용해 정리된 DB
주석은 IMGT 기반이지만, 실제 데이터는 사람이 만들어낸 변이된 항체 서열
| 항목 | IMGT (Germline) | OAS (Repertoire) |
|---|---|---|
| 데이터 출처 | 인간 유전체 분석 결과 → 정적이고 제한된 유전자 집합 | 실제 사람 몸에서 나오는 B세포 항체 서열 수천만 개 |
| 서열 수 | 수백 개 | 수억 개 (OAS는 5억 이상) |
| 내용 | 변이 전 원형 유전자 | VDJ 재조합 + 체성 과변이 포함 → 진짜 항체의 모습 |
| 다양성 | 매우 제한적 | 실제 면역반응을 반영한 폭발적인 다양성 |
| 용도 | 기준점, alignment | AI 학습, 서열 확률성 평가, humanness 판별 등에 활용 |
IMGT germline은 "정해진 틀" (template, 유전적 기준)
OAS는 사람들이 실제로 만든 결과물 (진짜 항체가 어떻게 생겼는지를 보여줌)
🖐 그럼 OASis 데이터가 왜 그렇게 좋다고 자신하나?
1️⃣ 스케일의 차이
IMGT germline 기준: 수백 개 유전자
OASis: 1억 3,900만 개의 9-mer 펩타이드
2️⃣ 실제 인간 데이터 기반
OAS는 231명 이상의 실제 인간 개체에서 유래된 항체 서열
면역반응, 질병 상태, 백신 반응 등 다양한 면역 상황이 반영됨
3️⃣ Prevalence(등장 빈도) 기반 해석 가능
단순히 서열이 인간 유래인지 아닌지가 아니라
→ 이 서열이 얼마나 많은 사람에게서 반복적으로 나타나는지까지 평가 가능
→ 실제 면역원성 위험(=낯선 서열인가?)을 정량적으로 판단 가능함
4️⃣ Humanness 점수로서의 해석 가능성
IMGT 기준의 T20, Z-score는 단일 점수만 제공 → 해석 어려움
OASis는 위치별로 어느 부분이 인간적인지/비인간적인지 알려줌
🖐 OASis 점수 시스템이란?
1️⃣ Granularity (정밀성)
항체 전체 서열을 한 점수로만 평가하지 않고,
서열을 겹치는 9-mer 펩타이드 단위로 쪼개서 각각의 human prevalence(사람에게서 얼마나 자주 발견되는지)를 계산
즉, 어떤 부분이 비인간적인지까지 구체적으로 확인 가능
→ 서열 내 위험 위치를 정확히 파악 가능
→ 인간화 타깃 설정 가능
2️⃣ Interpretability (해석 용이성)
점수의 근거를 "이 펩타이드는 인구의 x%에서 발견됨" 같은 방식으로 펩타이드의 사람 내 출현율 기반 해석
3️⃣ OASis Identity Score (전체 항체 단위 점수)
특정 prevalence 기준 이상으로 인간에서 발견되는 펩타이드 비율을 계산
ex)
어떤 항체 서열이 100개의 9-mer 펩타이드를 갖고 있고,
이 중 80개가 전체 인간 인구의 50% 이상에서 발견되는 펩타이드라면,
→ OASis Identity Score (medium 기준) = 0.80 (80%)
4️⃣ OASis Percentile Score
IMGT mAb DB의 임상 단계 항체 544개를 기준으로,
해당 항체의 identity score가 임상 항체들 중 몇 퍼센트 수준인지를 0–100%로 환산
ex)
percentile = 100% → 가장 인간적인 임상 항체보다 더 인간적
percentile = 5% → 대부분의 인간 항체보다도 비인간적
✅ 2-2. Sapiens (Humanization Tool)
OAS에서 학습된 Transformer 기반의 딥러닝 모델
전문가와 유사한 결과를 달성하면서도 대규모 시퀀스 생성 가능
인간 항체 서열을 마스킹하고 이를 복원하는 masked language modeling 방식으로 학습
훈련 데이터: OAS에서 추출한 수천만 개의 human antibody sequence
입력 서열에서 비인간성(non-human-like) 아미노산을 인식하고 인간 유사 서열로 대체함
CDR(결합 부위)는 변경하지 않음
🖐 왜 Sapiens가 필요한가?
