화합물-단백질 상호작용(CPI)의 정확한 예측은 계산 기반 신약 개발에서 여전히 핵심적인 과제로 남아 있다. 기존의 서열 기반 접근법은 분자 지문이나 그래프 표현을 활용하지만, 결합 친화도의 3차원(3D) 구조적 결정 요인을 결정적으로 간과한다. 이러한 공백을 메우기 위해 우리는 최초 원리 기반 구조 모델링과 SE(3)-등변(equivariant) 신경망을 시너지 있게 결합한 종단 간(end-to-end) 기하 딥러닝 프레임워크 EquiCPI를 제안한다. 우리의 파이프라인은 단백질에 대해서는 ESMFold, 리간드에 대해서는 DiffDock-L을 통해 원시 서열을 3D 원자 좌표로 변환한 뒤, 물리 기반의 컨포머 재랭킹과 등변 특성 학습을 수행한다. 핵심적으로 EquiCPI는 원자 점 구름에 대해 SE(3)-등변 메시지 패싱을 적용하여 회전, 평행이동 및 반사를 포함한 대칭성을 보존하며, 구면조화(spherical harmonics)의 텐서곱을 통해 국소 상호작용 패턴을 계층적으로 인코딩한다. 제안 모델은 결합 친화도 예측을 위한 BindingDB와 가상 스크리닝을 위한 DUD-E에서 평가한다. EquiCPI는 기존 최첨단 딥러닝 경쟁 모델들과 동등하거나 그 이상의 성능을 달성한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.