Investigation of alpha-glucosidase inhibition activity of Artabotrys sumatranus leaf extract using metabolomics, machine learning and molecular docking analysis

저자: D. Rosa; B. Elya; M. Hanafi; A. Khatib; Eka Budiarto; Syamsu Nur; M. Surya
출처: PloS one (2025)
DOI/링크: https://doi.org/10.1371/journal.pone.0313592
연구 계열: Topics/Natural Product Efficacy Evaluation
정리일: 2026-07-26

TL;DR

Artabotrys sumatranus 잎 추출물의 메타볼로믹스, 머신러닝, 분자 도킹을 통합하여 α-글루코시다제 억제제로 작용하는 9개의 활성 화합물을 예측했으며, 이 중 3개(norisocorydine, apigenin-7-O-galactopyranoside, lirioferine)는 처음 보고되는 활성을 보였다. 생물검정 기반 분획을 통해 mangiferin을 분리하여 예측을 검증했다.

1. 연구 배경 및 동기

다루는 문제: 제2형 당뇨병 치료 방법 중 하나는 α-글루코시다제 억제제를 사용하여 식후 포도당 흡수를 지연시키는 것이다. Artabotrys sumatranus 잎 추출물의 메타볼로믹스 분석을 통해 이 추출물에서 α-글루코시다제 억제제로 작용하는 활성 화합물을 예측하고자 했다.
기존의 공백 / 왜 필요한가: 천연 식물 추출물에서 α-글루코시다제 억제 활성을 가진 화합물을 효과적으로 예측하고 검증할 필요가 있다.

2. 관련 연구

기존 연구 흐름: 메타볼로믹스 분석과 머신러닝 접근법이 생물활성 화합물 예측에 사용되어 왔으며, 분자 도킹 시뮬레이션이 단백질-리간드 상호작용 검증에 활용되고 있다.
이 논문의 위치: 이 연구는 다변량 통계 분석과 머신러닝(랜덤 포레스트)을 결합하고, 특성 중요도 분석(random feature permutation, Shapley score)을 적용하여 예측 신뢰도를 향상시켰으며, 분자 도킹과 생물검정을 통해 검증했다.

3. 핵심 기여

메타볼로믹스와 머신러닝을 통합하여 Artabotrys sumatranus에서 9개의 α-글루코시다제 억제제 후보 화합물 예측
norisocorydine, apigenin-7-O-galactopyranoside, lirioferine의 α-글루코시다제 억제 활성을 처음 보고
분자 도킹(3A4A, 3TOP 수용체)을 통한 예측 화합물의 강한 결합 확인
생물검정 기반 분획을 통해 mangiferin 분리 및 강한 α-글루코시다제 활성 검증

4. 제안 방법론

전체 접근 논리: 메타볼로믹스 데이터에 다변량 통계 분석과 머신러닝(랜덤 포레스트)을 적용하여 활성 화합물을 예측하고, 특성 중요도 분석으로 중요 화합물을 식별한 후, 분자 도킹 시뮬레이션과 생물검정으로 검증했다.
단계:
Artabotrys sumatranus 잎 추출물의 메타볼로믹스 분석
다변량 통계 분석 및 머신러닝(랜덤 포레스트) 모델 구축
특성 중요도 분석(random feature permutation, Shapley score)을 통한 활성 화합물 식별
분자 도킹 시뮬레이션(3A4A, 3TOP 수용체)
생물검정 기반 분획을 통한 검증

5. 실험 설정

항목	내용
대상/재료	Artabotrys sumatranus 잎 추출물
처리 조건	메타볼로믹스 분석, 머신러닝 모델링, 분자 도킹 시뮬레이션, 생물검정 기반 분획
대조군	-
측정 방법	α-글루코시다제 억제 활성, 항산화 활성, 분자 도킹 결합 친화성

6. 실험 결과 분석

지표	변화(Δ)	조건 · 유의성
예측된 활성 화합물	9개 화합물 예측, 6개 동정(mangiferin, neomangiferin, norisocorydine, apigenin-7-O-galactopyranoside, lirioferine, 15,16-dihydrotanshinone I)	메타볼로믹스 및 머신러닝 분석
분자 도킹 결합	대부분의 예측 화합물이 3A4A 및 3TOP 수용체에 강한~매우 강한 결합 보임, neomangiferin은 3TOP에만 강한 결합	3A4A(Saccharomyces cerevisiae α-글루코시다제), 3TOP(인간 장내 α-글루코시다제)
생물검정 검증	mangiferin 분리 성공, 강한 α-글루코시다제 활성 확인	생물검정 기반 분획
상관성 분석	α-글루코시다제 억제 활성과 항산화 활성 간 강한 상관관계, 예측 화합물 중 1개만 항산화 활성과 매우 낮은 양의 상관관계	예측된 활성 화합물 분석

제안 기전(인과 사슬): 활성 화합물 → α-글루코시다제 효소 결합 → 식후 포도당 흡수 지연 → 혈당 조절

7. 비판적 평가

강점

메타볼로믹스, 머신러닝, 분자 도킹, 생물검정을 통합한 다층적 검증 접근
특성 중요도 분석(Shapley score)을 통한 신뢰도 높은 활성 화합물 식별
3개의 새로운 α-글루코시다제 억제제 활성 화합물 발견

한계 · 의문

예측된 9개 화합물 중 6개만 동정되었으며, 나머지 3개의 구조 미확인
상관성 분석에서 제시된 3개 그룹의 생합성 경로 관련성은 추가 연구 필요
단일 식물 종에 대한 연구로 일반화 가능성 제한

8. 향후 연구 방향

예측된 미동정 화합물 3개의 구조 규명 및 활성 검증
예측 활성 화합물의 생합성 경로 메커니즘 규명
다른 식물 종에 대한 동일 방법론 적용 및 검증

9. 결론

메타볼로믹스와 머신러닝의 통합 분석을 통해 Artabotrys sumatranus에서 9개의 α-글루코시다제 억제제 후보 화합물을 예측했으며, 분자 도킹과 생물검정을 통해 검증했다. 이 중 3개 화합물의 α-글루코시다제 억제 활성은 처음 보고되는 것으로, 제2형 당뇨병 치료제 개발에 기여할 수 있다.

Keywords

alpha-glucosidase inhibitor, Artabotrys sumatranus, metabolomics, machine learning, molecular docking, diabetes mellitus, bioassay, mangiferin