# Phenotypic Screening in Drug Discovery (약물발굴의 표현형 스크리닝) Phenotypic Screening은 질환 관련 표현형(phenotype)을 직접 관찰할 수 있는 생물학적 시스템에서 화합물의 효과를 탐색하는 약물발굴 전략이다. 이 접근법은 특정 분자 타깃의 존재 여부를 먼저 가정하지 않고도 생물학적 응답을 유발하는 화합물을 식별하는 데 초점을 둔다. 영어 용어를 그대로 사용하더라도 한국어 서술과 함께 이해를 돕기 위해 필요한 경우 병기한다. --- ## 1. 개요 - 정의: 질환과 연관된 세포나 조직의 표현형 변화를 유도하거나 개선하는 화합물을 발견하는 실험적 접근이다. - 목표: 신약 후보 물질(disease-modifying되거나 first-in-class인 경우 포함)을 발견하고, 작용 기전(MOA)을 후속 연구를 통해 규명하는 것. - 비교 포인트: Target-based Screening과 달리 타깃 분자의 존재 여부를 전제하지 않으며, 복잡한 생물학적 맥락에서의 효과를 직접 측정한다. --- ## 2. 용어와 기본 개념 - 표현형(Phenotype): 세포, 조직, 작은 생물체가 관찰 가능한 생물학적 특성의 총합. - 표현형 스크리닝(Phenotypic Screening): 질환 관련 표현형의 변화를 유도하는 화합물을 대규모로 탐색하는 스크리닝 전략. - 고부하 읽기(Readouts, Readouts): 이미지 기반의 멀티파라미트릭 읽기, 형광 보고체(Reporter), 세포 생존/형태 변화 등 다양한 화면 신호. - High-Content Screening(HCS): 다중 매개변수(readouts) 데이터를 포함하는 고해상도 이미징 기반 표현형 스크리닝. - MOA(Modes of Action) 규명: 후보 물질의 작용 기전을 해명하는 일련의 연구 활동. --- ## 3. 역사적 배경 - 초기 구성: 타깃 기반 접근이 부재하던 시기에 표현형 변화 자체를 목표로 한 화합물 탐색이 수행됨. - 현대적 발전: 고해상도 이미징, 멀티파라미터 분석, 인공지능 기반의 데이터 해석으로 표현형 스크리닝의 해석력과 재현성이 크게 향상되었다. - 의의: 생물학적 복합성(contextual biology)을 반영하면서도 새로운 MOA를 발견할 가능성을 제공한다. --- ## 4. 플랫폼과 읽기(Readout) 유형 - 플랫폼 구분 - Cell-based phenotypic screens: 인간 유래 세포주, 줄기세포 유도 분화체, 환자 유래 세포 등 다양한 세포 시스템에서 수행. - Organism-based phenotypic screens: Zebrafish, C. elegans 등 작은 생물체를 사용한 in vivo 스타일의 표현형 스크리닝. - 통합 플랫폼: 2D/3D 배양, 오가노이드/organoid, Organs-on-a-Chip 기반의 더 복합적 표현형. - 읽기(readout) 유형 - 이미징 기반 readouts: 세포 morphology, localization, marker 표현 변화 등을 다중 채널로 분석. - 형광/루시퍼레이스 기반 readouts: 특정 경로의 활성화나 억제를 간접적으로 반영. - 멀티파라미터 분석: 다수의 독립 지표를 동시 측정하여 복합 표현형을 정의. - 데이터 분석 도구 - 이미지 분석 소프트웨어, 머신러닝/딥러닝 기반 분류, 클러스터링을 통한 표현형 패턴 식별. - Z'-factor, signal-to-noise 비율 등 실험 품질 지표를 사용한 플랫포밍 평가. --- ## 5. 