OASis humanness score는 항체를 9-mer 펩타이드 단위로 잘라서 평가
이 방식은 면역원성과 관련된 짧은 지역(local features)에 강점이 있지만,
서열 전체의 장거리 관계(long-range dependencies), 즉 구조적 안정성이나 전체적인 서열의 적합성은 반영 못함
Sapiens는 Transformer 기반으로 서열 전체의 문맥을 고려하여 인간적인 항체 서열을 학습
humanness 평가(OASis)와 Sapiens 모델 학습은 분리되어 있음 → 공정한 성능 평가 가능
🖐 Sapiens 모델 아키텍처
Transformer Encoder 기반 언어 모델
항체 서열 = 자연어 문장
아미노산 = 단어
✅ 학습 방식: Masked Language Modeling (BERT 방식과 동일)
| 항목 | 내용 |
|---|---|
| 입력 | 항체의 variable region 서열 |
| 마스킹 | 무작위로 일부 아미노산을 마스킹하거나 잘못된 아미노산으로 바꿈 |
| 목표 | 마스킹된 부분이 무엇이었는지 예측 |
| 특징 | 어떤 부분이 마스킹됐는지 모르도록 학습 → 전체 서열 문맥 파악 필수 |
이 과정을 통해 "사람 항체라면 이런 패턴일 것이다"라는 언어 모델 학습
✅ 학습 데이터(OAS 데이터)
- Heavy chain: 2천만 개 서열
- Light chain: 1,900만 개 서열
각각 별도의 모델로 학습
정말 장거리 의존성을 배웠는가 확인을 위해, Sapiens의 Attention 해석 가능
✅ Sapiens 모델을 실제로 어떻게 항체 humanization에 적용하는가
1️⃣ Humanization의 목표(두 가지 동시 만족)
- Humanness 향상 (면역원성 낮춤)
- Parental 서열 보존 (결합력 유지)
실험적 평가는 결국 in vitro/in vivo에서 해야 하나,
그 전에 in silico 평가로 필터링 필요
2️⃣ 평가 지표 정의
| 지표 | 정의 |
|---|---|
| Humanness 증가 | OASis identity score 차이 (Humanized − Parental) |
| Preservation (보존율) | 두 서열 간 전체/버니어 영역 일치율 → Total Preservation / Vernier Preservation |
3️⃣ 비교 대상
총 25개의 Parental–Humanized 실험쌍을 기준으로 사용
(Clavero-Álvarez, Marks 등에서 수집)
이들을 Sapiens 결과와 비교하여 신뢰도 평가
4️⃣ 비교 방법
Baseline 방식: CDR Grafting 방식 2가지
| 방식 | 설명 | 목표 |
|---|---|---|
| Straight CDR graft | CDR을 인간 Germline에 그대로 붙임 | humanness 최우선 |
| Vernier CDR graft | 위 방식에서 Vernier 위치는 되돌려(Patch back) | parental 보존 최우선 |
Sapiens 방식: Recognize-and-Repair 기반 인간화
- Parental 서열을 입력
- Transformer attention을 통해 "비인간적" 위치 인식
- 각 위치에서 가장 가능성 높은 인간 아미노산으로 수정
단, CDR은 절대 건드리지 않음 (결합력 보존 목적) - Sapiens 1, 2, 3, 4: 반복 횟수에 따라 점진적 humanization 수행
5️⃣ 결과 비교
- Humanness 비교: OASis 기준
| 방법 | Humanness 수준 (OASis percentile) |
|---|---|
| Straight CDR graft | 가장 높음 (하지만 보존율 낮음) |
| Sapiens*3 | 실험적 humanized 항체와 유사한 수준 |
| Vernier CDR graft | Sapiens보다 약간 낮음 |
| Hu-mAb | 오히려 낮음 (프레임워크에도 human peptide 거의 없음) |
- Preservation 비교
| 항목 | Sapiens*3 | 실험 서열 |
|---|---|---|
| 전체 보존율 | 86% | 80% |
| Vernier 보존율 | 86% | 86% |
Sapiens*3은 humanness도 실험 수준 + 보존율은 오히려 더 높음
- 실제 mutation 유사도
Sapiens*1~3이 가장 많은 shared mutations 달성
→ 전문가와 판단이 가장 비슷함
✅ 3. 결론
자동화 humanization의 현실적 가치
“과거에는 실험 후 마지막 단계였던 humanization이, 이제는 초기 설계에 도입될 수 있다.”
과거: 후보 항체를 수십 개 → 실험으로 추린 뒤 인간화
현재: 자동화 덕분에 초기 수천 개 단계에서 인간화 가능 → 시간과 비용 절약
미래: 통합된 in silico 인간화 + 최적화 + 안정성 예측 플랫폼으로 발전 가능