스크리닝 파이프라인의 설계 - 초기 의도 설정 - 질환 모델의 관련 표현형 정의: 예를 들어 세포 스트레스 반응, 대사 변화, 형태 변화 등. - 읽기의 민감도와 특이성 최적화. - 라이브러리 구성 - 다양성 있는 작용 화합물, 신약 후보 물질, 재발견 화합물 재조합 등 다양한 화합물군 포함. - 3단계 워크플로우 - Primary screen: 대규모 라이브러리의 고스크리닝 수행. - Hit triage: 재현성 확인, 독성 확인, 기술적 오류 제거. - Secondary/Counter screens: 비특이적 효과 제거, MOA 예비 탐색. - 전임상 연계 - 후보의 MOA 규명, 타깃 독립적 효능 여부, in vivo 예측 모델로의 연결 고리 강화. --- ## 6. 시스템 및 모델의 선택 지침 - 세포 시스템 - 질환 여부와 관련된 생리학적 맥락이 잘 반영되는 모델 선택이 중요. - 환자 유래 세포, 3D 배양, 재현성 있는 표준화된 조건 필요. - 비생체(비인체) 시스템과 인체 유사성 - 단순 세포주 대비 복합적인 생리학적 반응을 포착할 수 있는 시스템이 유리하나, 해석의 복잡성 증가를 고려해야 한다. - in vivo 스타일의 보완 - Zebrafish나 C. elegans 등의 모델은 조직 수준 표현형의 축적 정보를 제공하지만 종 특이성 및 해석 한계 존재. --- ## 7. 데이터 관리 및 해석의 도전 - 다차원 데이터 처리 - 이미지 데이터, 생화학적 신호, 대사 지표 등 다양한 출처의 데이터를 통합 분석. - 재현성 확보 - 일관된 배양 조건, 제어군, 품질 관리(QC) 및 QC 지표의 체계적 적용. - MOA 규명 - 표현형과 화합물의 기전 연결 고리를 찾기 위한 타깃 비의존적 분석, 화학적 유사성, 유전자 편집/해제 실험의 보조를 활용. - 데이터 공유와 표준화 - 표준화된 메타데이터와 실험 조건 기록으로 재현성 향상. --- ## 8. 장점과 한계 - 장점 - 타깃 정보를 미리 가정하지 않아도 새로운 생물학적 영역을 발견할 수 있음. - 다중 경로와 시스템 수준의 효과를 포착하여 first-in-class 후보를 찾을 가능성 증가. - 질환의 복합성(다수의 경로가 관여하는 경우)에 강건한 스크리닝 방법. - 한계 - 작용 기전의 해명이 어려울 수 있으며, 특정 타깃으로의 연결은 후속 연구가 필요. - 데이터 해석의 복잡성, 노이즈, 재현성 확보 비용이 큼. - 임상 전환까지의 시간과 비용이 타깃 기반 접근보다 길어질 수 있는 경우도 있음. --- ## 9. 최신 동향과 미래 방향 - 오가노이드 및 Organ-on-a-Chip 기반의 고생체 표현형 스크리닝 - 멀티모달 데이터 융합 및 AI-driven 표현형 분류 - CRISPR 기반 표현형 스크리닝의 결합으로 MOA 해명의 정밀도 제고 - 약물 재창출(drug repurposing)과 질환 특이적 표현형의 연결 강화 - 개인맞춤형 모델을 활용한 환자 특이적 표현형 스크리닝의 가능성 증대 --- ## 10. 사례 연구의 일반적 시사점 - 대표 사례 범주 - 암: 특정 화합물이 종양 미세환경의 표현형 변화를 유도하는지 여부로 후보를 선별. - 신경계 질환: 세포의 신경독성 감소, 신경세포 형성 및 연결성 개선 등의 표현형 변화 탐색. - 면역 및 감염성 질환: 면역 반응이나 세포질 스트레스 경로의 표현형 변화를 통한 후보 탐색. - 교훈 - 질환 모델의 생물학적 타당성과 표현형의 질(정확도와 재현성)이 후보 타당성의 핵심 요인. - 후속 MOA 규명과 타깃 기반 실험의 정합성 확보가 임상 전환의 관건. --- ## 11. 정리 Phenotypic Screening은 타깃 중심의 약물발굴이 놓치기 쉬운 생물학적 맥락과 표현형 변화를 포착하는 강력한 도구이다. 현대의 고해상도 이미징, 대규모 데이터 분석, 그리고 인체에 가까운 모델 시스템의 발달로 그 활용 영역이 넓어지고 있으며, MOA 규명 및 임상 전환의 효율을 높이는 방향으로 지속적으로 진화하고 있다. --- 관련 문서: [[High-Content Screening in Drug Discovery]], [[Phenotypic vs Target-Based Screening]]